L’identification des fausses alertes grâce à l’IA : un changement de taille pour les analystes AML

Une approche AML fondée sur les risques et l’automatisation des systèmes de lutte contre le blanchiment d’argent (AML)

Les analystes AML doivent accomplir de nombreuses tâches au quotidien, leur principale responsabilité étant de contrôler et de détecter les transactions suspectes afin d’empêcher le blanchiment d’argent. Ils passent la plupart de leur temps à enquêter sur les cas repérés par un système de surveillance des transactions. Néanmoins, s’ils parvenaient à identifier les faux positifs plus tôt, ces analystes pourraient s’atteler à des tâches plus importantes. On parle de faux positif quand un système se trompe en considérant une transaction anodine comme suspecte et en la signalant pour qu’elle soit vérifiée. L’infrastructure financière moderne est devenue toujours plus complexe, comptant de nouveaux produits, processus et technologies qui doivent tous être pris en compte. Et si les systèmes financiers deviennent de plus en plus complexes, les dispositifs censés lutter contre la criminalité financière doivent également leur emboîter le pas. Dans cet article, nous examinerons les avantages d’une approche AML fondée sur les risques et découvrirons comment l’automatisation des systèmes de lutte contre le blanchiment d’argent peut s’avérer efficace. Cette approche de l’AML fondée sur les risques et combinée à l’automatisation des logiciels AML peut réellement changer la donne pour les institutions financières et leurs experts AML.

L’alternative à l’approche fondée sur les risques

L’alternative à une approche moderne, fondée sur les risques, en matière d’AML reste la méthode traditionnelle qui est encore utilisée par de nombreuses institutions financières pour détecter le blanchiment d’argent. Il s’agit en fait d’un système fondé sur des règles, largement manuel et qui nécessite une attention accrue de la part des analystes. Au début du processus, on trouve un répertoire qui contient certaines informations relatives aux clients, à leurs transactions et à leurs autres activités. Des conditions prédéfinies, par exemple des transactions excédant un certain montant, des transactions liées à un pays en particulier, des montants successifs envoyés à un homologue ou reçus de sa part ainsi que d’autres anomalies de ce type génèrent normalement une alerte. Ainsi, de nombreuses règles sont appliquées au cours de ce processus. Une fois que les transactions sont filtrées, elles sont examinées manuellement. C’est alors à l’analyste AML que revient la décision finale. Outre le fait que ces transactions soient traitées manuellement, les criminels sont aussi en mesure d’identifier les règles qui régissent le processus, donc de découvrir comment contourner le système. Afin de réduire la marge de manœuvre de ces criminels, les institutions financières doivent se départir de l’approche manuelle, fondée sur des règles, et recourir à une approche fondée sur les risques en matière de lutte contre le blanchiment d’argent, approche renforcée par l’automatisation de l’AML, qui s’est avérée efficace dans la lutte contre la criminalité financière. Les pays, les autorités concernées et les banques peuvent se servir d’une approche fondée sur les risques pour mieux évaluer et appréhender leur exposition au blanchiment d’argent et au financement du terrorisme. Ainsi, ils pourront prendre des mesures appropriées au niveau de risque détecté.

L’automatisation de la lutte contre le blanchiment d’argent

Comment déterminer quelles alertes doivent réellement être examinées et ainsi réduire le temps que les analystes consacrent aux fausses alertes ? La réponse est simple : utiliser une approche AML fondée sur les risques, rendue possible par le machine learning, afin de réaliser une évaluation des risques pour chaque cas.

Un système AML qui se fonde sur les risques attribue un score de risque à chaque cas et établit ensuite un classement qui peut être utilisé pour catégoriser les alertes par degré de priorité. Cela permet donc de limiter le nombre de cas non pertinents, à savoir ceux dont le score se situe sous un plafond prédéfini. Ces cas ne seront pas analysés, sauf si d’autres activités suspectes venaient à être détectées. Cette approche AML limite le nombre total de fausses alertes et comporte de nombreux avantages, notamment un transfert plus rapide vers les CRF/FIU, une réduction du nombre de tentatives de blanchiment d’argent réussies et une meilleure répartition du personnel. La standardisation des données offre davantage de certitudes, donc facilite et accélère la communication relative aux risques. Enfin, cette approche AML fondée sur les risques permet une meilleure gestion globale de ceux-ci.

L’utilisation d’une approche reposant sur l’IA, qui permet d’automatiser les logiciels AML, permet aux analystes de se concentrer sur d’autres tâches importantes, notamment : le travail sur des exigences spécifiques en collaboration avec les équipes de conformité, la vérification de données pour s’assurer qu’elles soient conformes aux réglementations AML, des rendez-vous avec des régulateurs, examinateurs et auditeurs pour discuter de stratégies en matière de contrôle et de priorisation des risques, l’assistance en cas de changements dans les réglementations et l’analyse des implications en cas de nouveaux produits et services. L’automatisation AML permet d’améliorer les normes AML, de réduire le temps de traitement et d’améliorer la productivité en général.

L’automatisation du logiciel AML, combinée à une approche fondée sur les risques, permet de détecter les cas de blanchiment d’argent plus tôt, donc d’améliorer l’efficacité des analystes AML. En effet, leur charge de travail s’en trouve réduite et ils peuvent ainsi se concentrer sur d’autres tâches et travailler plus efficacement.

Comment nous pouvons vous aider

Le blanchiment d’argent constitue un problème de taille pour les institutions financières et les économies du monde entier. En effet, criminels et terroristes parviennent à tirer profit des infrastructures AML vulnérables de certaines institutions financières. Ce qui pose des défis considérables, notamment la conformité avec les réglementations, le maintien de la sécurité financière, la protection de la réputation de l’institution et la prévention des risques opérationnels tels que les poursuites judiciaires. Nombre de ces défis peuvent être levés grâce à l’automatisation du logiciel AML via une approche fondée sur les risques.

Beaucoup estiment que ces défis sont exacerbés par un manque de contrôle lié à l’automatisation de la lutte contre le blanchiment d’argent au sein des institutions financières. Le blanchiment d’argent est aujourd’hui un problème de taille dans le monde entier. Des mesures ont ainsi été prises par des gouvernements nationaux et des entités internationales, à l’image des Nations unies, du Fonds monétaire international et de la Banque mondiale. En outre, comme expliqué précédemment, l’approche AML fondée sur les risques permet globalement d’améliorer la gestion des risques.

La détection de cas de blanchiment d’argent via une analyse des transactions au sein des banques et des institutions financières n’en est pas encore au stade où des outils d’automatisation AML peuvent être utilisés de manière efficace. Ce qui ouvre une vraie fenêtre à une approche AML fondée sur les risques et à une plus grande automatisation du logiciel AML, conçu spécifiquement pour fonctionner avec l’IA afin d’empêcher et de lutter contre le blanchiment d’argent à travers le monde. Étant donné que les analystes AML ont déjà beaucoup à faire, de nouvelles technologies leur permettraient de passer moins de temps à détecter les cas de blanchiment d’argent à un niveau précoce et, ainsi, de mettre ce temps à profit pour effectuer des tâches axées autour de l’humain, qui sont essentielles pour leur lutte contre la criminalité financière.

En conclusion, cette approche AML fondée sur les risques et l’automatisation des logiciels AML s’avèrent extrêmement avantageuses pour les institutions financières.  La plupart des grands défis quotidiens des analystes disparaissent dès lors que l’on a adopté une approche fondée sur l’IA via l’automatisation de l’AML.  L’émergence de ces nouvelles technologies permet ainsi aux analystes de travailler plus efficacement, en réduisant leur charge de travail et en leur permettant de se concentrer sur des tâches plus essentielles.

Sanah Hamad, Manager en développement commercial, Comarch