Conformité LBC : prévention du blanchiment d'argent avec l'IA

Avec la mise en œuvre progressive de la 6e directive européenne sur le blanchiment d'argent (6e AMLD) et le renforcement des exigences de la loi sur le blanchiment d'argent (LBA), les établissements financiers sont confrontés au défi de répondre de manière rentable à des exigences de plus en plus complexes en matière de conformité à la LBA. Parallèlement, les technologies modernes d'intelligence artificielle, notamment dans le domaine de l'analyse automatisée des documents, ouvrent de nouvelles possibilités d'évaluation des risques et de contrôle. Cette interaction complexe entre les progrès de la technologie et la réglementation européenne est depuis longtemps en train de se propager dans le secteur financier mondial, comme en témoignent plusieurs voix d'experts.

Le fondement réglementaire : de la 5e à la 6e AMLD

Les récentes directives européennes sur le blanchiment d'argent ont considérablement renforcé les exigences en matière d'obligation de diligence. En particulier, les dispositions relatives aux ayants droit économiques selon l'article 10, paragraphe 1, point 2, de la loi allemande sur le blanchiment d'argent (GwG) et l'article 11 de la loi sur le blanchiment d'argent (GwG) exigent désormais une vérification continue, basée sur les risques, des structures complexes de propriété. Le seuil d'identification des ayants droit économiques pour les sociétés reste inchangé à 25% des droits de capital ou de vote, mais les obligations de documentation et de vérification ont été considérablement renforcées.

Parallèlement, les obligations de diligence renforcées selon les §§ 15 et suivants ont pris de l'ampleur. GwG pour les personnes politiquement exposées (PEP) et les relations d'affaires avec des pays à haut risque ont atteint une nouvelle qualité. La surveillance continue selon l'article 10, paragraphe 1, point 5, de la GwG exige des contrôles permanents de la clientèle, basés sur les risques, et non plus seulement en fonction des circonstances. Cette dynamique est également observée dans les pays étrangers non européens.

"Le renforcement des réglementations a conduit les institutions financières à devenir plus proactives dans leur modèle de conformité. Ce qui était auparavant réalisé par un contrôle manuel des documents implique désormais une surveillance continue du comportement des transactions. L'objectif est non seulement de déterminer les risques évidents, mais aussi d'identifier les incohérences subtiles qui auraient pu être négligées auparavant", explique Paul Ferrara, Senior Wealth Counsellor chez Avenue Investment Management.

Rentabilité versus conformité réglementaire de la LBC

La question fondamentale de l'efficacité des coûts se reflète également dans les données sectorielles : McKinsey a déterminé dans son étude 2024 Étude de référence KYC/AMLque les banques consacrent généralement 10 à 15 % de leurs équivalents temps plein aux seuls processus KYC/AML - un facteur de coût énorme qui augmente de manière exponentielle en cas de procédures manuelles. Ces coûts de personnel sont encore renforcés par les obligations de documentation et de surveillance intensifiées de la 6e AMLD.

Les petits établissements en particulier subissent une pression sur les coûts : alors que les grandes banques peuvent répartir leurs coûts de conformité sur un volume de transactions élevé, les exigences réglementaires fixes entraînent des coûts unitaires élevés pour les petits acteurs. Les exigences minimales de la BaFin en matière de gestion des risques (MaRisk) exigent une dotation adéquate en ressources humaines et techniques. Dans la pratique, cela signifie que les établissements doivent prouver que leurs processus de conformité correspondent à l'état de l'art - un critère qui devient de plus en plus difficile à remplir sans le soutien de l'IA. Au cœur des possibilités techniques s'établissent des technologies spécialisées dans l'analyse et le traitement de documents complexes.

Analyse de documents basée sur l'IA

L'analyse documentaire constitue l'épine dorsale de la prévention moderne du blanchiment d'argent et permet aux institutions financières de remplir de manière efficace et précise les vastes obligations de diligence prévues par la LBA. Deux technologies clés sont utilisées à cet effet : Reconnaissance optique des caractères (OCR) pour la reconnaissance de texte et Natural Language Processing (NLP) pour la compréhension sémantique du contenu.

Le défi réside dans la diversité des documents à analyser - des contrats d'associés manuscrits aux extraits de registres officiels en passant par les documents internationaux. Documents d'identité. Cela nécessite des systèmes d'IA sophistiqués, capables de saisir de manière fiable des informations structurées et non structurées.

Reconnaissance optique des caractères (OCR)

Les systèmes OCR modernes utilisent des réseaux neuronaux convolutifs et atteignent une précision de reconnaissance de texte de plus de 99,5%. Ils constituent le premier niveau d'un flux de travail intelligent de traitement des documents, spécialement conçu pour répondre aux exigences de la prévention du blanchiment d'argent.

Fonctions clés pour la prévention du blanchiment d'argent :

• Détection multi-formats - Identification automatique des documents d'identité, des documents du registre du commerce et des contrats de société conformément aux §§ 10-12 GwG
• Reconnaissance des caractéristiques de sécurité - Algorithmes de reconnaissance des filigranes, hologrammes et micro-écritures dans les documents officiels
• Traitement multilingue - Prise en charge de plus de 100 langues, essentielle pour la clientèle internationale
• Évaluation de la qualité - Vérification automatique de l'exhaustivité des documents pour les obligations de diligence raisonnable
• Traitement par lots - Traitement simultané de plusieurs documents pour une gestion efficace de l'onboarding

L'extraction de texte précise permet d'automatiser entièrement les obligations de documentation conformément à l'article 8 de la loi sur le blanchiment d'argent. Chaque étape est documentée avec un horodatage, ce qui sert de preuve de procédures correctes lors des contrôles de surveillance.

Traitement du langage naturel (NLP)

Les systèmes NLP modernes de détection du blanchiment d'argent sont basés sur Grands modèles linguistiques, Ils sont formés aux documents financiers et juridiques. Ils extraient des données structurées à partir de textes non structurés et les classent automatiquement dans les catégories de conformité correspondantes.

Fonctions NLP avancées pour l'observance de la LAM :

• Reconnaissance d'entités nommées - Identification automatique des personnes, des entreprises et des titres pertinents pour le PEP
• Extraction de relations - Reconnaissance des relations de propriété et de contrôle pour la détermination de l'ayant droit économique selon le § 3 GwG
• Analyse des risques - Évaluation des rapports des médias sur la classification automatique des risques
• Contrôle de cohérence - Comparaison automatique entre différents documents pour identifier les contradictions
• Cartographie réglementaire - Affectation des informations extraites à des exigences LBA spécifiques

Application pratique : Les systèmes NLP peuvent extraire automatiquement d'un contrat de société que "Monsieur Max Mustermann avec 30% de participation" est l'ayant droit économique, transférer cette information dans le système de conformité et effectuer simultanément des rapprochements de listes PEP.

La combinaison de l'OCR et de la NLP réduit la vérification manuelle des documents de plusieurs heures à quelques minutes, tout en améliorant la qualité de la vérification de la conformité, ce qui est essentiel pour répondre aux exigences accrues de la 6e AMLD.

KYC et identification de l'ayant droit économique

Un cas d'application typique : l'identification de l'ayant droit économique selon les §§ 10, 11 de la loi sur le blanchiment d'argent (GwG) est possible dans le cadre d'un processus à plusieurs niveaux reposant sur l'IA :

1) Collecte automatisée des données et contrôle d'exhaustivité

Le système d'IA vérifie d'abord, conformément aux spécifications techniques, si tous les documents nécessaires sont disponibles. Pour ce faire, il interroge automatiquement les sources suivantes :

• Registre du commerce (extrait de registre électronique)
• Registre de transparence conformément aux § 18 ss. GwG
• Bases de données d'entreprises (Creditreform, Schufa Unternehmensauskunft)
• Base de données d'entreprises BaFin pour les prestataires de services financiers agréés

2. analyse structurelle et suivi des participations basés sur l'IA

Les algorithmes d'apprentissage automatique analysent des structures de participation complexes et les créent de manière automatisée :

• Organigrammes graphiques avec distributions de parts
• Analyses de la chaîne de participation jusqu'à la personne physique
• Scores de risque basés sur la complexité de la structure et les facteurs géographiques
• Contrôles croisés entre différentes sources de données

3. surveillance continue et détection des anomalies

Le système surveille en permanence :

• Modifications du registre du commerce et du registre de transparence
• Dépistage des informations négatives dans les médias
• Listes PEP et mises à jour des listes de sanctions
• Modifications de la structure de l'entreprise

Austin Rulfs, fondateur de Zanda Wealth, témoigne de la pratique : "Nos vérifications KYC et des ayants droit économiques sont effectuées à l'aide de modèles d'analyse de documents, de comparaison de réseaux et de vérification de la vie des selfies. Ce changement a permis de réduire les faux positifs de 41% à 17%, de raccourcir le temps moyen d'embarquement de 48 heures à 6 heures et de réduire les coûts unitaires de 37 à 14 pour 10.000 documents".

Défis transfrontaliers

Le Correspondent Banking fait l'objet d'une attention particulière dans le cadre de la prévention internationale du blanchiment d'argent, car il est traditionnellement utilisé de manière abusive pour des schémas de blanchiment d'argent complexes et transfrontaliers. Le site Recommandations du GAFI 13 et 16 exigent des mesures de vigilance renforcées dans les relations de banque correspondante, notamment l'évaluation des contrôles LBC du correspondant et le suivi continu des relations d'affaires avec les clients.

Matt Woodley, fondateur de InternationalMoneyTransfer, explique : "Des règles et des exigences plus strictes obligent les entreprises à surveiller les transactions de plus près et à examiner les clients avec encore plus d'attention. Comme les transactions transfrontalières sont au cœur du problème, les règles sont une cible mouvante".

Les systèmes d'IA peuvent notamment apporter leur soutien par :

• Dépistage des sanctions en temps réel - Comparaison immédiate avec toutes les listes de sanctions pertinentes (UE, OFAC, ONU, listes nationales)
• Analyse de réseau - Détection de modèles de transactions suspects dans les réseaux bancaires de correspondance
• Évaluation des risques par pays - Évaluation dynamique des risques pays basée sur les évaluations actuelles du GAFI et les développements politiques

Analyse prédictive et reconnaissance de formes avancée

Pour répondre aux mesures de plus en plus proactives exigées pour lutter contre le blanchiment d'argent, on utilise des méthodes d'analyse qui expertisent les données de transaction et les risques en temps réel. Les systèmes d'intelligence artificielle modernes utilisent différentes techniques d'apprentissage automatique pour assurer la conformité :

• Apprentissage non supervisé - Algorithmes de clustering pour la détection de modèles de transaction anormaux sans étiquetage préalable
• Apprentissage supervisé - Random Forest et Gradient Boosting pour la classification des activités suspectes
• Apprentissage profond - Réseaux neuronaux pour l'analyse de structures de données complexes et multidimensionnelles
• Analyse des séries temporelles - Réseaux LSTM pour la détection d'anomalies temporelles dans le comportement transactionnel

Ces technologies permettent de créer des profils de risque dynamiques basés sur :

• Comportement transactionnel historique
• Facteurs de risque géographiques
• Indicateurs de risques sectoriels
• les effets de réseau (liens avec d'autres clients à risque)
• Sources de données externes (rapports des médias, mises à jour des listes de sanctions)

Perspective prudentielle et attentes du BaFin

Dans ses notes d'interprétation de la loi sur le blanchiment d'argent (GwG) ainsi que dans les exigences prudentielles (par exemple MaRisk et BAIT), le BaFin souligne que les établissements doivent garantir une utilisation efficace des systèmes informatiques en fonction des risques. Cela comprend notamment

• Modification de la MaRisk 2021des exigences renforcées en matière d'externalisation, de gestion des risques informatiques et de qualité des données, qui concernent aussi directement les systèmes de prévention du blanchiment d'argent.
• BAIT (exigences prudentielles pour les technologies de l'information): prescriptions relatives à la gouvernance, à la qualité des données et à l'intégrité des systèmes informatiques, qui peuvent également concerner le suivi des transactions et le screening des listes de sanctions.
• Prescriptions de la FIU concernant les déclarations de soupçons (§ 45 GwG et GwGMeldV): Normes techniques pour la transmission électronique des déclarations à la Financial Intelligence Unit.
  

L'autorité de surveillance n'évalue pas seulement la conformité formelle de la LBC, mais aussi l'adéquation, l'efficacité et l'efficience des systèmes mis en place. La pression sur les entreprises et les établissements pour qu'ils fassent évoluer leurs processus sur le plan technologique s'accroît donc. Bien que la BaFin ne prescrive pas explicitement l'utilisation de l'intelligence artificielle, l'IA sera dans la pratique un levier décisif pour répondre aux exigences réglementaires croissantes en matière de qualité des données, d'efficacité du suivi et d'orientation vers les risques.

Austin Rulfs prédit : "L'avenir réside dans un modèle hybride. Les vérifications directement automatisées permettent de résoudre environ 90 pour cent des cas clairs assistés par la machine. La vérification traditionnelle s'en tiendra aux 10 derniers pour cent où les documents ne concordent pas, où la propriété est répartie entre trois acteurs ou plus, ou où l'intervention humaine est nécessaire pour prendre une décision".

Conclusion

Les exigences réglementaires croissantes, notamment celles de la 6e directive européenne sur le blanchiment d'argent (6e AMLD) et de la loi allemande sur le blanchiment d'argent (GwG), mettent les institutions financières au défi d'organiser leur conformité AML de manière efficace et précise. L'utilisation de technologies modernes telles que l'intelligence artificielle (IA), la reconnaissance optique des caractères (OCR) et le traitement du langage naturel (NLP) offre une solution transformatrice à cet égard.

L'utilisation de telles technologies permet d'analyser des structures de participation complexes, d'identifier les ayants droit économiques et de remplir de manière automatisée des obligations de documentation étendues selon la LBA. Même si l'utilisation de l'IA n'est pas explicitement prescrite, elle représente aujourd'hui déjà dans de nombreux cas une nécessité économique pour rester conforme de manière rentable.

Vous recherchez des possibilités technologiques pour améliorer l'efficacité des processus de contrôle et la conformité aux LBC ? N'hésitez pas à nous envoyer un Message, Pour plus d'informations, veuillez vous adresser à l'un de nos conseillers, sans engagement de votre part.