L’adoption de l’IA dans la lutte anti-blanchiment progresse lentement

L’utilisation des technologies d’IA dans les processus de lutte contre le blanchiment d’argent (Anti-Money Laundering, AML) est devenue essentielle pour les établissements financiers qui s’efforcent de se conformer aux réglementations en vigueur et de lutter contre la criminalité financière.

Cependant, une nouvelle étude consacrée aux technologies AML, signée SAS, acteur des données et de l’IA, en collaboration avec KPMG, montre qu’aujourd’hui encore, l’intérêt pour l’IA ne se traduit pas toujours par sa pleine implémentation.

L’enquête mondiale menée auprès de 850 membres de l’ACAMS (Association of Certified Anti-Money Laundering Specialists) révèle :

• Une adoption encore modeste de l’IA et du machine learning (ML) : Seulement 18 % des répondants déclarent disposer de solutions d’IA/de ML en production. La même proportion de répondants (18 %) est en phase de test, tandis que 25 % prévoient de mettre en œuvre l’IA/le ML dans les 12 à 18 prochains mois. Enfin, 40 % n’envisagent pas d’adopter l’IA/le ML pour le moment.

• Un intérêt solide, mais vraisemblablement prudent, pour l’IA générative : Près de la moitié des participants à l’enquête déclarent être en phase de test (10 %) ou de découverte (35 %) de la GenAI, ce qui n’est pas rien pour une technologie émergente. Mais cela laisse tout de même 55 % de répondants disant n’avoir aucune intention de l’adopter.

Intitulée « The road to integration: The state of AI and machine learning adoption in anti-money laundering compliance », cette nouvelle étude fait suite à une enquête similaire publiée en 2021. L’objectif : dresser un état des lieux de l’adoption de l’IA/du ML dans la lutte contre le blanchiment d’argent.

SAS a également publié un tableau de bord des données qui permet aux utilisateurs d’explorer, de visualiser et de filtrer les informations issues des enquêtes, en fonction de la région et de la taille des organisations.

« Selon l’enquête, les professionnels de la lutte contre le blanchiment d’argent pensent que les organismes de régulation sont moins enthousiastes vis-à-vis de l’IA », déclare Kieran Beer, Chief Analyst and Director of Editorial Content de l’ACAMS. « 51% des personnes interrogées affirment que leur organisme de régulation encourage ou favorise l’innovation en matière d’IA/de ML – une baisse de 15 points par rapport à 2021. Le pourcentage de répondants qui affirment que leurs organismes de régulation se montrent inquiets ou prudents par rapport à l’adoption de l’IA/du ML est passé de 28 % à 36 %, et la proportion de personnes décrivant ces organismes comme « résistants au changement » a plus que doublé, passant de 6 à 13 % ».

« L’IA et le machine learning ne sont pas la solution miracle à tous les problèmes de criminalité financière, mais ces technologies se révèlent de plus en plus efficaces dans certains domaines, notamment ceux qui impliquent de vastes quantités de données », souligne Timo Purkott, Global Fraud and Financial Crime Transformation Lead chez KPMG International et Partner chez KPMG Allemagne. « Elles permettent, entre autres, d’automatiser les alertes issues des systèmes de surveillance des transactions, d’évaluer les risques à l’échelle de l’entreprise, de signaler les activités suspectes, de réaliser des contrôles AML, de réduire les faux positifs, et bien plus encore. Tout dépend des données. Les organisations doivent donc absolument investir dans leur infrastructure de gestion des données pour optimiser la valeur de l’IA et du ML, et garder une longueur d’avance sur les criminels financiers ».

Une implémentation complète de l’IA et du ML est nécessaire pour créer de la valeur

L’enquête a permis de recueillir plusieurs informations sur la manière dont l’IA est utilisée dans la lutte contre le blanchiment d’argent et sur les raisons pour lesquelles les entreprises peuvent être lentes à l’intégrer pleinement à leurs opérations.

Les organisations identifient de nouveaux cas d’usage de l’IA et du ML

Lors de la première étude publiée en 2021, 78 % des répondants citaient l’amélioration de la qualité des investigations et des conclusions réglementaires (40 %) ou la réduction des faux positifs (38 %) comme principale raison de l’adoption de l’IA/du ML.

Cette fois, les réponses à cette question sont plus variées. Ces deux réponses arrivent toujours en tête, mais leur pourcentage combiné est descendu à 67 %. En revanche, la réponse « Détection des risques complexes » est passée de 17 à 21 %, tandis que l’option « Aucune des réponses ci-dessus » a bondi de 5 à 13 %.

Les raisons de la non-adoption de l’IA et du ML ont également évolué

Auparavant, les contraintes budgétaires constituaient le principal frein à l’adoption de l’IA (39 %). Ce pourcentage est aujourd’hui de 34 %. L’absence d’impératif réglementaire se situe légèrement au-dessus avec 37 %.

Le manque de compétences disponibles constitue également de moins en moins une préoccupation, le pourcentage de répondants l’évoquant ayant diminué de près de moitié pour atteindre 11 %. En revanche, la catégorie « Autre » affiche une hausse considérable, passant de 5 à 19 %.

La réduction des faux positifs devient de plus en plus prioritaire

À la question relative aux domaines prioritaires en termes de déploiement de l’IA/du ML, les participants ont été 38 % (une hausse de 8 % par rapport 2021) à choisir la réduction des faux positifs dans les systèmes de surveillance existants.

L’automatisation de l’enrichissement des données pour les investigations et la due diligence (25 %), et la détection des nouveaux risques à l’aide de techniques de modélisation avancées (23 %), restent également très souvent citées, bien que ces deux options aient perdu plusieurs points par rapport à l’enquête précédente. La segmentation de la clientèle à des fins d’analyses comportementales a été choisie par les 13 % de répondants restants.

Citée par 38 % des répondants, la réduction des faux positifs et des faux négatifs représente également la réponse la plus fréquente pour ce qui est du domaine où l’IA/le ML apporte le plus de valeur. Les deux autres options disponibles – des enquêtes plus efficaces et plus rapides (34 %) et le tri des alertes à haut et à faible risque (28 %) – ne se classent toutefois pas très loin derrière.

Le ML a un impact considérable, mais le traitement du langage naturel (NLP) n’est pas à négliger

Lorsqu’il a été demandé aux participants de classer trois technologies en fonction de leur impact, le machine learning s’est une fois de plus imposé en tête avec 58 %, soit une hausse de 6 % depuis 2021. L’automatisation des processus robotisés affiche une baisse correspondante, à 28 %, tandis que le traitement du langage naturel (NLP) clôt le podium avec 14 %.

Si la capacité du machine learning à identifier des schémas dans de vastes quantités de données a un impact certain, le faible pourcentage de personnes ayant choisi le NLP pourrait-il indiquer que les équipes de conformité ne parviennent pas à détecter les signes avant-coureurs en raison de fonctionnalités sous-développées ?

Poser les bons fondements pour bénéficier d’un avantage concurrentiel

« La clé pour exploiter tout le potentiel de l’IA et du machine learning réside dans l’intégration des sources de données, des équipes et des technologies. Et la première étape vers cette intégration consiste à établir un écosystème qui combine les données de toutes les sources », explique Stu Bradley, Senior Vice President of Risk, Fraud and Compliance Solutions chez SAS. « Dans cette enquête ACAMS, 86 % des répondants déclarent avoir mis en place une certaine forme d’intégration entre les processus d’AML, de lutte contre la fraude et de sécurité de l’information. Près du tiers dispose d’une solution de gestion des cas entièrement intégrée à ces fonctions. Un autre tiers collabore au sein d’équipes transverses pour déployer des contrôles visant à prévenir l’exposition aux délits financiers ».

« Certaines organisations sont peut-être en attente de directives réglementaires. Mais les entreprises qui continuent d’intégrer leurs données et leurs opérations, tout en gardant à l’esprit les questions de gouvernance, posent les bases d’une innovation responsable dans les technologies d’IA et de ML, et bénéficieront d’un avantage concurrentiel sur celles qui hésitent », ajoute-t-il.