Chaque année, les criminels gaspillent entre 800 et 2 000 milliards de dollars dans le système bancaire mondial. Cela représente environ 2 à 5 pour cent du PIB mondial. Pour les institutions financières, arrêter ce flux est un impératif juridique, mais c’est aussi un cauchemar logistique. Les méthodes traditionnelles échouent, noyant les enquêteurs sous de fausses alertes tandis que des criminels sophistiqués passent entre les mailles du filet.1
Une nouvelle étude convaincante réalisée par des chercheurs Chuanhao Nie (Georgia Tech), Yunbo Liu (Université Duke) et Chao Wang (Université Rice) explore comment l’intelligence artificielle transforme ce paysage. Leur papier, « Application de l’IA dans la lutte contre le blanchiment d’argent pour des systèmes financiers durables et transparents, » soutient que l’avenir de l’argent propre réside dans le passage de règles rigides à des réseaux dynamiques et intelligents.
Le problème avec « Si/Alors »
Depuis des décennies, les banques s’appuient sur une surveillance fondée sur des règles. Ces systèmes fonctionnent selon une logique simple : « Si un client dépose plus de 10 000 $ en espèces, signalez-le. »
Le problème, comme le soulignent Nie, Liu et Wang, est que les criminels connaissent les règles. Ils « structurent » les dépôts juste en dessous des seuils ou répartissent les fonds sur des dizaines de comptes.2 Pendant ce temps, les clients légitimes sont constamment signalés pour des comportements innocents, créant un flot de « faux positifs » qui font perdre des millions d’heures de fonctionnement.3 Les chercheurs soulignent que les bases de données traditionnelles ne peuvent pas facilement « voir » le réseau de connexions entre un criminel, une société écran et un compte offshore.
L’innovation fondamentale présentée dans cette étude est le passage de l’analyse listes analyser réseaux. Les auteurs proposent un système qui combine IA générative avec Graphiques de connaissancesune technique connue sous le nom Graphique RAG (génération augmentée par récupération).
Pour comprendre pourquoi c’est important, imaginez le tableau en liège d’un détective.
-
IA standard (Vecteur RAG) : Fonctionne comme un moteur de recherche. Il recherche des mots-clés dans les documents. Il est bon pour trouver des faits mais mauvais pour relier les points.
-
Graphique RAG (L’approche des auteurs) : Fonctionne comme le détective. Il mappe les entités (personnes, comptes, adresses) en « nœuds » et leurs interactions en « bords ». Il comprend que la personne A a envoyé de l’argent à la société B, qui partage une adresse avec la personne sanctionnée C.
Dans la dernière section de leur article, Nie, Liu et Wang détaillent une expérience de pointe conçue pour moderniser les protocoles « Know Your Customer » (KYC).
Ils ont construit un environnement bancaire synthétique contenant 10 000 clients et près d’un demi-million de transactions. Ils ont ensuite opposé un modèle d’IA standard à leur Agent RAG graphique. Le défi ? Pour répondre à des questions d’enquête complexes, telles que l’identification de clients indirectement liés à des entités sanctionnées via des adresses partagées ou des comptes tiers.
Les résultats ont été frappants.
-
L’IA standard a eu du mal avec un raisonnement complexe, a souvent eu des réponses hallucinantes ou n’a pas réussi à récupérer le contexte pertinent (avec un score proche de zéro sur des tâches de raisonnement complexes de « niveau 5 »).
-
L’agent graphique RAG excellé. Il a atteint une « fidélité » et une « pertinence des réponses » élevées, en traçant avec succès les relations multi-sauts pour fournir des évaluations des risques précises et fondées sur des preuves.
Cette recherche ne vise pas seulement à attraper les méchants ; c’est une question de durabilité. Les auteurs soutiennent que les systèmes de conformité actuels sont un gaspillage opérationnel. En intégrant une IA qui génère moins de fausses alarmes et des explications plus claires, les banques peuvent créer des systèmes financiers plus transparents et optimisés en ressources.
Toutefois, les auteurs préviennent que des défis subsistent. Les lois sur la confidentialité (comme le RGPD) rendent difficile le partage de données entre banques, et les modèles d’IA doivent être « explicables » : un régulateur doit savoir pourquoi l’IA a signalé une transaction, pas seulement ce qu’elle a fait.4
En prouvant que l’IA basée sur les graphiques peut raisonner comme un enquêteur plutôt que de simplement calculer comme une feuille de calcul, Nie, Liu et Wang ont tracé la voie vers un système financier plus difficile à exploiter et plus facile à faire confiance.
