L’intelligence artificielle est désormais profondément intégrée aux dispositifs de détection de la fraude et de lutte contre le blanchiment de capitaux. Mais à mesure que son utilisation se généralise, une nouvelle question devient centrale pour les institutions financières : comment exploiter la puissance de l’IA sans créer de nouveaux risques de conformité, de sécurité et de gouvernance ?
Dans un article publié le 10 août 2026, FutureIoT met en évidence un paradoxe particulièrement important : l’IA peut considérablement améliorer la capacité des établissements financiers à détecter des comportements suspects, mais elle peut également introduire de nouveaux angles morts lorsque les données, les outils et les décisions automatisées ne sont pas correctement gouvernés.
Le « Shadow AI », nouveau risque de Compliance
L’un des premiers risques identifiés concerne le Shadow AI, c’est-à-dire l’utilisation par des collaborateurs d’outils d’intelligence artificielle non autorisés ou non supervisés par leur organisation.
Selon les données reprises par FutureIoT, 69 % des responsables de cybersécurité interrogés disposent déjà d’éléments laissant penser que des salariés utilisent des outils de GenAI interdits dans le cadre professionnel. Gartner estime par ailleurs que plus de 40 % des entreprises pourraient connaître, d’ici 2030, un incident de sécurité ou de conformité lié à l’utilisation non autorisée de tels outils.
Pour une institution financière réglementée, le problème dépasse largement la cybersécurité.
Lorsqu’une décision relative à une alerte AML, à une transaction suspecte ou à un dossier de fraude est influencée par un outil qui n’est ni approuvé, ni contrôlé, ni documenté, l’établissement peut devenir incapable d’expliquer au régulateur sur quelles informations et selon quel raisonnement la décision a été prise.
La traçabilité devient donc une condition essentielle de l’utilisation de l’IA en matière de Financial Crime Compliance.
Une IA performante ne peut compenser des données insuffisantes
L’autre difficulté majeure concerne la qualité et l’exhaustivité des données utilisées.
Un modèle d’intelligence artificielle ne peut produire une analyse fiable que sur la base des informations qui lui sont effectivement fournies. Si des données essentielles sont absentes — par exemple certaines informations liées au terminal utilisé, au comportement du client, à la géolocalisation ou aux caractéristiques d’une transaction — l’IA peut aboutir à des conclusions fondées sur une vision partielle du risque.
Les conséquences sont doubles.
D’un côté, les fraudeurs peuvent exploiter les espaces laissés entre différents systèmes ou différentes sources d’information. De l’autre, des clients légitimes peuvent être injustement classés comme suspects en raison d’un manque de contexte.
Selon le SEON Fraud & AML Leaders Report 2026, cité par FutureIoT, 38 % des responsables interrogés en Asie-Pacifique considèrent que plus d’un quart de leurs faux positifs sont liés aux limites des sources de données utilisées. Plus largement, 80 % des responsables interrogés au niveau mondial rencontreraient des difficultés pour obtenir une vision consolidée des données provenant des dispositifs Fraud et AML.
Cette fragmentation constitue aujourd’hui l’un des obstacles majeurs à l’efficacité des dispositifs de lutte contre la criminalité financière.
Trois piliers : gouvernance, explicabilité et supervision humaine
L’un des principaux enseignements de l’analyse publiée par FutureIoT repose sur trois principes : governance, explainability and human oversight.
Premièrement, chaque utilisation significative de l’IA doit s’inscrire dans un cadre de gouvernance préalablement défini : outils autorisés, responsabilités, règles de validation, sources de données admissibles, gestion des accès, contrôle des modèles et procédures d’escalade.
Deuxièmement, les résultats produits par l’intelligence artificielle doivent être suffisamment explicables.
Pour une équipe Compliance ou Fraud, il ne suffit pas qu’un système indique qu’une transaction présente un risque élevé. L’analyste doit être capable de comprendre les signaux ayant conduit au déclenchement de l’alerte : comportement inhabituel, historique transactionnel, caractéristiques du terminal, localisation, réseau de contreparties ou autres facteurs pertinents.
Cette explicabilité permet ensuite de justifier les décisions auprès des auditeurs, du senior management et, lorsque cela est nécessaire, des autorités de surveillance.
L’IA doit augmenter l’analyste, non supprimer sa responsabilité
L’article met également en évidence une tendance importante : les professionnels du secteur ne considèrent majoritairement pas l’IA comme un substitut complet aux analystes.
Selon les données reprises par FutureIoT, 85 % des responsables Fraud et AML interrogés considèrent l’intelligence artificielle comme un outil destiné à soutenir les analystes humains, tandis que seulement 12 % anticipent qu’elle remplacera à terme leurs tâches.
Cette distinction est fondamentale.
L’IA dispose d’un avantage considérable lorsqu’il s’agit d’analyser de très importants volumes de transactions, de détecter des corrélations difficiles à identifier manuellement ou d’automatiser certaines tâches répétitives.
Mais les décisions présentant un niveau de risque élevé — clôture d’une relation d’affaires, escalade d’une alerte majeure, qualification d’une activité comme suspecte ou autres décisions sensibles — nécessitent toujours une gouvernance et une responsabilité clairement attribuées.
La technologie peut donc accélérer la prise de décision, mais elle ne doit pas diluer l’accountability.
Réunifier Fraud, AML et Compliance
L’un des messages les plus importants de l’article concerne également l’organisation des fonctions de contrôle.
Les fraudeurs ne raisonnent pas en silos organisationnels. Un même réseau criminel peut exploiter simultanément des systèmes de paiement, des portefeuilles numériques, des plateformes de jeux, des comptes bancaires et différentes juridictions.
Pourtant, dans de nombreuses organisations, les informations demeurent réparties entre plusieurs équipes : Fraud, AML, Compliance, Cybersecurity, Payments ou Customer Risk.
Cette fragmentation peut empêcher l’établissement d’obtenir une vision complète du risque.
La réponse consiste donc à développer davantage de partage de données, de signaux et de visibilité entre les fonctions Fraud, AML et Compliance. FutureIoT résume cette démarche selon une séquence particulièrement pertinente : governance first, consolidation second, automation third.
Autrement dit, automatiser un dispositif fragmenté ou mal gouverné ne corrige pas ses faiblesses : cela permet simplement de les reproduire plus rapidement et à plus grande échelle.
La gouvernance devient un facteur de performance
L’idée centrale de l’article est finalement particulièrement intéressante : la gouvernance ne doit plus être considérée comme une contrainte qui ralentit l’innovation.
Elle peut devenir un avantage concurrentiel.
Une organisation qui sait précisément quelles données alimentent ses modèles, comment les décisions sont prises, qui en assume la responsabilité et comment les résultats peuvent être expliqués bénéficie d’un niveau de confiance supérieur dans ses outils.
Cette confiance facilite ensuite le passage à l’échelle.
À l’inverse, une institution qui accumule les solutions d’IA sans architecture cohérente peut multiplier les doublons, les faux positifs, les données contradictoires et les décisions impossibles à expliquer.
La performance ne dépend donc pas nécessairement du nombre d’outils déployés, mais de la capacité de l’organisation à créer une architecture cohérente entre People, Processes, Data and Technology.
Une nouvelle priorité pour les fonctions Compliance et Risk
Pour les responsables Compliance, RC/MLRO, Fraud Managers, CRO et responsables IT, cette évolution implique plusieurs priorités concrètes : disposer d’un inventaire des solutions d’IA utilisées, interdire ou encadrer le Shadow AI, définir les responsabilités relatives aux modèles, vérifier les sources et la qualité des données, maintenir une supervision humaine proportionnée au risque et conserver une piste d’audit permettant de reconstituer les décisions importantes.
Elle suppose également une collaboration beaucoup plus étroite entre les fonctions traditionnellement chargées de la fraude, de l’AML/CFT, de la cybersécurité, de la protection des données et de l’IT Risk.
La frontière entre ces domaines devient en effet de plus en plus difficile à maintenir à mesure que les criminels eux-mêmes utilisent l’intelligence artificielle pour automatiser, industrialiser et dissimuler leurs activités. FutureIoT souligne à ce titre que 25 % des responsables interrogés identifient l’utilisation croissante de l’IA et des techniques d’obfuscation par les criminels comme un facteur externe majeur susceptible d’affecter la Compliance AML.
L’avantage ne viendra pas de l’IA seule
La prochaine phase de la lutte contre la fraude et le blanchiment ne sera donc probablement pas remportée par les établissements disposant simplement des algorithmes les plus sophistiqués.
Elle le sera par ceux qui réussiront à combiner technologie avancée, données fiables, gouvernance robuste, explicabilité et expertise humaine.
À mesure que les organisations criminelles deviennent plus professionnelles, transfrontalières et technologiquement avancées, les institutions financières doivent elles aussi faire évoluer leur approche.
Dans ce nouvel environnement, la gouvernance de l’IA n’est plus seulement une obligation de Compliance. Elle devient l’une des conditions permettant de transformer l’intelligence artificielle en véritable avantage opérationnel dans la lutte contre la criminalité financière.
