Voici un scénario type. Il montre comment Remolda aborderait le triage par l’IA des alertes de fraude dans une coopérative de crédit canadienne, ce que nous construirions et ce que nous mesurerions.
La situation
Imaginez une coopérative de crédit régionale en Ontario avec une petite équipe de fraude et de conformité. Un système fondé sur des règles signale les transactions inhabituelles : un virement important, un achat hors province, une activité à une heure inhabituelle. Chaque signalement est transmis à un enquêteur.
La plupart des signalements s’avèrent être des opérations ordinaires de membres. Chacun exige tout de même qu’une personne consulte l’historique des transactions, appelle parfois le membre, consigne le résultat et ferme le dossier. La file s’allonge plus vite que l’équipe ne peut la vider. Les vrais cas de fraude attendent derrière les cas courants.
Les règles ont été écrites pour ne rien laisser passer. Ce choix est sensé. Son coût : une file remplie de transactions légitimes.
L’approche
Audit (3 semaines). Nous examinons les règles de détection, les données de transactions, le flux de gestion des dossiers et les obligations de déclaration, et nous rencontrons les enquêteurs, la gestionnaire ou le gestionnaire de la conformité et le chef de la gestion des risques. L’objectif est de mesurer, sur l’historique de la coopérative, à quelle fréquence chaque règle mène à une fraude confirmée et combien de temps prend chaque type de dossier. Ces deux mesures deviennent le point de départ.
Stratégie (4 semaines). La conception conserve le système fondé sur des règles et ajoute une couche de triage après lui. Pour chaque transaction signalée, la couche évalue l’historique du membre, le contexte de la transaction et les schémas de fraude connus, puis achemine le dossier de l’une de trois façons :
- Fermeture avec un motif documenté. Seulement sous un seuil prudent, établi à partir de cas historiques dont l’issue est connue.
- Examen prioritaire. Transmis à un enquêteur avec un sommaire de dossier rédigé par l’IA et les éléments qui l’appuient.
- Examen standard. Mis en file avec un sommaire de contexte pour que l’enquêteur parte des faits.
Le comité des risques et le chef de la conformité approuvent la conception, le seuil et le plan de surveillance avant le début de toute construction.
Mise en œuvre (3 mois). Le premier mois sert à construire et à tester le modèle de notation sur les données de transactions de la coopérative. Les deuxième et troisième mois relient la couche de triage au système de gestion des dossiers existant, pour que les enquêteurs gardent les écrans qu’ils connaissent. L’enquêteur prend la décision finale pour chaque cas qui lui parvient.
Pendant les 60 premiers jours, un enquêteur principal examine chaque semaine un échantillon aléatoire des cas fermés automatiquement. L’échantillonnage ne passe au rythme mensuel qu’une fois les résultats hebdomadaires stables.
Autonomisation (en parallèle). La formation couvre trois choses : lire les sommaires de dossier de l’IA avec un œil critique, signaler par un bouton de rétroaction les évaluations qui semblent erronées, et produire la documentation qui montre aux examinateurs comment fonctionne le cadre.
Ce que nous mesurerions
Chaque élément ci-dessous est une cible que nous fixerions avec la coopérative de crédit et mesurerions par rapport au point de départ établi pendant l’audit. L’ampleur de chaque cible n’est fixée qu’une fois le point de départ mesuré.
- Part des signalements qui s’avèrent légitimes. Suivie chaque semaine, séparément pour les cas fermés automatiquement et les cas examinés.
- Délai de fermeture d’un dossier. Du signalement à la décision, par type de dossier.
- Fraudes manquées. Fraudes confirmées trouvées parmi les cas fermés automatiquement dans le programme d’échantillonnage. Le niveau acceptable est convenu avec le comité des risques avant la mise en service, et le seuil est resserré s’il est dépassé.
- Temps des enquêteurs consacré aux vrais cas. Heures par semaine consacrées aux dossiers qui mènent à une mesure.
- Documentation complète. Chaque fermeture automatique a un motif consigné, chaque échantillon a un résultat consigné.
Les règles qui encadrent ce scénario
Les coopératives de crédit de l’Ontario sont réglementées par la province, et toutes les coopératives de crédit sont des entités déclarantes au sens des règles du CANAFE. Une couche de triage appuie l’agent de conformité ; les décisions de déclaration restent entre les mains de personnes. Les institutions sous réglementation fédérale tiendraient aussi compte de la Ligne directrice E-23 du BSIF sur le risque de modélisation, qui entre en vigueur le 1er mai 2027. Lorsqu’une décision visant un membre au Québec est fondée exclusivement sur un traitement automatisé, la Loi 25 du Québec exige d’en informer la personne. La page du secteur financier indique les sources.
Leçons clés
1. La précision et le rappel comptent tous les deux. Attraper chaque cas de fraude est le bon réflexe. Une couche de triage ne vaut la peine d’être construite que si elle améliore la précision sans réduire le rappel, et le programme d’échantillonnage sert à le vérifier.
2. La documentation fait partie du produit. Les examinateurs cherchent un cadre systématique, documenté et proportionné. La couche de triage consigne son motif pour chaque décision, ce qui donne à l’équipe de conformité des preuves à présenter.
3. Les personnes gardent la décision. Une décision de fraude entièrement automatisée ajoute des risques réglementaires et de responsabilité. Le triage par l’IA avec une décision humaine combine la rapidité du modèle et la responsabilité de l’enquêteur.
Pour aller plus loin, voir l’IA pour les banques et les coopératives de crédit et l’automatisation des flux de travail par l’IA.