Comment l'apprentissage automatique réduit les faux positifs dans le filtrage LBC/FT : Une solution pour les fintechs

Introduction : La crise de la fatigue des alertes qui épuise vos équipes de conformité

Les analystes de conformité des fintechs en forte croissance consacrent une part disproportionnée de leur journée à traiter des alertes qui s'avèrent finalement légitimes. Les analyses de l'ensemble des communautés de conseil, académiques et prudentielles citent régulièrement des taux de faux positifs de 90 à 95 pour cent dans les programmes traditionnels de surveillance des transactions.[1][2] Chaque matin, les tableaux de bord se remplissent d'alertes de faible qualité, transformant le filtrage en un tri répétitif tandis que les risques réels de blanchiment se cachent dans le bruit.

L'architecture réglementaire européenne accentue le problème. La nouvelle Autorité de lutte contre le blanchiment de capitaux (AMLA) unifiera les attentes prudentielles, le règlement MiCA étend les obligations de surveillance aux prestataires de services sur crypto-actifs, et le RGPD impose une discipline stricte dans le traitement des données, même lors des enquêtes.[10][11][12] Les fintechs qui ignorent les faux positifs s'exposent donc non seulement à une charge opérationnelle, mais également au risque de ne pas respecter leurs obligations dans un contexte multi-réglementaire.

Les régulateurs et auditeurs ont pris conscience de cette tension. L'enquête Deloitte 2020 sur la préparation LBC/FT a identifié les faux positifs comme le principal obstacle opérationnel pour les établissements réglementés qui accélèrent l'accueil numérique de leurs clients.[3] Des études de cas européennes récentes confirment l'ampleur du phénomène : les grandes banques de détail et universelles documentent des dizaines de milliers d'alertes mensuelles avec des taux de faux positifs largement supérieurs à quatre-vingt-dix pour cent, laissant des équipes de conformité réduites à tamiser le bruit.[4][5]

Les autorités de surveillance ont intensifié leurs mesures d'application lorsque les établissements ne parviennent pas à prioriser les risques significatifs. Les sanctions de la FCA contre Starling Bank et celles de la BaFin contre N26 citent explicitement les retards d'alerte et les faiblesses dans les remontées, soulignant que les régulateurs considèrent les faux positifs non gérés comme une défaillance systémique plutôt qu'un simple désagrément.[14][15] Pour les fondateurs de fintechs opérant avec des budgets serrés, la combinaison de gaspillage opérationnel et d'exposition réglementaire peut retarder les lancements ou compromettre les levées de fonds.

L'apprentissage automatique offre une réponse pragmatique. Les implémentations documentées démontrent des réductions mesurables de 31 à 33 pour cent des faux positifs dès les premiers cycles de déploiement, tandis que les revues sectorielles plus larges décrivent des améliorations de 30 à 60 pour cent lorsque l'analyse comportementale, la détection d'anomalies et les boucles de rétroaction des analystes sont exécutées avec une gouvernance appropriée.[4][5][7] Cet article détaille pourquoi les systèmes basés sur des règles créent de la fatigue d'alerte, comment l'apprentissage automatique transforme l'équation, à quoi ressemble le cas d'affaires, et comment Veridaq aligne cette technologie avec les attentes réglementaires européennes en constante évolution.

Pourquoi les systèmes LBC/FT traditionnels génèrent un excès de faux positifs

Le filtrage LBC/FT traditionnel basé sur des règles applique des seuils statiques et des heuristiques qui ne peuvent suivre le rythme des bases clients dynamiques des fintechs.[6] Des règles telles que « signaler tout virement supérieur à 5 000 EUR » ou « déclencher une alerte après dix transactions par jour » ignorent les signaux contextuels, de sorte qu'une activité parfaitement légitime est remontée simplement parce qu'elle franchit un seuil rudimentaire.

Pourquoi les règles échouent à grande échelle :[6][7]

• Logique statique dans un environnement dynamique. Les seuils codés en dur pour un produit ou une zone géographique s'écartent de la réalité à mesure que la composition de la clientèle évolue.
• Absence de contexte. Les règles traitent un paiement de 10 000 EUR de la même manière, indépendamment de l'historique client, du dispositif ou de la relation avec la contrepartie.
• Inadéquation des segments. Les travailleurs indépendants, les travailleurs occasionnels, les petites entreprises et les consommateurs particuliers se comportent différemment, mais les bibliothèques de règles appliquent souvent une logique uniforme.
• Frein de la maintenance manuelle. Les équipes de conformité consacrent des dizaines d'heures par mois à réajuster les règles, créant simplement de nouveaux angles morts ailleurs.

Conséquences opérationnelles :[3][6][7]

• Les files d'alertes explosent. Les analystes traitent des centaines d'alertes à faible risque avant d'atteindre un cas réellement suspect, gonflant les arriérés.
• La qualité des enquêtes en souffre. La fatigue des alertes érode la concentration, augmentant la probabilité de négliger des typologies critiques.
• Des lacunes documentaires apparaissent. Les équipes sous pression ont du mal à produire des justifications prêtes pour l'audit lors du rejet d'alertes.
• Les régulateurs intensifient leur contrôle. Les autorités européennes attendent désormais la preuve que les établissements peuvent prioriser les alertes significatives et éviter de manquer les délais de déclaration d'opération suspecte (DOS).[14][15]

Ce que cela donne en pratique. Une startup de paiement en phase d'amorçage qui s'étend en Allemagne peut hériter d'un ensemble de règles fournisseur qui signale tout paiement supérieur à 2 000 EUR. Lorsque des travailleurs indépendants facturent des clients d'entreprise, des transactions légitimes déclenchent des alertes que les analystes doivent traiter manuellement, souvent avec peu de contexte au-delà du montant de la transaction. Les analystes basculent entre le système bancaire de base, l'accueil et les écrans de sanctions pour rassembler des preuves, passant 20 à 30 minutes par alerte simplement pour confirmer un flux de trésorerie de routine. Les travaux de terrain Deloitte 2024 confirment que les équipes confrontées à de tels arriérés repriorisent les enquêtes selon le principe « premier arrivé, premier traité », retardant les remontées de risques réels et érodant la rapidité des DOS.[7] Lorsque ce schéma persiste, les régulateurs traitent l'arriéré comme un indicateur de défaillance systémique des contrôles.[14][15]

Coût humain du réglage manuel. Les ingénieurs de conformité chargés de mettre à jour les bibliothèques de règles disposent rarement du luxe d'étiquettes historiques propres. Le GAFI note que les organisations ajoutent souvent de nouveaux seuils après chaque examen réglementaire, créant une logique contradictoire d'une juridiction à l'autre.[6] Le foisonnement de règles qui en résulte est fragile : les nouvelles règles produisent des interactions imprévues, les anciennes règles subsistent par crainte de manquer des cas limites, et les analystes reçoivent des messages contradictoires sur ce qui constitue un risque. Au fil du temps, le cycle de « correction rapide » génère plus d'alertes qu'il n'en résout, entraînant l'attrition du personnel expérimenté et laissant les analystes juniors assumer des charges d'enquête sans connaissances institutionnelles robustes.[3][7]

Le résultat net est prévisible : les systèmes basés sur des règles sur-rapportent les comportements bénins, sous-rapportent les blanchiments subtils, et poussent le personnel de conformité vers l'épuisement précisément lorsque les attentes prudentielles augmentent.

Comment l'apprentissage automatique transforme les taux de faux positifs LBC/FT

L'apprentissage automatique s'attaque à la fatigue des alertes en construisant des modèles de risque adaptatifs qui apprennent du comportement client réel au lieu de s'appuyer sur des heuristiques statiques.[6] Plutôt que de traiter chaque écart comme suspect, les moteurs d'apprentissage automatique comparent chaque transaction à des références comportementales riches et à un contexte multi-signal, permettant ainsi une variation légitime tout en signalant une activité véritablement anormale.

Capacités fondamentales de l'apprentissage automatique qui réduisent les faux positifs :[6][7][8][9]

• Profilage comportemental. Les références sont construites par client ou par segment de clientèle, de sorte que les travailleurs indépendants, les PME, les salariés et les utilisateurs de cryptomonnaies sont évalués par rapport à des pairs présentant des profils similaires.
• Détection d'anomalies. Les techniques non supervisées signalent les écarts par rapport à ces références, capturant des typologies inédites sans s'appuyer sur des règles prédéfinies.
• Notation contextuelle des risques. Les modèles intègrent des données temporelles, géographiques, de dispositifs, de contreparties et de vélocité, produisant des scores de risque composites ancrés dans le récit transactionnel complet.
• Apprentissage avec intervention humaine. Les dispositions des analystes alimentent en retour les modèles, améliorant la précision au fil du temps tout en satisfaisant les normes de gouvernance en matière de surveillance et de documentation.
• Explicabilité par conception. Les codes de raison au niveau des fonctionnalités et les journaux de traçabilité permettent aux équipes de démontrer comment chaque décision a été prise, s'alignant sur les attentes européennes de transparence de l'IA dans les services financiers.

À quoi ressemble le succès en pratique :[4][5][7]

• Une banque universelle européenne a documenté une réduction de 31 pour cent des faux positifs après le déploiement d'un triage basé sur l'apprentissage automatique, libérant ainsi les enquêteurs pour se concentrer sur les alertes à haut risque.[4]
• Une grande banque de détail a obtenu une réduction de 33 pour cent et raccourci les cycles d'enquête une fois l'apprentissage automatique associé à des boucles de rétroaction des analystes.[5]
• L'analyse comparative Deloitte 2024 montre que les établissements utilisant l'analyse comportementale rapportent une priorisation plus précise et des voies de remontée plus rapides que leurs pairs s'appuyant uniquement sur des seuils.[7]

Ces améliorations n'éliminent pas l'expertise humaine ; elles l'amplifient. Les analystes consacrent du temps aux alertes qui comptent, les équipes de gouvernance obtiennent de meilleures preuves pour les régulateurs, et les équipes d'ingénierie évitent de réécrire sans fin des bibliothèques de règles fragiles.

Prérequis de mise en œuvre :[6][8][9]

• Données étiquetées de haute qualité. Les exécutions parallèles avec révision humaine fournissent les boucles de rétroaction dont les modèles ont besoin pour distinguer le risque réel du comportement bénin.
• Gouvernance des risques liés aux modèles. Les établissements doivent maintenir des inventaires, des cadences de validation et des modèles challenger pour satisfaire les attentes de l'ABE et de la BRI concernant les systèmes d'IA dans les processus critiques.
• Contrôles de confidentialité et d'accès. Les principes de l'article 25 du RGPD exigent de minimiser les données utilisées pour la modélisation et d'appliquer un accès granulaire, même lors de l'exploitation dans des centres de données européens.[10]
• Collaboration interfonctionnelle. Les équipes produit, ingénierie et conformité ont besoin de taxonomies partagées pour les catégories d'alertes et les motifs de disposition afin que les retours soient interprétables par le modèle.
• Surveillance continue des performances. Établir des tableaux de bord pour la détection de la dérive, les anomalies de qualité des données et les résultats de backtesting afin de détecter les problèmes avant que les superviseurs ne le fassent.

Le GAFI souligne que les nouvelles technologies n'apportent de la valeur que lorsqu'elles sont équilibrées par une gouvernance saine.[6] Les artefacts d'explicabilité tels que les graphiques de contribution des fonctionnalités et les codes de raison permettent aux responsables de la conformité d'interroger pourquoi un modèle a signalé une transaction, tandis que les modèles challenger et la validation périodique protègent contre la dérive. Les orientations de la BRI et de l'ABE recommandent des tests formels dans des scénarios de stress (par exemple, des pics soudains de paiements transfrontaliers) pour garantir que les modèles maintiennent leurs performances lors des lancements de produits ou de chocs de marché.[8][9]

Parallèlement, le RGPD exige que les entreprises conservent des pistes d'audit indiquant qui a accédé à quelles données clients et pourquoi.[10] Veridaq fournit des rapports de traçabilité qui montrent les entrées, transformations et sorties du modèle — preuves essentielles pour démontrer que les données personnelles ont été traitées de manière licite et proportionnée lors des enquêtes.

La préparation des données est souvent le plus grand obstacle pratique. Les modèles de données des fintechs peuvent couvrir le système bancaire de base, les passerelles de paiement, les processeurs de cartes et les registres de cryptomonnaies, chacun avec des identifiants légèrement différents. La recherche Deloitte 2024 souligne que les programmes d'apprentissage automatique réussis investissent dans la gestion des données de référence afin que les transactions puissent être réconciliées entre les systèmes, tandis que le GAFI met en garde que la mauvaise hygiène des données mine tout avantage technologique.[6][7] Veridaq livre des accélérateurs d'intégration et des modèles de schéma afin que les équipes puissent aligner des sources de données disparates sans des mois d'efforts d'ingénierie.

Impact réel : Données de retour sur investissement pour les équipes de conformité fintech

Le cas d'affaires pour une surveillance LBC/FT pilotée par l'apprentissage automatique repose sur trois piliers : gains d'efficacité, résilience réglementaire et expérience client. Chacun bénéficie d'un soutien empirique provenant d'études de cas, d'actions prudentielles et d'analyses comparatives sectorielles.

1. Gains d'efficacité grâce aux enquêtes ciblées

• Preuves. Les déploiements européens documentés rapportent des réductions de 31 à 33 pour cent des faux positifs, se traduisant par beaucoup moins d'alertes entrant dans les files d'attente manuelles.[4][5] L'analyse Deloitte 2024 note que les établissements intégrant l'analyse comportementale réaffectent les heures des analystes du tri vers un travail d'enquête à plus forte valeur.[7]
• Implication. Les équipes de conformité fintech réduites peuvent absorber la croissance des transactions sans augmenter linéairement les effectifs. Le temps récupéré du traitement des alertes bénignes est réinvesti dans la diligence renforcée, le développement de typologies et la coordination avec les équipes produit.
• En pratique. Une fintech en Série A traitant des dizaines de milliers de transactions mensuelles peut redéployer les analystes du traitement d'alertes répétitives de faible valeur vers la construction d'une logique de résolution d'entités, la collaboration avec les homologues de la fraude et l'automatisation des récits de DOS. Ces tâches d'ordre supérieur étaient auparavant évincées par la gestion manuelle des files d'attente.

2. Résilience réglementaire et préparation aux audits

• Preuves. L'avis final de la FCA pour Starling Bank en 2024 et la sanction de la BaFin 2024 contre N26 citent chacune des faiblesses dans la gouvernance des alertes et la rapidité des DOS.[14][15] Les orientations du GAFI encouragent explicitement les entités réglementées à adopter de nouvelles technologies avec des garanties appropriées pour améliorer la qualité de la détection.[6]
• Implication. Démontrer une priorisation des alertes basée sur les risques, une gouvernance documentée des modèles et des dépôts de DOS en temps opportun positionne favorablement les fintechs lors des examens prudentiels. Les systèmes d'apprentissage automatique qui fournissent des décisions traçables aident à satisfaire les attentes de transparence désormais intégrées dans les dialogues de supervision européens.[8][9]
• En pratique. Lors des examens thématiques, les superviseurs demandent de plus en plus de preuves sur la manière dont les alertes sont triées et comment les modèles sont supervisés. Les entreprises capables de produire des inventaires de modèles, des résultats de validation et des notes d'enquêteurs liées à chaque alerte rationalisent ces engagements et évitent des directives de remédiation qui peuvent retarder l'expansion du marché.

3. Expérience client et protection des revenus

• Preuves. L'enquête Deloitte 2024 établit un lien entre l'accueil plus rapide et moins de blocages inutiles avec les programmes qui numérisent l'évaluation des risques et intègrent l'analyse comportementale.[7]
• Implication. En réduisant les fausses alertes sur les clients légitimes, les fintechs minimisent les frictions d'accueil et réduisent l'abandon. Un délai d'activation plus rapide soutient les objectifs de croissance tout en maintenant la conformité alignée sur les obligations RGPD et DSP2.
• En pratique. Lorsque les clients à faible risque sont dégagés automatiquement, les équipes produit peuvent activer l'émission instantanée de comptes ou la fourniture de cartes. Le support client voit moins de remontées liées à « l'examen de conformité en attente », et le marketing peut promouvoir en toute confiance une activation rapide sans risquer d'exceptions réglementaires.

Pris ensemble, ces piliers fournissent un récit pragmatique de retour sur investissement : moins d'enquêtes gaspillées, une position réglementaire plus solide et un parcours client plus fluide.

Indicateurs à surveiller tout au long du parcours :[7]

• Précision et rappel des alertes. Suivre combien d'alertes se convertissent en DOS ou enquêtes de diligence renforcée pour prouver les améliorations de qualité.
• Heures d'analyste par alerte. Quantifier le temps économisé pour la planification de la main-d'œuvre et pour étayer les demandes budgétaires d'outillage.
• Vieillissement et scores de qualité des DOS. Démontrer aux régulateurs que les remontées s'accélèrent et que la qualité narrative s'améliore à mesure que les analystes se concentrent sur des cas substantiels.
• Temps d'activation des clients. Corréler la vitesse d'accueil avec les réductions de faux positifs pour montrer l'impact sur les revenus aux côtés des bénéfices de conformité.

Encadrer ces indicateurs dans un cas d'affaires aide à obtenir l'alignement des parties prenantes. Les équipes financières apprécient les modèles qui traduisent les réductions d'alertes en évitement de coûts, tandis que les conseils d'administration et les investisseurs réagissent aux récits qui lient la force de la conformité à l'accès au marché. Intégrer les exemples d'application de la FCA et de la BaFin dans les dossiers de conseil illustre les inconvénients de l'inaction, rendant les avantages de l'investissement dans l'apprentissage automatique plus tangibles.[14][15]

Veridaq : Apprentissage automatique LBC/FT conçu pour les fintechs européennes

Veridaq a été conçu pour les trajectoires de croissance des fintechs européennes, associant l'apprentissage automatique à des choix de conception réglementaire qui anticipent le régime de l'Autorité européenne de lutte contre le blanchiment de capitaux (AMLA) et les réglementations adjacentes.

• Prêt pour la supervision AMLA. Avec le début de la supervision directe de l'AMLA le 1er janvier 2028, Veridaq maintient des artefacts de gouvernance des modèles, des journaux de modifications et des pipelines de DOS structurés pour s'adapter au schéma prudentiel de l'autorité.[11] Les modèles cartographient les alertes aux taxonomies de rapport AMLA afin que les équipes de conformité puissent satisfaire à la fois les exigences nationales des CRF et la coordination au niveau européen.
• Alignement MiCA et paiements. Le support natif des modèles de données de crypto-actifs et des typologies de paiements reflète l'application progressive du règlement sur les marchés de crypto-actifs et des normes techniques connexes.[12][13] Veridaq capture la provenance des portefeuilles, les hachages de transactions et les attributs de travel rule aux côtés des métadonnées de paiement traditionnelles, permettant une surveillance unifiée à travers les rails fiduciaires et d'actifs numériques.
• RGPD et résidence des données. Tout le traitement s'effectue dans des centres de données de l'UE (Francfort et Amsterdam), et les contrôles de plateforme suivent les attentes de protection de la vie privée dès la conception énoncées dans les lignes directrices 4/2019 du CEPD sur l'article 25.[10]
• Explicabilité et supervision. Les attributions de fonctionnalités, les modèles challenger et les flux de travail de validation périodiques suivent les orientations de l'Autorité bancaire européenne sur la gouvernance de l'apprentissage automatique et les recommandations de l'Institut pour la stabilité financière de la BRI pour la gestion des risques liés à l'IA.[8][9]
• Flexibilité commerciale. La tarification par transaction et l'intégration orientée API permettent aux équipes en phase d'amorçage de lancer rapidement la surveillance, tandis que la même architecture évolue vers des volumes de Série B sans migrations de plateforme.

Chaque choix de conception découle de la réalité selon laquelle les fintechs européennes font inévitablement face à une supervision multi-juridictionnelle. L'AMLA coordonnera les superviseurs nationaux, le MiCA introduit de nouveaux rapports pour les crypto-actifs, et le RGPD applique des obligations strictes de traitement des données. L'architecture de Veridaq raccourcit la distance entre l'attente réglementaire et l'exécution opérationnelle : la documentation est exportable pour les collèges de superviseurs, la résidence des données est démontrable par des attestations d'infrastructure, et la tarification évolue avec le volume de transactions plutôt que de forcer les entreprises en phase de démarrage à prendre des engagements d'entreprise.

Le résultat est une plateforme qui s'attaque aux faux positifs tout en intégrant la documentation, la transparence et la localisation que les superviseurs européens attendent désormais.

FAQ : Apprentissage automatique LBC/FT pour les fondateurs de fintechs

Avons-nous besoin d'un système LBC/FT piloté par l'apprentissage automatique en phase d'amorçage, ou peut-on attendre la Série A ? Les régulateurs attendent des fintechs réglementées qu'elles surveillent les transactions dès le premier jour, quel que soit l'effectif.[6][14][15] Déployer l'apprentissage automatique tôt maintient les volumes d'alertes gérables pour les petites équipes et démontre une gestion proactive des risques lors des examens d'investisseurs et de superviseurs. Les fondateurs qui peuvent prouver la gouvernance des modèles et les indicateurs d'alertes lors des conversations de diligence fournissent aux investisseurs la confiance que le risque de conformité est sous contrôle, ce qui à son tour accélère les approbations de produits avec les banques partenaires et les systèmes de paiement.[3][7]

Combien de temps avant de constater une réduction significative des faux positifs ? Les études de cas européennes ont enregistré des réductions de 31 à 33 pour cent au cours des phases de déploiement initiales une fois que les modèles comportementaux et les boucles de rétroaction des analystes étaient opérationnels.[4][5] Les premiers gains apparaissent généralement après une exécution parallèle qui permet aux équipes de calibrer les seuils avant la bascule complète. Le GAFI recommande de combiner les exécutions pilotes avec une validation structurée pour garantir que les gains persistent à travers les segments de clientèle, de sorte que les équipes devraient allouer du temps pour des examens interfonctionnels avant d'arrêter les règles héritées.[6]

Qu'advient-il des analystes de conformité lorsque les volumes d'alertes diminuent ? L'analyse comparative Deloitte 2024 montre que les équipes réaffectent le personnel aux enquêtes, à la conception de typologies et à la liaison réglementaire à mesure que l'analyse comportementale réduit le travail de tri répétitif.[7] L'apprentissage automatique élève le travail des analystes plutôt que de le remplacer. Les analystes deviennent des experts de domaine qui expliquent les typologies aux chefs de produit, contribuent aux réunions de validation des modèles et collaborent avec les équipes de fraude sur des stratégies de détection conjointes — des activités qui étaient auparavant évincées par le tri constant d'alertes.

Comment les modèles gardent-ils une longueur d'avance sur les nouvelles techniques de blanchiment ? Les orientations du GAFI recommandent d'associer des modèles supervisés (pour les typologies connues) à une détection d'anomalies non supervisée pour faire apparaître les schémas émergents, appuyée par une validation humaine et une gouvernance.[6] Veridaq suit cette approche, combinant l'apprentissage continu avec une supervision alignée sur les attentes de l'ABE.[9]

L'apprentissage automatique est-il plus coûteux que les ensembles de règles traditionnels ? Bien que les plateformes d'apprentissage automatique puissent avoir des frais logiciels plus élevés, la recherche Deloitte 2024 indique que les économies provenant de la réduction des enquêtes manuelles dépassent généralement les coûts de licence au cours de la première année d'exploitation.[7] Le coût total de possession s'améliore à mesure que les files d'alertes se réduisent. Les organisations qui suivent des indicateurs tels que les alertes par millier de transactions, les heures d'analyste par alerte et le vieillissement des DOS verront l'impact financier dans leurs tableaux de bord, fournissant des preuves concrètes pour les discussions budgétaires.

Quelle base de données nous faut-il avant d'activer l'apprentissage automatique ? Les programmes réussis réconcilient les données entre le système bancaire de base, les passerelles de paiement, les processeurs de cartes et les registres de cryptomonnaies afin que les modèles voient l'histoire complète du client.[6][7] L'ABE encourage les entreprises à documenter la traçabilité et les contrôles de qualité des données dans le cadre de la gouvernance des modèles, garantissant que les valeurs manquantes ou les identifiants incohérents n'érodent pas les performances.[9] Les modèles de schéma de Veridaq accélèrent cet alignement, mais les équipes devraient toujours effectuer un profilage et un nettoyage des données avant le déploiement en production.

Comment Veridaq assure-t-il l'explicabilité et la conformité au RGPD ? La plateforme maintient des codes de raison au niveau des fonctionnalités, une documentation de modèle prête pour l'audit et des contrôles de protection de la vie privée dès la conception conformes aux orientations de la BRI, de l'ABE et du CEPD.[8][9][10] Ces artefacts soutiennent simultanément les examens prudentiels et les obligations de protection des données. Lors des audits, les équipes de conformité peuvent exporter des pistes de décision montrant qui a examiné chaque alerte, quelles preuves ont été considérées et comment la recommandation du modèle se comparait au jugement humain — une exigence critique dans les régimes AMLA et RGPD.

[1]: McKinsey & Company (2017). The neglected art of risk detection. https://www.mckinsey.de/~/media/McKinsey/Business Functions/Risk/Our Insights/The neglected art of risk detection/The-neglected-art-of-risk-detection.pdf

[2]: Öztas, B. (2024). False positives in anti-money-laundering systems: A survey. Future Generation Computer Systems. https://www.sciencedirect.com/science/article/pii/S0167739X24002607

[3]: Deloitte (2020). AML Preparedness Survey. https://www.deloitte.com/in/en/services/consulting-financial/research/aml-preparedness-survey-report.html

[4]: NICE Actimize (2024). Large full-service bank reduces AML false positives by 31%. https://www.niceactimize.com/Lists/CustomerSuccesses/Attachments/52/aml_case_study_bank_reduces_false_positives_31_percent.pdf

[5]: NICE Actimize (2023). Large retail bank reduces AML false positives by 33%. https://www.niceactimize.com/Lists/CustomerSuccesses/Attachments/53/aml_case_study_bank_reduces_false_positives_33_percent.pdf

[6]: Financial Action Task Force (2021). Opportunities and Challenges of New Technologies for AML/CFT. https://www.fatf-gafi.org/content/dam/fatf-gafi/guidance/Opportunities-Challenges-of-New-Technologies-for-AML-CFT.pdf

[7]: Deloitte (2024). AML Transaction Monitoring: Challenges and opportunities. https://www.deloitte.com/ch/en/Industries/financial-services/blogs/aml-transaction-monitoring.html

[8]: BIS Financial Stability Institute (2024). Regulating AI in the financial sector: recent developments and main challenges (FSI Insights No.63). https://www.bis.org/fsi/publ/insights63.pdf

[9]: European Banking Authority (2023). Follow-up report on machine learning for IRB models. https://www.eba.europa.eu/sites/default/files/document_library/Publications/Reports/2023/1061483/Follow-up report on machine learning for IRB models.pdf

[10]: European Data Protection Board (2020). Guidelines 4/2019 on Article 25 Data Protection by Design and by Default. https://www.edpb.europa.eu/our-work-tools/our-documents/guidelines/guidelines-42019-article-25-data-protection-design-and_en

[11]: European Union Anti-Money Laundering Authority (2024). About AMLA. https://www.amla.europa.eu/about-amla_en

[12]: European Securities and Markets Authority (2025). Markets in Crypto-Assets Regulation overview. https://www.esma.europa.eu/esmas-activities/digital-finance-and-innovation/markets-crypto-assets-regulation-mica

[13]: European Securities and Markets Authority (2025). MiCA Level 2 and 3 measures timeline. https://www.esma.europa.eu/sites/default/files/2025-07/ESMA75-113276571-1510_MiCA_Level_2_and_3_table.pdf

[14]: Financial Conduct Authority (2024). Final Notice: Starling Bank Limited. https://www.fca.org.uk/publication/final-notices/starling-bank-limited-2024.pdf

[15]: N26 (2024). Statement on BaFin fine related to SAR reporting. https://n26.com/en-eu/press/press-release/statement-on-the-fine-issued-to-n26-bank-ag-by-the-federal-financial-supervisory-authority