Réduire les faux positifs du screening sanctions et PPE grâce à l'IA : guide pratique

Le screening des sanctions et des PPE est le contrôle de conformité le plus susceptible de submerger votre équipe et le moins susceptible, un jour donné, de détecter un véritable acteur malveillant. Les systèmes du secteur génèrent couramment 90 à 99 % de faux positifs, et chacune de ces alertes consomme 30 à 60 minutes du temps d'un analyste qualifié avant d'être écartée comme un homonyme sans pertinence. À mesure que les volumes de transactions et d'onboarding augmentent, le flot d'alertes augmente avec eux — de façon linéaire, mécanique, et sans ajouter la moindre détection de risque réel.

Ce n'est pas un problème d'effectifs que vous pouvez résoudre par le recrutement. C'est un problème de précision. Pour un responsable KYC en 2026, la question n'est plus « de combien d'analystes ai-je besoin pour vider la file ? » mais « comment rendre cette file plus courte et plus précise sans manquer une vraie correspondance ? »

Cet article est un guide pratique destiné aux responsables KYC et aux référents sanctions et screening des banques, des gérants de fortune indépendants (GFI) et des fintechs. Il quantifie le problème des faux positifs, explique précisément pourquoi le screening traditionnel sur-alerte, et montre comment le scoring contextuel par IA ramène ce taux à 20–25 % tout en gardant chaque décision explicable et défendable sous le régime d'efficacité émergent.

1. Le problème des faux positifs, quantifié

Le taux qui définit la charge de travail

Un moteur de screening calibré pour la sécurité réglementaire pèche par excès d'alertes. C'est voulu — une vraie correspondance manquée est une catastrophe réglementaire et réputationnelle, tandis qu'un faux positif n'est que coûteux. Il en résulte un biais systématique vers la sur-alerte, et les chiffres sont éloquents : dans l'ensemble du secteur, 90 % à 99 % des alertes de screening sont des faux positifs. En pratique, un analyste peut examiner des dizaines d'alertes avant d'en rencontrer une qui nécessite une véritable escalade.

Le coût par alerte

Chaque faux positif n'est pas gratuit. En écarter un exige qu'un analyste ouvre l'alerte, compare le nom signalé avec l'entrée sanctionnée ou PPE, recherche des identifiants corroborants ou infirmants, documente le raisonnement et clôture le cas. Réalistement, cela prend 30 à 60 minutes par alerte une fois la recherche secondaire incluse. À un coût chargé de CHF 80 000 à 110 000 par an pour un analyste KYC en Suisse, l'arithmétique est impitoyable.

Le piège de la mise à l'échelle

Le problème structurel est que le volume d'alertes croît avec le volume d'activité, non avec le risque. Doublez votre débit d'onboarding ou votre volume de paiements, et vous doublez à peu près vos alertes — mais vous ne doublez pas le nombre de parties réellement sanctionnées dans votre portefeuille. La croissance importe donc une augmentation proportionnelle et permanente de tâches à faible valeur.

Les chiffres supposent 45 minutes par faux positif et un coût chargé de CHF 95 000 par analyste. Ils illustrent l'essentiel : à grande échelle, la majorité d'un budget de screening est dépensée à confirmer que des personnes ne sont pas celles que la liste laisse penser qu'elles pourraient être.

2. Pourquoi le screening traditionnel sur-alerte

Le screening hérité repose sur le fuzzy matching de chaînes : il compare le nom de votre client aux entrées de liste et signale tout ce qui dépasse un seuil de similarité. Cette approche a des décennies, se vérifie facilement, et est structurellement propice au bruit. Quatre causes dominent.

Translittération et variabilité orthographique

Les listes de sanctions agrègent des noms translittérés de l'arabe, du cyrillique, du chinois et d'autres écritures, chacun avec plusieurs romanisations acceptées. « Mohammed », « Muhammad », « Mohamed » et « Mohammad » sont le même nom ; un moteur flou calibré pour tous les capter captera aussi une grande quantité de bruit sans rapport. Abaissez le seuil pour ne manquer aucune variante, et le nombre d'alertes explose.

Les noms courants

Un nom courant est à lui seul une machine à faux positifs. Un client nommé « Li Wei », « Maria Garcia » ou « Mohammed Al-Hassan » peut correspondre à des dizaines d'entrées de liste — presque toutes des homonymes sans rapport. La similarité de chaînes ne peut distinguer un nom courant partagé par des millions d'une véritable correspondance, car sur le seul champ du nom ils sont indiscernables.

Usage insuffisant des identifiants secondaires

L'information qui résout réellement une correspondance — date de naissance, lieu de naissance, nationalité, numéro de passeport ou d'enregistrement, associés connus — est soit absente du dossier client, soit absente de l'entrée de liste, soit tout simplement non pondérée par la logique de correspondance. Les moteurs traditionnels traitent le nom comme le signal principal et les identifiants secondaires comme un accessoire, si bien qu'ils alertent sur le nom seul et laissent la corroboration à l'humain.

Aucun contexte

Un comparateur de chaînes ne comprend pas qui est le client, ce qu'il fait, où il opère, ni si la correspondance est seulement plausible. Il ne peut raisonner qu'un client de détail suisse de 25 ans a peu de chances d'être un haut fonctionnaire étranger sanctionné de 70 ans qui partage un patronyme. Chaque désambiguïsation qu'un humain effectue d'instinct doit être refaite, manuellement, alerte par alerte.

3. Comment l'IA transforme le screening

L'IA ne remplace pas le screening des sanctions et des PPE — elle rend la couche de correspondance intelligente, de sorte que les alertes parvenant à un humain sont celles qui méritent réellement un jugement. Six capacités comptent.

Correspondance contextuelle

Au lieu de scorer la similarité de nom isolément, l'IA évalue la correspondance en contexte : profil du client, juridiction, âge, activité et plausibilité de l'association. Une correspondance de nom contextuellement invraisemblable est déclassée plutôt qu'escaladée, réduisant fortement le bruit des noms courants et des variantes de translittération.

Résolution d'entités

L'IA détermine si deux dossiers renvoient à la même entité du monde réel plutôt que de simplement partager des caractères. Elle réconcilie alias, ordres de noms, translittérations et dossiers partiels en une seule entité résolue, puis compare des entités — non des chaînes. Cela réduit les dizaines de correspondances fallacieuses générées par un nom courant à une seule détermination correctement résolue (généralement négative).

Corroboration par identifiants secondaires

Le modèle utilise activement la date de naissance, le lieu de naissance, la nationalité et les identifiants pour confirmer ou exclure une correspondance. Un patronyme partagé avec une date de naissance et une nationalité divergentes est une exclusion quasi automatique ; un nom et une date de naissance et une nationalité partagés constituent un fort signal de vrai positif, priorisé pour une revue immédiate.

NLP sur les médias défavorables

Pour le screening PPE et réputationnel, le traitement du langage naturel lit les résultats de médias défavorables et les classe par pertinence, récence, gravité et selon que l'article concerne réellement votre client ou un homonyme. Cela filtre l'historique, l'anecdotique et le mal attribué, de sorte que les analystes voient des constats réellement matériels plutôt qu'un mur de titres.

Scoring fondé sur le risque

Chaque alerte reçoit une probabilité calibrée d'être une vraie correspondance, non un signal binaire. Cela transforme une file indifférenciée en une file hiérarchisée, où le petit nombre d'alertes à forte probabilité est sans ambiguïté et où la longue traîne d'homonymes à probabilité quasi nulle peut être traitée avec un effort proportionné.

Triage intelligent par criticité

Les alertes scorées sont routées par criticité : les correspondances à plus forte probabilité et plus fort impact vont directement aux analystes seniors ; les homonymes à faible risque manifestes sont traités automatiquement ou regroupés pour une revue légère. L'attention humaine se concentre sur les 5 à 15 % d'alertes qui la nécessitent réellement.

4. Avant et après : les chiffres

L'effet combiné de ces capacités est un saut de précision. Le taux de faux positifs chute des 90–99 % du secteur à environ 20–25 % — une réduction d'environ 75 points de pourcentage — avec un effondrement correspondant des heures d'analyste consacrées au bruit.

La dernière ligne est celle qui gouverne toutes les autres : les gains de précision ne sont acceptables que si la détection des correspondances véritables est préservée ou améliorée. Une réduction des faux positifs obtenue en relevant simplement les seuils serait un échec de conformité, non une victoire. Toute la valeur de l'IA repose ici sur la réduction du bruit sans réduire la sensibilité.

5. Gouvernance et auditabilité

L'argument de la précision ne vaut que s'il est défendable. La direction réglementaire de 2026 — visible dans le cadre révisé de l'OBA-FINMA, la loi sur la transparence des personnes morales (LTPM) à venir et l'AMLA révisée en Suisse, ainsi que le paquet AML de l'UE avec sa nouvelle autorité centrale — marque un basculement décisif de la présence de contrôles vers l'efficacité démontrable des contrôles. Les régulateurs demandent de plus en plus non pas « screenez-vous ? » mais « pouvez-vous prouver que votre screening produit des décisions rapides, traçables et fondées sur des preuves ? »

L'explicabilité n'est pas négociable

Chaque décision influencée par l'IA doit porter une justification lisible par un humain : quels identifiants ont concordé, lesquels ont divergé, quels facteurs contextuels ont abaissé ou relevé le score, et quelles preuves ont étayé la conclusion. Un score sans explication n'est pas auditable, et un contrôle non auditable est une responsabilité, quelle que soit sa précision.

L'IA augmente, elle ne remplace pas, l'analyste

Le modèle propose ; l'analyste dispose. Chaque escalade de vraie correspondance et chaque clôture conséquente reste une décision humaine documentée, l'IA servant de couche de corroboration et de priorisation. Cela préserve la responsabilité, satisfait aux exigences de double contrôle des superviseurs suisses et européens, et maintient l'institution maîtresse de son appétit pour le risque.

Une piste d'audit défendable

Chaque décision doit être journalisée avec ses données d'entrée, le score et les motifs du modèle, l'action de l'analyste et un horodatage — un enregistrement complet et reconstituable. Sous un régime d'efficacité, la piste d'audit n'est pas de la paperasse ; c'est la preuve que votre contrôle fonctionne.

6. Mise en œuvre : réussir la précision

Calibrer les seuils délibérément

Les seuils de scoring définissent la frontière entre traitement automatique, revue légère et escalade. Fixez-les avec des données, non par intuition, et calibrez-les sur un échantillon annoté d'alertes historiques afin de mesurer explicitement l'arbitrage précision-rappel avant la mise en production.

Construire des boucles de rétroaction

Chaque décision d'analyste est un signal d'apprentissage. Lorsqu'un homonyme est écarté pour la cinquantième fois, le système devrait apprendre à le déclasser ; lorsqu'une véritable correspondance est escaladée, le motif devrait renforcer la sensibilité. Un modèle de screening sans boucle de rétroaction stagne ; un modèle doté d'une boucle disciplinée gagne en précision au fil du temps.

Se prémunir contre la sous-alerte

Le risque cardinal d'un calibrage visant moins de faux positifs est de créer des faux négatifs — manquer une véritable correspondance. C'est bien plus dangereux qu'une file trop pleine. Trois garde-fous sont essentiels : ne jamais auto-clôturer les catégories à fort impact (hits de sanctions directs, juridictions à haut risque) sans revue humaine ; surveiller le rappel en continu par rapport à des cas de test positifs connus ; et effectuer un back-testing périodique pour confirmer que les alertes supprimées étaient réellement sans pertinence.

Précision et sécurité ne s'opposent pas lorsque le contrôle est bien conçu — elles s'obtiennent par la même conception rigoureuse.

7. Comment Wecan aborde le screening et le triage

Wecan Copilot traite le screening comme un problème de précision, non de volume. Sa couche de screening et de triage applique la correspondance contextuelle et la résolution d'entités pour éliminer les homonymes fallacieux, corrobore chaque correspondance candidate au regard des identifiants secondaires, et classe les constats de médias défavorables par matérialité plutôt que de faire remonter des titres bruts. Chaque alerte reçoit un score de risque calibré, et le triage intelligent ne route vers les analystes humains que la minorité réellement matérielle — la longue traîne d'homonymes à faible probabilité étant traitée efficacement.

Surtout, Wecan garde l'analyste aux commandes. Chaque décision porte une explication et une piste d'audit complète, de sorte que les décisions sont rapides, traçables et fondées sur des preuves — exactement la norme qu'exige le basculement d'efficacité de 2026. Le retour des analystes affine continuellement le modèle, et des garde-fous sur le rappel garantissent qu'un taux de faux positifs plus bas ne se fait jamais au prix d'une correspondance manquée. Le résultat est une fonction de screening qui grandit avec votre activité sans importer un flot proportionnel de bruit — et que vous pouvez défendre, ligne par ligne, devant n'importe quel régulateur.