Le problème du « garbage in, garbage out » dans la lutte contre l’argent sale

Selon une estimation de 2020 du Service canadien de renseignement criminel, entre 45 et 113 milliards de dollars sont blanchis chaque année au Canada. Rien qu’en Colombie-Britannique, un groupe d’experts a constaté que plus de 7 milliards de dollars avaient été blanchis en 2018, dont jusqu’à 5,3 milliards avaient transité par le marché immobilier, contribuant ainsi à une hausse des prix de l’immobilier estimée à 5 %. À l’échelle mondiale, l’ONU et le FMI estiment que le blanchiment d’argent représente entre 2 % et 4 % du PIB. Ces fonds alimentent le crime organisé, corrompent les institutions et financent le terrorisme — il ne s’agit pas là de problèmes marginaux.

Les technologies utilisées pour blanchir cet argent évoluent. Les criminels et les bailleurs de fonds du terrorisme ont désormais recours à l’intelligence artificielle pour transférer de l’argent de manière anonyme, automatiser leurs communications, lancer des campagnes de hameçonnage convaincantes et cloner la voix de proches afin d’extorquer des fonds aux victimes. Les cellules de renseignement financier (CRF) chargées de détecter ces flux, notamment le Centre d’analyse des opérations et déclarations financières du Canada (CANAFE), s’empressent d’adopter leurs propres solutions d’IA.

En novembre 2023, Sarah Paquet, directrice générale de FINTRAC, a annoncé la stratégie de modernisation de l’agence, « FINTRAC en temps réel », explicitement articulée autour d’une analyse pilotée par l’IA. La plupart des grandes banques canadiennes ont lancé leurs propres initiatives d’IA dans le domaine de la lutte contre le blanchiment d’argent et le financement du terrorisme. Selon l’enquête mondiale sur l’IA de McKinsey, environ 60 % des entreprises du secteur des services financiers ont adopté au moins une fonctionnalité d’IA.

Il s’agit d’une évolution prometteuse mais risquée. La littérature académique et politique sur l’IA dans le domaine du renseignement financier est clairsemée, largement dépourvue de fondement théorique et ne mentionne pratiquement jamais le Canada. Notre recherche vise à combler cette lacune et à présenter un état des lieux honnête des promesses et des dangers.

Ce que l’IA peut réellement apporter au renseignement financier

L’intérêt de l’IA dans ce domaine tient à ce qu’elle permet d’accélérer. Les entités déclarantes, principalement des banques et des institutions financières, doivent connaître leurs clients et exercer une diligence raisonnable continue. Les systèmes alimentés par l’IA peuvent vérifier les documents d’identité en temps réel, effectuer des contrôles au regard des listes de sanctions et des informations médiatiques défavorables, établir un profil de référence des activités typiques de chaque client et signaler les anomalies dès qu’elles surviennent. Ils peuvent détecter des transactions structurées visant à contourner les seuils de déclaration, des mouvements soudains entre comptes, des opérations liées à des juridictions à haut risque ou des schémas de transfert en plusieurs étapes compatibles avec le blanchiment d’argent. Certaines études techniques suggèrent que l’IA peut réduire de 90 % à moins de 50 % le taux de faux positifs dans les processus de diligence raisonnable, tout en allégeant la charge de travail liée à l’examen manuel.

La même logique s’applique aux cellules de renseignement financier. Le GAFI et le Groupe Egmont, qui regroupent ces cellules, affirment que l’IA peut affiner l’analyse des risques, automatiser le nettoyage des données et résoudre le problème complexe consistant à faire correspondre plusieurs enregistrements — une adresse ici, un numéro de téléphone là, un compte bancaire ailleurs — à une seule entité réelle. Les systèmes de surveillance fondés sur des règles peinent à gérer ce type d’analyse de réseau ; ce n’est pas le cas de l’IA. Cette technologie peut également générer des boucles de rétroaction continues entre les CRF et les entités qui leur transmettent des informations, permettant ainsi à l’agence d’évaluer la qualité d’une déclaration d’opération suspecte et d’y répondre en temps réel.

Où se situent les dangers

La technologie n’est pas la plus difficile ; ce sont les données. Toute application d’IA est soumise au principe « garbage in, garbage out » (si l’on entre des données erronées, on obtient des résultats erronés). Les entités déclarantes, comme les CRF, sont confrontées à des données incomplètes, incohérentes et dispersées dans des silos. De nombreuses institutions financières fonctionnent encore avec des systèmes bancaires hérités, mis en place bien avant que l’apprentissage automatique ne soit sérieusement envisagé. Leur mise à niveau est coûteuse et lente. Sans données de haute qualité, l’IA génère des faux positifs, avec le problème supplémentaire que personne ne peut expliquer précisément comment.

Ce dernier point constitue le deuxième danger. L’IA est parfois qualifiée de « boîte noire », et les régulateurs ont appris à demander non seulement ce qu’un algorithme a signalé, mais aussi pourquoi il l’a signalé. Cette opacité est cruciale dans un domaine où un signalement peut déclencher une surveillance, un refus de service ou une enquête pénale. Les recommandations du GAFI sont claires à ce sujet : l’IA dans la lutte contre le blanchiment d’argent et le financement du terrorisme (LBC/FT) est plus efficace lorsqu’un analyste humain reste impliqué dans le processus.

La représentation schématique de ce processus est simple : le système détecte l’anomalie, l’analyste la confirme ou la rejette, et le système apprend à partir de cette information. Au fil du temps, le taux de faux positifs diminue et le système parvient à distinguer plus finement l’activité courante d’un risque réel. La supervision humaine constitue donc un mécanisme clé qui empêche l’IA de se tromper.

Il existe également un problème culturel. Les employés de première ligne du secteur des services financiers craignent pour leur emploi, et une enquête du Boston Consulting Group menée auprès de 13 000 travailleurs dans 18 pays a révélé que les dirigeants sont bien plus optimistes à l’égard de l’IA que les personnes chargées du filtrage sur le terrain. Sans déploiement progressif, sans formation ni évaluation continue, l’adoption de cette technologie restera au point mort.

Enfin, l’IA présente des lacunes qu’elle ne sait pas encore combler. Les systèmes informels de transfert de valeur, comme le hawala, ainsi que le volume croissant des transactions en cryptomonnaies, posent des défis de détection spécifiques. Certaines de ces lacunes se réduiront à mesure que la technologie s’améliorera, d’autres peut-être pas.

La question réglementaire à laquelle le Canada n’a pas encore répondu

La question la plus épineuse est celle de la gouvernance. Il n’existe pas de cadre mondial complet pour l’IA dans le domaine du renseignement financier, et les approches régionales divergent fortement. La loi sur l’IA de l’UE, adoptée en 2024, impose des exigences contraignantes en matière de transparence et de contrôle, adapte les obligations au niveau de risque du système et pourrait bien devenir la référence mondiale. Les États-Unis ont publié le « Blueprint for an AI Bill of Rights » (plan directeur pour une charte des droits en matière d’IA) ainsi que le décret de l’administration Biden sur le développement de l’IA, mais ces textes ne sont pas contraignants, et l’approche de l’administration Trump n’est pas encore définitive.

Le Canada en est à mi-chemin. La loi sur l’intelligence artificielle et les données, intégrée au projet de loi C-27, imposerait des obligations de gouvernance aux systèmes d’IA du secteur privé classés comme ayant un impact élevé et viserait à aligner la réglementation canadienne sur celle de l’UE.

Le problème n’est pas de déterminer lequel de ces cadres est le bon. Le problème est que les CRF et les entités déclarantes canadiennes déploient désormais l’IA dans un environnement réglementaire qui n’a pas encore été mis en place. Les risques liés à la vie privée, les biais algorithmiques et le risque d’un impact disproportionné sur certains groupes démographiques deviendront des problèmes opérationnels avant même de devenir des problèmes juridiques. La position de l’administration Trump sur l’IA déterminera la nature de la coopération entre les alliés. Le Canada n’a pas encore décidé comment son propre régime réglementaire y répondra.

Le travail qui nous attend est à la fois empirique et juridique. Il n’existe aucune étude de cas canadienne détaillée sur l’IA dans la lutte contre le blanchiment d’argent et le financement du terrorisme, aucune analyse comparative entre les différentes juridictions, ni aucune théorie sur la manière dont l’IA modifie les comportements criminels. Les blanchisseurs d’argent et les financeurs du terrorisme recourent déjà à ces outils. Les agences qui tentent de les appréhender disposent de moins de temps qu’elles ne le pensent pour déterminer comment faire de même de manière responsable.

Leur article récent, intitulé « Applying AI to Canada’s Financial Intelligence System: Promises and Perils in Combatting Money Laundering and Terrorism Financing » (Application de l’IA au système de renseignement financier canadien : promesses et dangers dans la lutte contre le blanchiment d’argent et le financement du terrorisme), est publié dans l’International Journal et disponible ici.