NatusAI
Un enquêteur spécialisé en criminalité financière et un responsable d’équipe examinent un réseau de transactions à l’écran
  1. Accueil
  2. Cas d’usage
  3. Banque et services financiers
Banque · Détection de la fraude et conformitéRéalisé · résultat client

Une grande banque européenne

IA, fraude et conformité bancaire : de requêtes de 3 jours au temps réel

La détection et l’analyse de la fraude sont passées d’un processus de requêtes de 3 jours à une analyse en temps réel, sur des millions de transactions quotidiennes.

Échanger sur un projet similaire
3 jours → <1 s

pour une requête relationnelle complexe

85 %

d’amélioration de la détection de la fraude, selon la banque

70 %

de productivité en plus

Synthèse : analyse de la fraude et de la conformité

Client
Une grande banque européenne
Secteur
Banque et services financiers
Volume
Des millions de transactions par jour
Périmètre
Détection de la fraude, reporting de conformité, analyse documentaire

Contexte, décision, résultat

  • Contexte. Les requêtes complexes prenaient 3 jours ouvrés : impossible de détecter la fraude en temps réel. Le cloisonnement des données entre départements empêchait toute vision client à 360°, et les équipes passaient des heures à extraire des données de façon répétitive.
  • Décision. Repenser l’architecture autour des relations : une couche de données en graphe à haute performance reliant les départements, une détection d’anomalies par apprentissage automatique et un traitement en temps réel de millions de transactions quotidiennes. Les enquêteurs disposent du contexte complet de chaque alerte.
  • Résultat. Des réponses en moins d’une seconde à des requêtes relationnelles complexes qui prenaient 3 jours. Détection de la fraude améliorée de 85 % (selon la banque), reporting de conformité 80 % plus rapide, productivité en hausse de 70 % et satisfaction client en hausse de 42 %.
  • Délai de création de valeur. Sessions de formation et documentation technique ont été fournies aux équipes de la banque, construites autour des questions que les enquêteurs se posent déjà.
L’enjeu

L’enjeu pour les équipes fraude et conformité

En banque, la réponse utile dépend des relations : entre comptes, transactions, documents, clients et événements. Dans cette banque, ces relations étaient dispersées entre les systèmes des différents départements, et les requêtes complexes prenaient 3 jours ouvrés.

Ces délais pesaient sur les enquêtes, le reporting et toute décision exigeant une vision connectée. Le temps que les données soient rapprochées, la fenêtre de décision s’était souvent refermée, et la lenteur des décisions accroissait l’exposition à la fraude.

Comment le travail a été mené

La démarche : de requêtes de 3 jours à l’enquête en temps réel

Le goulet d’étranglement se trouvait dans les relations entre les données, non dans les équipes ou le matériel.

  1. Étape 01 · Analyser

    Comment nous avons diagnostiqué les goulets d’étranglement

    Nous avons cartographié le parcours, du traitement des transactions à la détection de la fraude puis au reporting de conformité, et retracé les flux de données entre départements.

    Nous avons recherché les silos, les extractions répétitives et les relations que les équipes avaient besoin de voir ensemble. Nous avons ainsi concentré le premier changement sur les questions où des données connectées libéreraient le plus de capacité.

    Réalisation Phase de cadrage menée par notre équipe.

  2. Étape 02 · Concevoir et transformer

    Comment nous avons construit un modèle de données au service de l’enquête

    Nous avons conçu une architecture de base de données en graphe à haute performance, optimisée pour les requêtes relationnelles complexes, et organisé les données relationnelles dans une structure adaptée à l’enquête.

    Nous avons entraîné des modèles d’apprentissage automatique à la reconnaissance de schémas et à la détection d’anomalies sur les données de transactions, et construit une chaîne de traitement en temps réel pour des millions de transactions quotidiennes.

    Une couche de données unifiée a relié les départements autour d’une vision partagée, avec contexte opérationnel et contrôles d’accès intégrés dès la conception.

    Produits NatusAI pour cette capacité

    Rendu abstrait d’un graphe versionné dans le temps, où les relations conservent leur historique
    Chaque transaction et chaque relation conservées avec leur historique : un schéma peut être suivi dans le temps.
Rendu abstrait d’une vision opérationnelle où alertes, transactions et historique sont connectés
Des données connectées font du risque de fraude un sujet qu’un conseil d’administration peut examiner preuves à l’appui.
  1. Étape 03 · Construire

    Ce que nous avons construit

    Un moteur de détection de la fraude en temps réel, avec surveillance des transactions en direct, alertes instantanées et notation automatisée du risque. Les enquêteurs voient l’activité, le schéma de risque et son contexte.

    Une plateforme d’analyse documentaire dotée d’une interface de requête en langage naturel, capable de traiter des millions de documents en quelques secondes, pour que les analystes interrogent des corpus documentaires validés.

    Une intégration des données client à 360 degrés, avec accès transverse aux départements et outils de collaboration.

    Produits NatusAI pour cette capacité

  2. Étape 04 · Adopter

    Comment les équipes se le sont approprié

    Des sessions de formation et une documentation technique pour les équipes de la banque, construites autour des questions que se posent déjà enquêteurs et analystes, avec le contexte nécessaire pour examiner un résultat plutôt qu’accepter la réponse d’une boîte noire.

    Produits NatusAI pour cette capacité

Réalisé par l’équipe NatusAI. Les étiquettes produit indiquent quel produit NatusAI fournit, ou doit fournir, chaque capacité ; le statut de disponibilité figure sous « Pour votre équipe technique ».

Des enquêteurs spécialisés en criminalité financière examinent ensemble des tableaux de transactions et un schéma de relations (image d’illustration)
Image d’illustration.
Le facteur humain

Ce qui a changé pour les équipes risques, fraude et conformité

Moins d’attente entre une question et une décision, plus de temps pour le discernement.

  • Enquêteurs fraude. Les alertes arrivent en temps réel, accompagnées du graphe et de l’historique qui les sous-tendent : un schéma peut être suivi de proche en proche, puis expliqué.

  • Équipes conformité. Le reporting est 80 % plus rapide, car les données sont déjà connectées et les documents peuvent être interrogés en langage courant.

  • Équipes en contact avec la clientèle. Une vision client à 360 degrés, partagée entre départements. La satisfaction client a progressé de 42 %.

Des résultats mesurables qui comptent

L’impact : une analyse de la fraude et de la conformité en temps réel

3 jours → <1 s

requêtes relationnelles complexes : de 3 jours ouvrés à moins d’une seconde

85 %

d’amélioration de la détection de la fraude, selon la banque

70 %

de productivité en plus

80 %

plus rapide pour le reporting de conformité

42 %

de satisfaction client en plus

98 %

de précision d’analyse documentaire selon la banque, sur des millions de documents par mois

Chiffres communiqués par le client à la clôture du projet.

Données financières et enquête

Les prochains usages du même socle

Dans la plupart des banques, le grand livre, le moteur antifraude, le modèle de risque et la piste d’audit vivent dans des systèmes distincts, raccordés par des traitements par lots nocturnes. Un socle connecté et sensible au temps permet de décider, de détecter et de prévoir sur des données vivantes.

Scénario de référence

Décisions de crédit instantanées

Le problème
Accorder un prêt ou une limite suppose de rassembler l’historique d’un demandeur et l’ensemble de ses engagements, généralement par une jointure lente entre plusieurs systèmes.
L’approche
L’historique complet des transactions et le réseau de contreparties sont réunis en un seul endroit. Un modèle de scoring les évalue et renvoie un accord ou un refus en quelques instants.
Le résultat
Des décisions de crédit en temps réel, au point de vente ou dans l’application, étayées par les données exactes ayant servi à les prendre.
Scénario de référence

Détection de la fraude et lutte contre le blanchiment (LCB-FT)

Le problème
La fraude et le blanchiment se révèlent sous forme de schémas dans le temps (réseaux, chaînes de mules, pics soudains) que les contrôles ligne par ligne ne voient pas.
L’approche
Suivre l’argent de proche en proche, repérer les flux circulaires et les pics de vélocité, et noter les anomalies au fil des transactions.
Le résultat
Des schémas suspects signalés en temps réel, avec l’ensemble du réseau et de l’historique à portée de main pour enquêter et les expliquer.
Scénario de référence

Soldes et liquidité

Le problème
La trésorerie a aussi besoin des soldes de demain, mais les prévisions vivent dans des tableurs déconnectés du grand livre.
L’approche
Prévoir le solde de chaque compte, l’agréger au niveau de l’agence puis de la banque, et soumettre des scénarios à des tests de résistance sur les mêmes données.
Le résultat
Une liquidité prospective sur laquelle planifier, actualisée en continu plutôt qu’une fois par mois.

« À quoi ressemblait cette exposition au 30 juin ? » Chaque transaction et chaque relation est conservée avec son historique : audit, conformité et backtesting s’appuient sur les mêmes données que les décisions en temps réel.

Scénarios de référence pour la banque, l’assurance et les paiements ; illustratifs, ce ne sont pas des résultats clients NatusAI. L’octroi de crédit et le scoring peuvent relever du haut risque au titre de l’annexe III du règlement européen sur l’IA. Voir la gouvernance ci-dessous.

Transposabilité

Ce que cela signifie pour les banques, assureurs et établissements de paiement

Les banques, assureurs et établissements de paiement qui attendent encore des rapprochements par lots peuvent appliquer la même approche, en commençant par un seul parcours d’enquête : un réseau de fraude, un schéma de sinistres ou un rapport de conformité.

Commencer par la question qui attend le plus longtemps.

Un parcours d’enquête, un ensemble de relations rendu visible, et une mesure avant et après.

L’explicabilité naît du contexte.

Lorsque les enquêteurs voient le réseau et l’historique derrière une alerte, ils peuvent défendre la décision devant le superviseur.

Garder les données là où la réglementation l’exige.

Graphe, historique et analyses peuvent fonctionner comme un seul système sur l’infrastructure de la banque.

Réglementation

Conçu pour la gouvernance DORA, LCB-FT, Solvabilité II et du règlement européen sur l’IA

Les établissements financiers doivent pouvoir expliquer, reproduire et sortir. L’architecture maintient une personne nommément responsable des décisions à fort enjeu, conserve l’historique nécessaire pour les reconstituer et peut s’exécuter dans le périmètre de la banque.

  • DORA (applicable depuis le 17 janvier 2025) : déploiement sur site ou dans l’UE, stratégie de sortie documentée, éléments pour votre registre d’informations (accords contractuels avec des prestataires tiers de services TIC), preuves de restauration (restauration vérifiée, NatusAI Gemini, sur la feuille de route)
  • LCB-FT et supervision de la criminalité financière : des alertes reliées aux transactions, contreparties et historique qui les sous-tendent, pour des enquêtes explicables
  • Règlement européen sur l’IA (AI Act) : l’évaluation de la solvabilité des personnes physiques est un usage à haut risque de l’annexe III ; les obligations applicables aux systèmes à haut risque autonomes sont attendues à partir du 2 décembre 2027 (sous réserve d’adoption définitive). Contrôle humain, journalisation et documentation de la gouvernance des données contribuent aux obligations des déployeurs
  • Solvabilité II / EIOPA (assureurs) : les mêmes contrôles (contrôle humain, journalisation, flux de données documentés et plan de réversibilité documenté) fournissent aux assureurs la documentation qu’exigent leurs revues du système de gouvernance et de l’externalisation. DORA s’applique aux assureurs comme aux banques
  • RGPD : traitement dans l’environnement de la banque, flux de données documentés
  • Risque de modèle : documentation à l’appui de votre validation interne (p. ex. SR 11-7 / OSFI E-22 pour les entités américaines ou canadiennes)

NatusAI contribue à vos obligations ; elle ne remplace ni votre analyse juridique ni l’approbation de votre superviseur. Comment NatusAI accompagne la gouvernance RIA, RGPD, DORA et NIS 2

Un graphe de connaissances connectées : des réponses traçables jusqu’aux faits et aux relations qui les fondent
Pour votre équipe technique
  • Architecture réalisée : base de données en graphe à haute performance pour les requêtes relationnelles, détection d’anomalies par apprentissage automatique sur les données de transactions, chaîne de traitement en temps réel (des millions de transactions par jour), couche de données unifiée entre départements, système d’analyse documentaire multi-agents avec interface de requête en langage naturel.
  • Modèle du moteur de référence : transactions indexées à leur arrivée sous forme d’arêtes versionnées entre nœuds compte, client et contrepartie. Graphe, séries temporelles et apprentissage automatique dans un seul moteur. Requêtes « à date » pour n’importe quel instant. Un seul binaire auto-hébergé.
  • Correspondance avec la plateforme : NatusAI Cygnus (V1 prévue), NatusAI Auriga (feuille de route), NatusAI Aquila (feuille de route), NatusAI Orion (feuille de route), NatusAI Lyra (disponible).
Questions

Questions des directions des risques et des responsables de la lutte contre la criminalité financière

Rapidité, explicabilité, déploiement et effets plus larges.

Jusqu’à quel point les requêtes relationnelles complexes peuvent-elles s’accélérer ?

Dans cette banque, des requêtes complexes qui prenaient 3 jours ouvrés ont obtenu une réponse en moins d’une seconde, alors que le système traitait des millions de transactions par jour.

Les enquêteurs peuvent-ils expliquer une alerte générée par l’IA ?

Oui. Chaque alerte est accompagnée des transactions, contreparties et de l’historique qui la sous-tendent : les enquêteurs examinent le contexte au lieu d’accepter le score d’une boîte noire.

Le système peut-il fonctionner sur site (on-premise) ?

Oui. L’architecture peut fonctionner comme un seul système auto-hébergé sur l’infrastructure de la banque.

La même approche s’applique-t-elle aux assureurs ?

Oui. Le cas a été réalisé dans une banque, et le modèle s’applique partout où les réponses en matière de fraude, de sinistres ou de conformité dépendent de relations et d’historique. Les mêmes contrôles soutiennent la documentation de gouvernance que les assureurs préparent au titre de Solvabilité II et de DORA ; NatusAI ne certifie pas la conformité.

Qu’est-ce qui s’est amélioré au-delà de la détection de la fraude ?

Le reporting de conformité est devenu 80 % plus rapide, la productivité a progressé de 70 % et la satisfaction client de 42 %, grâce à une vision client à 360 degrés partagée entre départements.

Résultats clients
Échanger sur un projet similaire

Quelle question transverse prend trop de temps aujourd’hui ?

Commencez par un parcours d’enquête et rendez ses relations visibles. En 30 minutes, nous vous présentons comment nous mesurerions le changement, et comment il s’inscrit dans votre cadre DORA et de gestion du risque de modèle.

  • Commencer par une phase de cadrage délimitée, conclue par une décision claire de poursuivre ou non.
  • Des échanges de référence sur ce cas peuvent être organisés sous accord de confidentialité, après un premier briefing.
Échanger sur un projet similaireTous les cas d’usage

Ou écrivez-nous à contact@natusai.com

Une petite équipe de direction examine une synthèse de résultats d’une page en salle de réunion (image d’illustration)