IA conformité LCB-FT

Contexte

Grande banque française avec un département conformité LCB-FT (Lutte Contre le Blanchiment - Financement du Terrorisme) traitant 150K alertes par an générées par le système de surveillance des transactions. Le taux de faux positifs est de 95% : sur 150K alertes, seuls 7500 cas nécessitent une investigation approfondie. L'équipe de 40 analystes est saturée et le backlog d'alertes non traitées atteint 3 mois. L'entreprise cherche à industrialiser son approche data, pas à repartir de zéro.

Problème & Défi

Faux positifs à 95% : 142 500 alertes/an traitées inutilement par les analystes. Backlog de 3 mois d'alertes non traitées : risque de non-détection d'opérations suspectes. Équipe de 40 analystes LCB-FT saturée avec un coût de 6M€/an. Régulateur (ACPR) exige une amélioration de l'efficacité du dispositif sans baisse de couverture. Temps de traitement par alerte : 45 minutes en moyenne dont 35 minutes pour les faux positifs.

Solution & Livrables

Modèle ML de priorisation des alertes LCB-FT remplaçant les règles statiques par un scoring de risque continu. Baisse des faux positifs de 95% à 40% tout en maintenant un taux de détection ≥98% des vraies SAR. Graph analytics : détection des réseaux de blanchiment via l'analyse des flux entre comptes et entités. Scoring adaptatif : ré-entraînement continu sur les investigations confirmées pour capturer les nouveaux schémas. Workflow intelligent : les alertes haute priorité sont traitées en premier avec dossier d'investigation pré-rempli.

Technologies