Une caisse de crédit de l'Ontario réduit les faux positifs en fraude de 87% grâce à l'IA

Le Défi

Une caisse de crédit régionale desservant environ 85 000 membres à travers l'Ontario exploitait un processus d'examen des fraudes devenu insoutenable. L'équipe de conformité — six enquêteurs — était chargée d'analyser chaque transaction signalée par le système de détection de fraude basé sur des règles de l'institution. Sur le papier, le système fonctionnait : il détectait bel et bien les fraudes réelles. Dans les faits, il générait bien plus de travail que l'équipe ne pouvait en absorber, et la plupart de ce travail était inutile.

Le taux de faux positifs atteignait 60 %. Sur dix transactions signalées pour examen, six étaient légitimes — des opérations ordinaires des membres ayant déclenché une règle de détection parce qu'elles sortaient de l'ordinaire : un virement important, un achat hors province, une transaction à une heure inhabituelle. Chacune de ces six transactions nécessitait un examen manuel d'un enquêteur pour être levée. Chaque examen prenait en moyenne 4,2 heures, incluant l'analyse de l'historique des transactions, la prise de contact avec le membre si nécessaire, la documentation du résultat et l'enregistrement du cas dans le système de gestion de la conformité.

L'équipe de conformité subissait pleinement les conséquences de cette réalité. Les enquêteurs avaient rejoint l'institution pour enquêter sur des fraudes. Ils passaient la majorité de leur temps à confirmer que des transactions légitimes l'étaient effectivement. Le taux de roulement du personnel dans l'unité de conformité avait dépassé 30 % annuellement pendant deux années consécutives.

L'institution faisait également face à une dimension réglementaire. Le Bureau du surintendant des institutions financières (BSIF) avait identifié le cadre de détection des fraudes de la caisse comme un point à examiner lors du prochain audit prévu. La combinaison de taux élevés de faux positifs, de processus très manuels et de capacités limitées des enquêteurs créait une exposition aux risques d'audit.

L'Approche

Audit (3 semaines). Nous avons procédé à une évaluation détaillée de l'infrastructure de détection des fraudes — les 34 règles de détection du système, l'architecture des données transactionnelles, le flux de travail de gestion des cas et le cadre de rapport de conformité.

L'audit a produit un diagnostic précis : le système basé sur des règles avait été conçu pour maximiser le rappel (détecter toutes les fraudes) sans aucune contrainte sur la précision (minimiser les faux positifs). L'opportunité offerte par l'IA n'était pas de remplacer le système basé sur des règles, mais d'ajouter une couche de triage intelligente évaluant chaque transaction signalée avant qu'elle n'entre dans la file d'attente des enquêteurs.

Stratégie (4 semaines). Nous avons conçu une architecture à deux niveaux : un modèle de détection des anomalies par IA opérant en amont du système basé sur des règles, et un moteur de triage automatisé évaluant les transactions signalées selon l'historique comportemental des membres, les tendances du réseau et les signaux de risque en temps réel, avant de les acheminer aux enquêteurs.

La conception spécifiait trois résultats de routage pour chaque transaction signalée :

1. Levée automatique : Les transactions où l'IA évaluait la probabilité de fraude sous un seuil défini étaient automatiquement levées avec une justification documentée.
2. Examen prioritaire : Les transactions présentant des indicateurs élevés de fraude étaient acheminées aux enquêteurs avec un résumé de cas généré par l'IA.
3. Examen standard : Les transactions nécessitant l'évaluation d'un enquêteur, mais ne répondant pas aux critères de priorité, étaient mises en file avec des résumés contextuels générés par l'IA.

Mise en œuvre (3 mois). Le premier mois a déployé le modèle de détection des anomalies par IA — entraîné sur 36 mois de données transactionnelles propres à l'institution, complétées par des données anonymisées d'autres caisses de crédit. Les deuxième et troisième mois ont déployé le moteur de triage et l'ont intégré au système de gestion des cas existant.

La logique de levée automatique a été soumise à un contrôle humain pendant les 60 premiers jours : un enquêteur principal examinait chaque semaine un échantillon aléatoire de 20 % des transactions automatiquement levées. Aucune erreur n'a été identifiée en 12 semaines d'échantillonnage.

Responsabilisation (en parallèle). La formation portait sur trois domaines : travailler avec les résumés de cas générés par l'IA, utiliser le mécanisme de retour d'information pour signaler les évaluations incorrectes, et produire la documentation de conformité démontrant l'efficacité du cadre au BSIF.

Les Résultats

• Réduction de 87 % du taux de faux positifs. Le taux de faux positifs est passé de 60 % à 7,8 % dans les 90 jours suivant le déploiement complet.
• Le temps moyen de résolution des cas est passé de 4,2 heures à 45 minutes. Les résumés de cas générés par l'IA, pré-remplis avec le contexte transactionnel et l'historique du membre, ont éliminé le temps que les enquêteurs consacraient auparavant à rassembler manuellement les informations.
• Audit BSIF réussi. L'audit BSIF prévu a eu lieu quatre mois après le déploiement complet. Le cadre de détection des fraudes a été jugé proportionné et efficace.
• Capacité des enquêteurs libérée pour les cas complexes. Avec une réduction de 87 % des faux positifs, la capacité effective de l'équipe de conformité pour les enquêtes substantielles sur les fraudes a augmenté d'environ 230 %.
• Satisfaction du personnel nettement améliorée. Le roulement du personnel de l'équipe de conformité est passé de plus de 30 % annuellement à zéro dans les 12 mois suivant le déploiement.

Leçons Clés

1. La précision compte autant que le rappel dans la détection des fraudes. Les faux positifs ne sont pas gratuits : ils consomment la capacité des enquêteurs, dégradent le moral et obscurcissent les véritables signaux de fraude dans une file de bruit. Une couche d'IA qui améliore la précision sans dégrader le rappel produit de meilleurs résultats d'investigation.

2. La conformité réglementaire exige une documentation systématique, pas seulement une surveillance manuelle. Les auditeurs du BSIF recherchent des preuves que l'institution dispose d'un cadre systématique, documenté et proportionné pour gérer le risque de fraude. Le système augmenté par l'IA a produit cette preuve automatiquement.

3. Les enquêteurs augmentés surpassent à la fois l'IA pure et l'examen purement manuel. Le modèle hybride — triage par IA, décision humaine — a produit un meilleur résultat que l'une ou l'autre approche seule.

Pour les institutions financières souhaitant moderniser la détection des fraudes, consultez les services IA de Remolda pour les services financiers et nos services d'automatisation des flux de travail.