{{item.videoDuration}}
{{item.title}}
{{item.text}}
{{item.videoDuration}}
{{item.title}}
{{item.text}}
Les programmes de lutte contre le blanchiment d’argent et d’application des sanctions sont de plus en plus complexes. Les exigences réglementaires évoluent, les mesures d’application se resserrent et les cryptomonnaies ouvrent de nouvelles avenues de criminalité financière.
Les nouvelles technologies, notamment l’intelligence artificielle (IA) générative, l’apprentissage automatique et les outils d’analyse de réseaux, bousculent les pratiques traditionnelles de détection et de prévention du blanchiment d’argent, du financement du terrorisme et de la violation des sanctions. Nous suivons de près les outils basés sur l’IA générative qui peuvent concevoir des capacités de surveillance des transactions et créer de nouvelles règles fondées sur des scénarios plus plausibles, afin d’aider les institutions financières à mieux repérer les incidents suspectés de blanchiment d’argent. Par ailleurs, des procédés de comparaison de chaînes plus intelligents peuvent réduire les faux positifs, produire des sanctions plus efficaces et mieux signaler les personnes politiquement exposées et repérer les informations négatives dans les médias.
Ces puissantes technologies peuvent aider les institutions financières à détecter plus efficacement les transactions suspectes. Cependant, sans un bon plan de mise en œuvre, ces organisations peuvent rapidement se trouver confrontées à une accumulation d’alertes non traitées, et à des questions difficiles de la part des autorités de réglementation et des équipes de gestion des risques responsables de la validation des modèles.
Inversement, nous voyons des institutions financières utiliser efficacement ces technologies émergentes pour mieux remplir leurs obligations réglementaires et combattre la criminalité financière, tout en améliorant leur expérience client. En privilégiant l’innovation et la croissance, elles libèrent leurs employés de tâches fastidieuses pour leur permettre de se consacrer à un travail plus valorisant et plus rentable. Elles favorisent ainsi un meilleur engagement de leur personnel tout en approfondissant leurs processus d’enquête.
Pour réaliser cet objectif, les programmes de lutte contre le blanchiment d’argent et d’application des sanctions doivent intégrer plusieurs considérations.
Se préparer à utiliser l’IA générative dans la lutte contre le blanchiment d’argent et pour la conformité
Coordonner les besoins en données de première et de deuxième ligne
La capacité des institutions financières de produire des gains de valeur et de productivité grâce à des technologies comme l’IA générative dépend du bon usage qu’elles font de leurs données. Les lacunes dans leurs fichiers de renseignements sur les clients – telles que des dates de naissance manquantes ou des renseignements sur la profession dans la zone en format libre – peuvent rendre plus difficile l’exploitation de modèles d’IA générative et d’apprentissage automatique.
Pour surmonter ces obstacles, il faut commencer par assurer une meilleure communication entre la première et la deuxième ligne de défense. Vos équipes pourront ainsi mieux s’entendre sur les données nécessaires au bon fonctionnement de vos programmes de lutte contre le blanchiment d’argent et d’application des sanctions, et sur le format dans lequel elles doivent être consignées. Une bonne coordination entre vos première et deuxième lignes de défense renforcera aussi la confiance des autorités de réglementation à votre égard.
Développer de nouveaux modèles en tenant compte des cadres de gouvernance des modèles et des données
Certaines institutions financières hésitent à adopter des solutions avancées de lutte contre le blanchiment d’argent et d’application des sanctions en raison du resserrement des exigences qu’elles impliquent pour leurs modèles sous-jacents. Dans d’autres cas, les dirigeants d’entreprise reconnaissent que leur engouement les pousse parfois à outrepasser les mesures de sécurité appropriées : 73 % des répondants à notre sondage Global Digital Trust Insights ont déclaré se sentir à l’aise de lancer des outils d’IA générative dans leur milieu de travail sans disposer d’aucune politique interne sur la qualité et la gouvernance des données.
Un point de vue extérieur peut vous aider à adopter en toute confiance des cadres de gouvernance pour vos modèles d’IA générative et d’apprentissage automatique. Ces cadres vous permettent d’expliquer aux autorités de réglementation comment vous utilisez et surveillez les modèles qui sous-tendent ces technologies, tout en continuant d’innover et de faire évoluer vos programmes de lutte contre le blanchiment d’argent et d’application des sanctions.
Par exemple, au cours d’un récent mandat, nous avons utilisé une technique non supervisée d’agrégation d’algorithmes d’apprentissage automatique pour aider une organisation de services financiers à mieux repérer les clients à risque faible et moyen qui s’engagent dans des transactions lourdes en espèces ou des relations complexes révélatrices de blanchiment d’argent. Nous avons développé un modèle capable de filtrer les clients qui effectuent leurs transactions de manières semblables et de repérer les cas particuliers dans ces groupes, plutôt que dans des segments entiers. Nous avons ensuite intégré d’autres facteurs de risque au modèle pour lui permettre de reconnaître des comportements anormaux non décelés antérieurement, afin d’accroître la capacité de l’organisation à détecter le blanchiment d’argent grâce à une surveillance plus ciblée.
Aider les employés à s’adapter au changement en intégrant le perfectionnement aux plans de préparation de votre organisation
De grands nombres d’employés devront être formés avant le lancement de nouveaux systèmes conçus pour la surveillance des transactions, le filtrage des clients, la gestion des listes de surveillance et la mise en œuvre d’autres programmes de lutte contre le blanchiment d’argent et d’application des sanctions.
Penser au-delà des enquêteurs et d’autres utilisateurs primaires pour prendre en compte les utilisateurs plus périphériques, comme les employés qui peaufinent les règles des systèmes, atténue les risques de l’implantation de nouvelles technologies. Cette approche aide aussi vos employés à analyser l’information que génèrent ces outils, ce qui se traduit par des évaluations des risques et une surveillance des transactions plus efficaces.
Par exemple, au cours d’un mandat auprès d’une grande institution financière, notre équipe de lutte contre la criminalité financière a récemment dirigé la conception initiale et l’implantation d’un nouveau système basé sur la technologie de l’un des membres de notre écosystème d’alliances. Dans le cadre de cette mission, nous avons repéré une occasion d’offrir des cours de perfectionnement aux employés de l’organisation afin de leur permettre d’acquérir une meilleure compréhension du nouveau système, des résultats qu’il produit et du temps supplémentaire qu’il leur procure pour mener leurs processus d’enquête de manière à mieux déceler des menaces potentielles.
Cet impératif de perfectionnement est appelé à s’étendre. D’après l’édition 2023 de l’Enquête sur les espoirs et les craintes, les employés canadiens sont nombreux à vouloir utiliser l’IA générative pour améliorer leur productivité au travail et maîtriser de nouvelles compétences. Le perfectionnement des employés renforce les plans de préparation d’une entreprise, puisque ceux-ci prévoient notamment de disposer des personnes, des capacités et des processus appropriés.
Pensez, par exemple, au fait qu’une détection plus efficace des transactions suspectes peut engendrer un plus grand nombre d’alertes exigeant des décisions rapides. En anticipant cet impact et en l’évaluant de manière précise, vous vous donnez les moyens de mettre en place le personnel et le soutien externe nécessaires, y compris les services gérés qui peuvent rapidement ajuster la dotation en ressources à la hausse ou à la baisse pour gérer vos alertes.
Une façon plus efficace et plus efficiente de combattre la criminalité financière
Les institutions financières qui font un usage judicieux de l’IA générative, de l’apprentissage automatique et d’autres technologies émergentes pour combattre la criminalité financière peuvent gérer plus efficacement leurs programmes de lutte contre le blanchiment d’argent et d’application des sanctions. Elles libèrent leurs employés pour leur permettre d’enquêter sur des risques négligés, ce qui accroît leur capacité de repérer les activités suspectes.
De telles pratiques peuvent prévenir le blanchiment d’argent et le financement du terrorisme avant qu’il ne se produise, et aider les institutions financières à développer la confiance à leur égard, à améliorer leur expérience client et à contribuer ainsi à créer une société plus sécurisée.
Un point de vue extérieur peut être utile
Apprenez comment repenser vos pratiques de lutte contre le blanchiment d’argent et d’application des sanctions
{{filterContent.facetedTitle}}
{{contentList.loadingText}}
{{contentList.loadingText}}
Contactez-nous
Associé, leader national, Lutte contre la criminalité financière, PwC Canada
Tél. : +1 416 869 2349
Abhishek Misra
Directeur principal, Cybersécurité, protection des renseignements personnels et lutte contre la criminalité financière, PwC Canada
Tél. : +1 416 687 8546
Liz Warner
Directrice principale, Cybersécurité, protection des renseignements personnels et lutte contre la criminalité financière, PwC Canada
Tél. : +1 416 687 8340
Suivre PwC Canada
