IA pour la conformité LCB-FT et le KYC bancaire

Par David Saada · fondateur de DATAISTUDIO · mis à jour le 12 oct. 2026

En bref

L'intelligence artificielle appliquée au KYC et à la LCB-FT consiste à utiliser le machine learning pour scorer le risque client, détecter les transactions atypiques et réduire les faux positifs, sous supervision humaine. DATAISTUDIO conçoit et déploie ces modèles de scoring avec une preuve d'explicabilité, condition désormais attendue par les superviseurs.

Définition et enjeux du scoring IA en LCB-FT

La LCB-FT (lutte contre le blanchiment de capitaux et le financement du terrorisme) impose aux établissements financiers une vigilance constante sur l'entrée en relation (KYC) et le suivi des transactions. L'intelligence artificielle intervient à deux niveaux : le scoring du risque client, qui attribue une note de vigilance à chaque client, et la détection d'anomalies transactionnelles, qui identifie les comportements atypiques dans les flux.

Le sujet n'est plus prospectif. Lors des premières Rencontres Anti-Blanchiment de l'ACPR en juin 2026, les intervenants ont rappelé que <cite index="1-4">"l'IA n'est plus un sujet prospectif : elle est désormais utilisée par plusieurs établissements pour améliorer la pertinence des alertes, détecter des comportements atypiques et accélérer les investigations"</cite>. Les mêmes retours d'expérience indiquent que <cite index="1-5">"certains modèles permettent d'améliorer significativement la qualité des alertes tout en réduisant le nombre de faux positifs"</cite>.

Ce gain de performance repose sur une condition : la qualité et la gouvernance des données. Les experts réunis par l'ACPR ont souligné qu'<cite index="1-7">"il n'existe pas d'intelligence artificielle performante sans données fiables : la qualité, la gouvernance et la centralisation des données deviennent des facteurs essentiels de l'efficacité des dispositifs de conformité"</cite>.

Problèmes métier concrets rencontrés par les équipes conformité

Les équipes RCCI et conformité font face à des irritants récurrents que l'approche par règles fixes ne résout pas.

Volume de faux positifs trop élevé, qui sature les équipes d'investigation et retarde les déclarations de soupçon.
Scoring KYC statique, peu réactif aux changements de comportement du client dans la durée.
Règles métier figées, incapables de détecter des typologies de blanchiment nouvelles ou des montages multicouches.
Absence de traçabilité des décisions de score, difficile à justifier devant l'ACPR en cas de contrôle.
Délais d'onboarding allongés par des vérifications documentaires manuelles.

Cas d'usage de l'IA en KYC et LCB-FT

Les technologies d'apprentissage supervisé et non supervisé permettent notamment de détecter des signaux faibles ou des comportements inhabituels difficiles à repérer avec des règles fixes, comme le confirment les retours d'expérience présentés à l'ACPR.

Cas d'usage	Technique mobilisée	Bénéfice attendu
Scoring de risque client à l'entrée en relation	Scorecard, gradient boosting (xgboost)	Classification du risque homogène et documentée
Surveillance transactionnelle et détection d'anomalies	Apprentissage supervisé et non supervisé	Réduction des faux positifs, détection de signaux faibles
Priorisation et tri des alertes	Modèle de scoring sur les alertes générées	Concentration des équipes sur les cas réellement à risque
Rédaction assistée des dossiers de soupçon	IA générative encadrée	Gain de temps sur la formalisation, sous relecture humaine
Analyse documentaire à l'onboarding	OCR, extraction d'information	Accélération de la vérification des pièces

Approche DATAISTUDIO, étape par étape

DATAISTUDIO intervient en mode conseil et développement, sur des missions de quelques semaines à quelques mois, en s'appuyant sur une équipe resserrée et un réseau de partenaires.

1. Cadrage et cartographie du risque

Analyse des processus KYC existants, des sources de données disponibles et du périmètre réglementaire applicable (CMF, lignes directrices ACPR, AI Act le cas échéant).

2. Construction du modèle de scoring

Développement d'un modèle de scoring sur-mesure (scorecard ou xgboost) à partir des données client et transactionnelles, avec validation statistique du pouvoir prédictif.

3. Explicabilité et documentation

Production des éléments d'explicabilité (SHAP, pondérations de scorecard) permettant de justifier chaque score devant un auditeur interne ou le superviseur.

4. Industrialisation et mise en production

Déploiement du modèle en production via Vertex AI et Cloud Run, avec interface métier en Shiny pour les équipes conformité.

5. Supervision humaine et amélioration continue

Mise en place du circuit de validation humaine des alertes et suivi de la dérive du modèle dans le temps (monitoring de performance).

Architecture et fonctionnement du dispositif

Le dispositif technique repose sur une chaîne de données centralisée, condition posée par les retours d'expérience de l'ACPR pour garantir la fiabilité du scoring. Les données client et transactionnelles sont consolidées sur BigQuery, puis utilisées pour entraîner les modèles de scoring.

L'inférence s'exécute sur Vertex AI et Cloud Run, ce qui permet de scorer les clients ou les transactions en continu plutôt qu'en traitement différé. Une interface Shiny restitue aux équipes conformité le score, ses facteurs explicatifs et l'historique des décisions, dans une logique de traçabilité complète des décisions algorithmiques attendue par le régulateur.

Cette architecture peut s'articuler avec des briques de détection de fraude ou de scoring crédit déjà en place, chaque modèle restant classifié et documenté séparément selon son usage réglementaire.

Bénéfices mesurables pour les équipes conformité

Les bénéfices rapportés par les établissements ayant déployé l'IA en LCB-FT portent principalement sur la qualité des alertes et le temps d'investigation. Les retours d'expérience présentés lors des Rencontres Anti-Blanchiment de l'ACPR montrent une amélioration significative de la pertinence des alertes et une réduction du nombre de faux positifs.

Au-delà de la performance du modèle, le bénéfice organisationnel est la capacité à documenter et justifier chaque décision de score devant un contrôle ACPR, ce qui réduit le risque de sanction liée à une insuffisance de traçabilité.

Gouvernance, sécurité et conformité réglementaire

Le cadre réglementaire applicable au scoring LCB-FT combine plusieurs textes. Au niveau national, le Code monétaire et financier fixe les obligations de vigilance client et de déclaration à Tracfin. Au niveau européen, le paquet AML (règlement AMLR, directive AMLD6, règlement AMLA) renforce l'harmonisation et instaure une supervision directe de certaines entités transfrontalières à partir du 1er janvier 2028.

Le règlement européen sur l'IA (AI Act) s'applique en complément. Pour le scoring LCB-FT strictement dédié à la détection de fraude et au suivi des transactions, la classification diffère de celle du scoring crédit : la détection de fraude financière est exclue de l'annexe III relative au haut risque, contrairement à la notation de crédit à la consommation qui y est soumise. Les obligations des systèmes à haut risque de l'annexe III s'appliquent à compter du 2 décembre 2027.

Le règlement DORA sur la résilience opérationnelle numérique s'applique depuis le 17 janvier 2025 et peut qualifier un système d'IA de LCB-FT comme fonction TIC critique ou importante, ce qui impose des exigences de résilience et de documentation supplémentaires. DATAISTUDIO intègre ces obligations dès la phase de cadrage, en lien avec les équipes conformité et juridique de l'établissement. Pour les cas d'usage connexes au scoring LCB-FT, voir aussi la page sur la gouvernance IA et conformité AI Act en entreprise.

Exemple type de mission

Exemple type : une banque régionale souhaite réduire le volume d'alertes transactionnelles traitées manuellement par son équipe conformité. DATAISTUDIO cadre le périmètre de données disponibles, construit un modèle de scoring xgboost sur l'historique des transactions, puis documente l'explicabilité par SHAP pour chaque facteur de risque retenu. Le modèle est déployé sur Vertex AI et Cloud Run, avec une interface Shiny permettant aux analystes de visualiser le score et ses justifications avant toute décision de déclaration de soupçon.

Pourquoi choisir DATAISTUDIO pour ce type de projet

DATAISTUDIO est un cabinet français de conseil, développement et formation en data et intelligence artificielle, fondé en 2019 et basé à Neuilly-sur-Seine. Les missions de scoring de risque s'appuient sur une spécialité reconnue en machine learning et en industrialisation de modèles, avec une stack de production incluant R, Shiny, xgboost, BigQuery, Vertex AI, Gemini et Cloud Run sur Google Cloud.

La Factory DATAISTUDIO publie chaque jour des articles, fiches algorithmes, use cases et applications data, ce qui constitue une preuve continue de mise en production de l'IA plutôt qu'un discours uniquement commercial. Les équipes conformité peuvent également être formées via le parcours AI Analyst ou une session dédiée à l'IA pour les dirigeants, DATAISTUDIO étant organisme de formation certifié Qualiopi.

Pour approfondir les fondamentaux techniques, voir la page intelligence artificielle ou la page dédiée au scoring. Les sujets connexes de fraude et de reporting réglementaire sont traités dans détection de fraude bancaire par IA et dans l'article sur l'IA générative et le reporting COREP FINREP.

Questions fréquentes

Le scoring LCB-FT est-il considéré comme un système d'IA à haut risque au titre de l'AI Act ?

Non, lorsque son usage principal est la détection de fraude ou le suivi des transactions, ce type de système est exclu de la classification haut risque de l'annexe III, contrairement au scoring de crédit à la consommation. Une analyse au cas par cas reste nécessaire selon l'articulation du système avec d'autres usages, notamment le crédit.

Quelle est la différence entre KYC et LCB-FT ?

Le KYC (Know Your Customer) désigne les procédures de vérification d'identité et d'évaluation du risque à l'entrée en relation et pendant la relation commerciale. La LCB-FT est le cadre réglementaire plus large qui encadre l'ensemble du dispositif de vigilance, y compris la surveillance transactionnelle et la déclaration de soupçon à Tracfin.

Comment prouver l'explicabilité d'un modèle de scoring devant l'ACPR ?

L'explicabilité repose sur des méthodes statistiques comme SHAP, qui décomposent la contribution de chaque variable au score final, ou sur des scorecards dont les pondérations sont directement lisibles. DATAISTUDIO documente systématiquement ces éléments pour chaque modèle livré.

L'IA générative peut-elle être utilisée dans un dispositif LCB-FT ?

Oui, pour des tâches d'assistance comme la rédaction de dossiers de déclaration de soupçon ou l'extraction d'informations documentaires, toujours sous supervision humaine et avec traçabilité complète des décisions. Elle ne remplace pas le scoring statistique du risque client.

Combien de temps dure un projet de scoring LCB-FT avec DATAISTUDIO ?

Les missions de conseil et de développement durent typiquement de quelques semaines à quelques mois selon le périmètre, de la cartographie initiale à la mise en production du modèle.

Évaluer votre dispositif LCB-FT

Échangez avec DATAISTUDIO sur le scoring de risque KYC et l'industrialisation de vos modèles de conformité.

Échanger avec DATAISTUDIO →