Comment l'IA rend les anciens processus de LCB-FT plus efficaces

Une analyse efficace et précise des données est essentielle à l’efficacité des programmes de lutte contre le blanchiment d’argent et le financement du terrorisme. Pourtant, les équipes chargées de la lutte contre le blanchiment d’argent qui utilisent d’anciens programmes de surveillance des transactions sont souvent confrontées à des systèmes en souffrance. Leurs analystes sont souvent surchargés de travail en raison du traitement de volumes élevés d’alertes comportant trop de faux positifs. Sans moyen de trier les alertes entrantes, les enquêteurs peuvent passer la majeure partie de leur journée de travail à des tâches routinières telles que l’élimination des systèmes surchargés et des alertes à faible risque.

Cela ne crée pas seulement des frustrations, mais aussi un gaspillage de ressources financières, une surcharge de travail pour le personnel et une probabilité accrue que les équipes passent à côté d’une alerte à haut risque. Cela peut également entraîner des coûts et des pertes organisationnels indésirables. Par exemple, l’épuisement des équipes est synonyme de taux coûts de départ élevés et de coûts de recrutement et de formation des remplaçants.

Et surtout, si une entreprise est jugée avoir des processus de gestion des risques insuffisants, elle peut s’exposer à des amendes réglementaires et à des poursuites judiciaires. Dans un cas particulièrement médiatisé, une société d’investissement mondiale a été condamnée à une amende de plus d’un milliard de dollars en 2022 pour – outre la fraude à long terme – « l’absence de mise en œuvre de contrôles clés des risques. »

Comment l’IA résout le dilemme coût/risque ?

Malgré ces pressions et ces risques croissants, de nombreuses institutions financières craignent qu’une refonte du système ne coûte encore plus cher. Mais il est en fait possible de conserver le système de base d’une entreprise et d’y superposer des algorithmes d’intelligence artificielle pour améliorer ses capacités. En effet, des entreprises compétitives ont souligné que leur dépendance à l’égard de l’intelligence artificielle et de l’apprentissage machine (ML) était la clé de leur succès.

« L’efficacité et l’efficience sont essentielles pour qu’une entreprise poursuive sa croissance. Nous ne pouvons pas agrandir notre équipe à chaque fois que nous augmentons notre clientèle », explique Valentina Butera, responsable des opérations LCB-FT et Fraude chez Holvi, une banque numérique finlandaise.  Une interview récente, Andreas Braun, de PwC Luxembourg, a aussi souligné le traitement et l’analyse des données possibles grâce à l’IA, qui permet de résoudre les dilemmes traditionnels d’efficacité et de coût de la gestion des risques.

Un rapport publié en 2022 par Allied Market Research prévoyait que le marché de l’IA fintech atteindrait plus de 61 milliards de dollars d’ici 2030. Autrefois reléguées à la spéculation, l’IA et le ML sont désormais des réalités pratiques – et à en juger par les réponses réglementaires mondiales, leur utilisation devient omniprésente. Parmi les exemples clés, citons :

• La proposition de loi sur l’intelligence artificielle de l’Union européenne
• Groupe de travail sur l’intelligence artificielle de la commission des services financiers de la Chambre des représentants des États-Unis.
• Forum public-privé sur l’IA et document de travail sur l’intelligence artificielle de la Financial Conduct Authority du Royaume-Uni
• Le projet Veritas de l’Autorité monétaire de Singapour

Dans notre rapport annuel sur l’état de la criminalité financière, 99 % des entreprises interrogées s’attendent à ce que l’IA ait un impact positif sur la détection des risques de criminalité financière. Considérez les trois cas d’utilisation de l’IA dans la surveillance des transactions les plus souvent retenus :

• Hiérarchisation des alertes – 31 % des personnes interrogées s’attendent à ce que l’IA aide à classer les alertes de transaction par risque. Cela permet aux équipes de surveillance des transactions d’attraper davantage d’activités à risque et de le faire plus rapidement.
• Ajustement flexible – 26 % pensent utiliser l’IA pour améliorer leur système d’alerte, en contribuant à ajuster les seuils et à affiner les alertes de manière réactive.
• Identification des relations – 24 % des répondants prévoient que l’intelligence artificielle permettra de découvrir de nouvelles relations entre les entités et les personnes surveillées.

Utiliser l’IA pour améliorer le suivi des transactions

Comment une superposition d’IA pourrait-elle fonctionner dans la pratique ?

Prenons un scénario. Allison, une analyste senior, est confrontée à des files d’attente d’alertes gonflées et imprécises en raison de règles rigides et de l’absence de triage par priorité. Chaque jour, elle passe des heures à examiner minutieusement des alertes individuelles sans pouvoir déterminer efficacement lesquelles sont critiques et méritent le plus d’être examinées. Lorsqu’elle tombe sur une alerte à haut risque, elle a moins de temps pour l’étudier en raison du temps perdu à éliminer les faux positifs. En fait, si le système est saturé, les alertes liées à des délits financiers réels peuvent rester dans la file d’attente pendant des jours ou des semaines avant d’être découvertes. L’équipe a perdu plusieurs membres récemment, mais Allison n’a pas le temps de suivre ses files d’attente et de former efficacement ses nouveaux coéquipiers.

Imaginez ensuite que son entreprise ajoute une couche d’intelligence artificielle à son système existant pour traiter les alertes de manière plus intelligente. La nouvelle surcouche d’IA combine plusieurs techniques puissantes de gestion des risques, ce qui lui permet un :

• Triage automatique des alertes – L’IA sait comment trier les alertes entrantes par niveau de risque, en attribuant un niveau de risque élevé à celles qui présentent l’activité la plus suspecte. Elle s’améliorera également en permanence en fonction des commentaires des analystes. Allison commence immédiatement à regarder la file d’attente des alertes à haut risque lorsqu’elle arrive au travail. Pendant ce temps, les alertes à faible risque sont soit résolues en masse, soit utilisées pour former les nouveaux analystes. Et lorsqu’elle encadre les membres de l’équipe qui progressent, Allison peut utiliser la file d’attente des alertes à haut risque pour illustrer la manière de traiter les alertes à risque.
• Réglage plus efficace – L’IA permet également à l’équipe d’améliorer et d’ajuster les paramètres et les seuils des règles sous-jacentes. Les alertes sont ainsi mieux adaptées aux risques, ce qui permet d’améliorer les détections et de réduire les faux positifs.
• Découvrir plus de mauvais acteurs – Des preuves faibles liées à une seule personne peuvent ne pas conduire à une enqueête. Mais avec la nouvelle superposition de l’IA, l’équipe d’Allison peut tirer parti des corrélations faibles dans les données pour identifier des groupes d’activités criminelles.
• Identifiez les véritables acteurs qui travaillent dans les coulisses en utilisant le regroupement d’identités pour rechercher les relations cachées. L’équipe peut désormais voir des connexions et risques qui lui étaient auparavant invisibles.
• Obtenir une meilleure compréhension et une meilleure explication des raisons pour lesquelles une alerte a été générée. Allison est plus sûre qu’elle et son équipe peuvent étayer leurs décisions en cas d’audit ou de demande de renseignements de la part de la direction.

Avec un coût initial minimal, la surveillance des transactions par l’IA maximise la valeur d’Allison pour l’entreprise, en permettant des enquêtes efficaces et fondées sur les risques, tout en lui permettant de former efficacement les membres de son équipe. Parallèlement, des modèles d’apprentissage automatique à plusieurs niveaux améliorent l’efficacité du processus de détection des risques de blanchiment d’argent et de financement du terrorisme de son entreprise.

Principaux points à retenir

Depuis des années, les équipes chargées de la conformité savent que les anciens logiciels et processus de lutte contre le blanchiment d’argent ne répondent pas aux défis de la criminalité financière auxquels leurs organisations sont confrontées. Des règles rigides et des cases à cocher peuvent permettre de saisir certains comportements flagrants, mais elles passent à côté d’une grande partie de la complexité des activités illicites. Ils ne permettent pas non plus d’avoir une vue d’ensemble et de voir les liens plus larges entre les entités et les personnes nécessaires pour aider les forces de l’ordre à éliminer les comportements criminels à la racine. Les outils et les technologies existent maintenant pour que les banques puissent répondre à ce moment.

Iain Armstrong, responsable de la pratique des affaires réglementaires chez ComplyAdvantage, pèse dans la balance. « De nombreuses entreprises connaissent déjà des succès avec l’IA, il est donc important d’être agile et d’éviter de se laisser distancer par des concurrents qui pourraient bientôt être en mesure de travailler de manière beaucoup plus sophistiquée sans augmentation comparable des coûts. » En effet, l’IA n’est plus simplement un mot à la mode – c’est un parapluie pour de nombreux programmes exploitables que les entreprises peuvent mettre en œuvre dès aujourd’hui. Les régulateurs du monde entier le reconnaissent et veilleront probablement bientôt à ce que les réglementations en matière de lutte contre le blanchiment d’argent reflètent les innovations dont disposent les entreprises dans leurs juridictions.

Une superposition d’intelligence artificielle peut constituer une option simple et rentable pour les entreprises qui ont besoin des avantages de l’IA mais qui ne sont pas en mesure de procéder à un remaniement majeur. L’utilisation d’une superposition implique également moins d’inconnues, car les algorithmes ne remplacent pas les processus existants mais les améliorent. Avec un minimum de perturbations, les entreprises peuvent améliorer l’efficacité de la conformité en matière de LCB-FT grâce à une hiérarchisation des alertes, une détection des risques et une remédiation améliorées par l’IA – réduisant ainsi les risques et les coûts associés tout en soutenant les taux de rétention des employés et en restant compétitif dans un paysage de conformité en constante évolution.