La détection des fraudes en temps réel évolue rapidement, car les paiements instantanés ne laissent quasiment aucune marge de manœuvre. Une mise à jour importante a eu lieu le 2 septembre 2026, lorsque Visa a annoncé un service A2A Protect amélioré, combinant les technologies Visa et Featurespace pour créer un score de fraude unifié pour les paiements de compte à compte. L'enjeu n'est pas qu'un seul produit résolve le problème de la fraude. Le changement plus global réside dans le fait que les institutions financières combinent de plus en plus l'IA au niveau de la transaction avec les signaux comportementaux et l'analyse du réseau avant même que l'argent ne quitte un compte.
C’est important car un paiement peut désormais passer de l’expéditeur au destinataire en quelques secondes. Une banque ne peut pas attendre un traitement par lots nocturne pour déterminer si un virement est suspect. Le système de détection de fraude doit collecter des signaux, évaluer le risque, appliquer les politiques en vigueur et choisir une action dans le délai d’autorisation ou de paiement, tout en approuvant rapidement les transactions légitimes.
L'annonce de Visa pour septembre 2026 est disponible dans sa publication A2A Protect . Elle illustre une tendance plus large du secteur vers une prise de décision en temps réel, basée sur les données du réseau, plutôt que de s'appuyer uniquement sur des règles statiques propres à une seule institution.
La détection de fraude par IA repose sur l'utilisation de modèles statistiques et d'apprentissage automatique pour déterminer si une activité est légitime ou suspecte. Dans le domaine des paiements, le modèle fonctionne rarement de manière isolée. Il s'intègre généralement à un système de décision plus vaste comprenant des règles déterministes, des contrôles d'authentification, des limites de transaction, des sanctions ou des vérifications de conformité, ainsi que des enquêtes humaines.
Pour un achat par carte, l'établissement peut décider d'approuver, de refuser ou d'exiger une authentification plus poussée. Pour un virement instantané de compte à compte, il peut décider d'autoriser le paiement, de le suspendre lorsque le système de paiement et la loi le permettent, de demander une confirmation supplémentaire du client ou de transmettre l'opération à une équipe de lutte contre la fraude.
La présentation actuelle de Visa sur la détection de fraude par IA décrit des systèmes en temps réel qui analysent les données transactionnelles et comportementales au lieu de se fier uniquement à des règles statiques ou à des listes noires. Cette architecture de base reste pérenne malgré l'évolution des modèles et des fournisseurs.
Les programmes antifraude traditionnels disposaient de plus de temps pour examiner a posteriori les activités inhabituelles sur certains flux de paiement. Les paiements instantanés raccourcissent considérablement ce délai. Le service FedNow de la Réserve fédérale, par exemple, permet aux établissements participants d'envoyer et de recevoir des paiements 24 h/24 et 7 j/7, les bénéficiaires ayant un accès immédiat aux fonds.
En juin 2025, les Services financiers de la Réserve fédérale ont ajouté une fonctionnalité de seuil d'activité des comptes à FedNow. Les établissements participants peuvent définir des seuils de valeur et de fréquence des transactions par segment de clientèle. Ceci illustre bien les mécanismes modernes de lutte contre la fraude : l'IA constitue une couche de protection, tandis que des contrôles simples, tels que les limites de montant et de fréquence, restent précieux car ils sont rapides, transparents et faciles à combiner avec les scores des modèles. Voir l' annonce des Services financiers de la Réserve fédérale .
Le système commence par le paiement lui-même : montant, commerçant ou bénéficiaire, heure, canal, type de paiement, devise et identifiants de compte. Un achat de 12 $ en courses et un virement de 12 000 $ à un nouveau bénéficiaire ne doivent pas suivre le même processus de décision, même s’il s’agit de paiements.
Le paiement est comparé à l'activité récente du compte. Parmi les signaux utiles, on peut citer l'historique de connexion, l'identité de l'appareil, l'adresse IP ou les caractéristiques du réseau, la cohérence de la géolocalisation, le délai écoulé depuis la dernière modification du mot de passe ou des coordonnées, l'ancienneté du compte, la fréquence des transactions, les destinataires précédents et les montants habituels des paiements.
Ces caractéristiques permettent de distinguer ce qui est « inhabituel » de ce qui est « frauduleux ». Un client achetant un billet d'avion depuis un autre pays peut sembler inhabituel pris isolément, mais normal lorsque le système détecte également une réservation de voyage récente, un appareil connu et une relation de longue date avec le titulaire de la carte.
Certaines fraudes sont plus faciles à repérer à l'échelle d'un réseau qu'au sein d'un seul compte. Les comptes mules, les escroqueries coordonnées, les identités synthétiques et les structures de blanchiment d'argent peuvent impliquer de nombreux expéditeurs et destinataires répartis dans différentes institutions.
Le projet Hertha de la Banque des règlements internationaux (BRI), publié en juin 2025, a exploré l'analyse des transactions par intelligence artificielle pour les systèmes de paiement de détail en temps réel. Lors d'expérimentations menées sur un ensemble de données synthétiques de 1,8 million de comptes et 308 millions de transactions, l'ajout d'analyses du système de paiement a permis aux banques et aux prestataires de services de paiement simulés d'identifier 12 % de comptes illicites supplémentaires, avec une amélioration de 26 % dans la détection de comportements inédits. Ces résultats expérimentaux, obtenus sur des données synthétiques, ne constituent pas une garantie de performance pour les banques en production. L'intérêt du projet réside dans les enseignements tirés de sa conception : les schémas de réseau peuvent révéler des relations qu'une banque ne peut déceler dans ses propres registres. Consultez le rapport du projet Hertha de la BRI .
Les modèles convertissent les caractéristiques en une probabilité, un score ou une catégorie de risque. Les établissements peuvent utiliser plusieurs modèles simultanément : par exemple, un pour la prise de contrôle de compte, un autre pour la fraude à la carte sans présentation, un autre pour le risque d’escroquerie et un modèle de réseau pour les relations suspectes entre bénéficiaires.
Le score attribué à un modèle ne constitue pas automatiquement la décision finale. Une banque peut le combiner avec des critères tels que « nouvel appareil, nouveau bénéficiaire et montant inhabituellement élevé » ou avec des seuils définis par segment de clientèle. L’objectif est d’équilibrer les pertes liées à la fraude et le coût du blocage des clients légitimes.
Les décisions prises sont généralement les suivantes : approbation, refus, renforcement de l’authentification, demande de confirmation, report lorsque cela est autorisé, ou renvoi pour examen. Le renforcement de l’authentification consiste à exiger une preuve plus solide uniquement lorsque le risque est élevé, par exemple une confirmation supplémentaire au sein de l’application ou un autre facteur d’authentification.
Le moteur de décision doit être suffisamment rapide pour s'intégrer au flux de paiement. Les plateformes d'autorisation de cartes prennent généralement des décisions relatives aux risques en quelques millisecondes, tandis que les systèmes de paiement instantané n'ont généralement que quelques secondes entre l'initiation et le règlement.
| Groupe de signalisation | Exemples | Ce qu'il peut révéler |
|---|---|---|
| Transaction | Montant, devise, commerçant ou destinataire, heure, voie de paiement | Taille, destination ou type de transaction inhabituels |
| Comportement | Plage de dépenses habituelle, séquence de connexion, historique des bénéficiaires, vitesse | Écart par rapport au modèle établi par le client |
| Appareil et réseau | Empreinte digitale de l'appareil, réputation IP, cohérence de la localisation, signaux du navigateur ou de l'application | Prise de contrôle de compte ou contexte d'accès inhabituel |
| cycle de vie du compte | Ancienneté du compte, réinitialisation récente du mot de passe, modifications du profil, nouveau bénéficiaire ajouté | Risque lié à des informations d'identification ou à une configuration de paiement récemment modifiées |
| relations de réseau | Appareils partagés, destinataires communs, chaînes de transfert, comptes connectés | Réseaux de mules ou structures de fraude coordonnées |
| Résultats confirmés | Rétrofacturations, signalements d'escroquerie, étiquettes d'enquêteur, confirmations clients | Formation et retour d'information pour les décisions futures |
Il est facile de qualifier les règles d'obsolètes et de présenter l'apprentissage automatique comme leur remplaçant. Dans les systèmes de détection de fraude en production, cette vision est généralement trop simpliste. Les règles sont excellentes pour les situations connues nécessitant une action déterministe : pays bloqués, types de transactions impossibles, exigences réglementaires, événements dupliqués, plafonds de montants stricts ou contrôles d'urgence récemment mis en place.
L'IA est particulièrement performante lorsque la décision repose sur des combinaisons de signaux ou de comportements qui ne peuvent être résumées simplement par une liste de règles. Les institutions établies privilégient donc une approche par couches : des règles pour des politiques claires, l'apprentissage automatique pour les risques complexes, l'analyse de réseaux pour les relations et une intervention humaine pour les cas ambigus ou à fort impact.
Un système anti-fraude qui bloque tout est techniquement efficace pour stopper la fraude, mais inutilisable comme système de paiement. Un faux positif correspond à une transaction légitime classée à tort comme suspecte. Un trop grand nombre de faux positifs engendre des frustrations chez les clients, des coûts supplémentaires pour les centres d'appels, des abandons de panier et une perte de confiance.
C’est pourquoi les institutions suivent bien plus que le simple taux de détection des fraudes. Parmi les indicateurs importants figurent les pertes liées à la fraude, le taux de rappel ou de détection, la précision, le taux de faux positifs, le taux d’approbation, le taux de frustration des clients, le volume de vérifications manuelles, la latence et le coût financier de chaque type de décision.
Le seuil optimal dépend du contexte. Un achat par carte de 50 $ peut justifier une tolérance différente de celle applicable à un virement professionnel de 250 000 $ vers un nouveau compte. La lutte contre la fraude en temps réel est donc un problème d’optimisation, et non un simple problème de classification.
Certaines fraudes sont relativement simples : un criminel vole des identifiants et effectue un paiement non autorisé par le client. Une autre catégorie, souvent appelée fraude au virement instantané autorisé (APP) , se produit lorsque le client est manipulé pour qu’il envoie l’argent personnellement.
C’est plus difficile pour l’IA car la connexion, l’appareil, l’authentification et la confirmation finale peuvent être authentiques. Les signaux suspects peuvent alors apparaître dans le réseau du destinataire, le récit de la transaction, une relation inhabituelle avec le bénéficiaire, la rapidité du paiement ou un schéma d’escroquerie plus général.
C’est l’une des raisons pour lesquelles l’intelligence au niveau du réseau suscite un intérêt croissant. Le lancement par Mastercard, en 2025, de TRACE sur le réseau de paiement en temps réel des Philippines et de ses outils de lutte contre la fraude A2A au Royaume-Uni illustrent la volonté des fournisseurs d’identifier les risques au sein de plusieurs institutions plutôt que de traiter les données de chaque banque de manière isolée.
La dérive du modèle se produit lorsque la relation statistique entre les données d'entrée et les résultats de la fraude évolue au fil du temps. Les comportements des consommateurs changent, de nouveaux produits sont lancés, les tendances saisonnières se modifient et les criminels testent délibérément les contrôles pour en déceler les failles.
Les institutions réagissent par la surveillance, la formation continue, les tests comparatifs, l'ajustement des seuils, la mise à jour des règles et le retour d'information sur les cas de fraude avérés. La qualité de l'étiquetage est primordiale. Le projet Hertha a mis en évidence l'importance des données d'entraînement étiquetées, des boucles de rétroaction robustes et des algorithmes explicables comme facteurs clés d'efficacité.
Les systèmes en temps réel doivent également être protégés contre les étiquettes erronées ou de mauvaise qualité. Si des clients contestent à tort des transactions légitimes, ou si les enquêteurs classent les cas de manière incohérente, un modèle peut apprendre de mauvaises habitudes.
Les décisions relatives à la fraude ont des répercussions sur l'accès aux fonds, l'expérience client et les obligations réglementaires. Les institutions doivent disposer d'explications suffisantes pour comprendre les variations de comportement d'un modèle, enquêter sur les erreurs et justifier les modifications apportées aux seuils ou aux politiques.
L'explicabilité n'exige pas que chaque modèle soit simple. Elle requiert en revanche des résultats opérationnels utiles : quels signaux ont engendré le risque, quelles règles ont été déclenchées, comment le score a évolué au fil du temps et si une décision était conforme à la politique approuvée.
Pour les événements à haut risque ou ambigus, le rôle des enquêteurs demeure essentiel. L'analyse humaine permet d'intégrer un contexte absent du modèle, de déceler les nouvelles formes d'escroquerie et d'améliorer la description du modèle lors de sa prochaine mise à jour.
En avril 2026, l'OCC, la Réserve fédérale et la FDIC ont publié une version révisée de leurs lignes directrices inter-agences sur la gestion des risques liés aux modèles, privilégiant une approche fondée sur les risques. Ces lignes directrices abordent le développement et l'utilisation des modèles, leur validation et leur suivi, leur gouvernance et leurs contrôles, ainsi que les modèles tiers. Elles précisent également que l'IA générative et l'IA agentielle ne relèvent pas de leur champ d'application, car elles sont nouvelles et en constante évolution.
Pour les équipes de lutte contre la fraude, l'enseignement pratique est qu'un modèle performant ne suffit pas. Les institutions ont besoin d'une définition claire des responsabilités, d'une documentation précise de l'utilisation prévue, de tests, d'un suivi, d'une gestion des changements, d'une gouvernance des données et d'une supervision adéquate des modèles fournis par les prestataires. Voir les recommandations révisées de l'OCC sur les risques liés aux modèles (2026) .
Le cadre de gestion des risques liés à l'IA du NIST, à caractère volontaire, propose une structure transversale plus large articulée autour des axes Gouverner, Cartographier, Mesurer et Gérer. Il ne s'agit pas d'une réglementation bancaire, mais il s'avère utile pour structurer les questions de fiabilité, de transparence, de confidentialité, de sécurité et de responsabilité.
L'IA générative peut aider les enquêteurs à synthétiser les dossiers, à extraire des informations de notes, à rédiger des rapports d'enquête ou à effectuer des recherches dans de vastes bases de données de politiques et de jurisprudence. Cela ne signifie pas pour autant qu'un modèle de langage complexe doive être le seul moteur d'autorisation à déterminer la légitimité d'un paiement.
L'évaluation des risques de fraude en temps réel repose généralement sur des modèles statistiques structurés, optimisés pour une classification à faible latence, la détection d'anomalies, l'analyse de graphes et des scores de risque calibrés. Les systèmes génératifs peuvent enrichir le processus, notamment après une alerte, mais les institutions financières ont toujours besoin de contrôles déterministes et d'un comportement du modèle mesurable tout au long du parcours de la transaction.
La plupart des systèmes de détection de fraude par IA sont invisibles. Un paiement normal est approuvé sans étape supplémentaire. Un paiement présentant un caractère inhabituel peut déclencher une confirmation dans l'application. Une transaction à haut risque peut être refusée ou soumise à un examen. L'objectif est une friction sélective : renforcer la sécurité uniquement lorsque le risque le justifie.
Pour les clients, cela signifie que le système antifraude le plus avancé peut paraître moins intrusif qu'un système plus ancien, car il distingue plus précisément les comportements normaux des activités suspectes. Pour les institutions, le défi consiste à préserver cette expérience tout en réagissant aux nouvelles formes de fraude avec la rapidité des paiements.
La mise à jour de septembre 2026 de Visa A2A Protect, les contrôles de risques configurables de FedNow et le projet Hertha de la BRI convergent vers un même objectif : la protection contre la fraude évolue de règles transactionnelles isolées vers une intelligence multicouche en temps réel. Les systèmes les plus performants combinent comportement individuel, contexte du compte, données de l’appareil, relations au sein du réseau, règles et expertise humaine.
L'IA améliore la capacité à évaluer rapidement les risques, mais elle ne supprime pas les compromis. Les institutions financières doivent toujours déterminer le niveau de friction acceptable, la validation des modèles, les données utilisables légalement et éthiquement, la gouvernance des systèmes tiers et les mesures à prendre en cas d'incertitude du modèle.
Voilà ce que signifie concrètement la détection de la fraude par l'IA dans la finance en temps réel : non pas un simple algorithme qui « connaît » la fraude, mais un système de décision conçu pour convertir en permanence des preuves évoluant rapidement en actions proportionnées avant qu'une transaction ne devienne une perte irrécupérable.
Comparer les programmes actuels en matière de gestion des services aux personnes âgées, de gérontologie, de technologies liées à l'âge, de santé numérique, d'informatique de la santé et de science des données de santé pour une étude en 2027.
Comparez les cursus de formation solides en logistique, chaîne d'approvisionnement, UAS et opérations de drones pour 2026, avec des choix pratiques en fonction de l'objectif de carrière et une liste de contrôle pour choisir un programme.
Comparez les programmes de systèmes autonomes, de robotique et de contrôle du MIT, de CMU, du Michigan, de Penn, d'Oxford, de l'ETH Zurich, de KTH et d'Aalto, en utilisant des critères de sélection pratiques.
Un guide pratique de cybersécurité pour les FinTech afin de protéger les données financières contre la prise de contrôle de comptes, l'utilisation abusive d'API, les ransomwares, les risques liés aux tiers et la fraude moderne.
Les batteries à l'échelle du réseau deviennent un outil essentiel de flexibilité pour les énergies renouvelables. Découvrez leurs points forts, leurs limites et les enseignements des données de 2026.
CRISPR is now an approved medicine. See what is proven, what depends on disease and delivery, and what remains unknown about base and prime editing.
Découvrez comment le traitement en continu, les plateformes technologiques, la PAT, les jumeaux numériques et la fabrication modulaire accélèrent la production de traitements fiables.
Explore how Industry 4.0 smart automation combines AI, digital twins, IIoT, edge control, and standards to improve efficiency without removing essential human oversight.
L'intelligence artificielle incarnée transforme les modèles fondamentaux des mots en actions concrètes. Découvrez pourquoi la robotique, les systèmes d'apprentissage automatique virtuel, la simulation et la sécurité en font le prochain domaine technologique de pointe.
Découvrez comment les banques et les prestataires de paiement utilisent l'IA, les signaux comportementaux, l'analyse de réseau, les règles et la vérification humaine pour stopper la fraude en temps réel sans bloquer les clients légitimes.
