Détection de fraude par IA et avenir de la sécurité des paiements

Un système de sécurité des paiements peut sembler presque parfait tout en échouant à sa tâche la plus importante. Si la fraude ne représente qu’une infime fraction des transactions, un algorithme qui approuve tout sera correct la plupart du temps. Les clients peuvent connaître moins d’interruptions, mais les criminels ne rencontreront aucune résistance.

Cette tension se situe au cœur d’une nouvelle revue systématique de Herlina Manurung et Dyah Rizki Arinengsih, publiée dans Social Sciences & Humanities Open.¹

Pour les banques, les réseaux de paiement et les investisseurs, les implications sont concrètes. Une meilleure détection de fraude pourrait protéger les revenus et réduire les coûts opérationnels. Cependant, ces avantages dépendent de systèmes capables de distinguer les comportements suspects des activités légitimes, de rester utiles à mesure que les criminels s’adaptent, et de fournir des preuves exploitables par les enquêteurs.

Pourquoi une haute précision peut masquer une détection de fraude médiocre

Considérons une plateforme de paiement hypothétique traitant 100 000 transactions, dont 100 sont frauduleuses. Un modèle qui classe chaque transaction comme légitime atteint une précision de 99,9 % tout en ne détectant aucune fraude.

Imaginez maintenant un système qui intercepte 80 transactions frauduleuses mais signale à tort 1 % des 99 900 légitimes. Il génère 1 079 alertes, dont 999 fausses alarmes. Seulement environ 7,4 % de ses alertes identifient une fraude réelle. Ces chiffres illustrent le problème ; ils ne proviennent pas de la revue.

Un tel système pourrait néanmoins prévenir des pertes importantes, selon la valeur des transactions et la manière dont les alertes sont traitées. Cependant, son utilité ne peut pas être évaluée uniquement à partir de la précision. Les enquêteurs doivent traiter les alertes, les clients peuvent rencontrer des difficultés inutiles, et les commerçants peuvent perdre des ventes légitimes.

La revue met donc l’accent sur la précision, le rappel et l’évaluation sensible aux coûts. La précision mesure le nombre de cas signalés qui impliquent réellement une fraude. Le rappel mesure la proportion de fraude que le système détecte. Aucun de ces indicateurs ne remplace la nécessité de comprendre les conséquences financières des erreurs.

L’objectif commercial est de réduire le préjudice total : pertes liées à la fraude, frais d’enquête, friction client et revenus perdus à cause de refus erronés.

Ce que la revue de détection de fraude a révélé

Les auteurs structurent leurs conclusions autour de quatre dimensions : la prise en charge des événements rares et des coûts d’erreur inégaux, le maintien d’une évaluation fiable, la résistance aux conditions changeantes et aux manipulations délibérées, ainsi que l’utilisation de relations et de preuves interprétables.

Leur analyse descriptive révèle un écart entre la modélisation sophistiquée et les tests de résilience documentés.

Ces catégories se chevauchent. Les décomptes représentent les fréquences minimales soutenues par les résumés des sources des auteurs, de sorte qu’une méthode non signalée ne doit pas être automatiquement considérée comme absente.

La revue présente également des limites. Ses preuves proviennent principalement de recherches indexées dans Scopus et rédigées en anglais, et les dossiers de dépistage historiques incomplets restreignent sa traçabilité. Les différences entre ensembles de données, définitions de fraude et méthodes d’évaluation ont empêché une agrégation quantitative. Elle offre un cadre de conception utile, plutôt qu’une preuve qu’un algorithme surpasse systématiquement toutes les alternatives.

Pourquoi les modèles de fraude doivent être testés à demain

Un modèle entraîné sur les transactions d’hier fait face à deux types de changements. Le comportement légitime évolue lorsque les clients voyagent, que les commerçants lancent des promotions et que les habitudes de paiement se transforment. Les criminels modifient également leurs stratégies pour éviter la détection. La revue distingue les changements de distribution du comportement adversarial délibéré, tout en montrant pourquoi les deux sont importants.

Les tests peuvent accidentellement masquer ces défis. Une division aléatoire des transactions historiques peut placer des enregistrements étroitement liés à la fois dans les ensembles d’entraînement et d’évaluation. Le modèle bénéficie alors de clients ou de schémas familiers qui ne seraient pas forcément disponibles lorsqu’il est confronté à une activité réellement nouvelle.

Tester sur des périodes ultérieures, ou séparer les entités entre l’entraînement et l’évaluation, offre une évaluation plus exigeante. Même dans ce cas, les performances doivent être surveillées après le déploiement.

Cela suggère une autre façon d’évaluer la technologie de fraude : se demander à quelle vitesse la détérioration devient visible et dans quelle mesure le système peut se rétablir en toute sécurité. Un score initial élevé a une valeur limitée si une nouvelle attaque reste non détectée pendant des semaines.

Des questions opérationnelles utiles incluent :

• Quel pourcentage de fraudes est détecté avec un volume d’alertes gérable ?
• À quelle fréquence les transactions légitimes sont‑elles interrompues ?
• Que se passe‑t‑il lorsque les comportements évoluent ou que les attaquants s’adaptent ?
• Les enquêteurs peuvent‑ils comprendre et vérifier les preuves ?

L’IA graphique peut révéler les réseaux de fraude

Les transactions individuelles racontent rarement l’histoire complète. Plusieurs paiements apparemment ordinaires peuvent devenir suspects lorsqu’ils partagent un même appareil, se connectent au même compte de destination ou forment une séquence inhabituelle entre différents commerçants.

L’apprentissage basé sur les graphes représente les entités comme des nœuds interconnectés, permettant aux modèles d’examiner les relations en parallèle des attributs de transaction. Cela peut aider à identifier des comportements coordonnés que le scoring isolé des transactions ne détecte pas.

L’importance plus large de l’analyse relationnelle s’étend à crypto wash trading and market manipulation, où une activité apparemment indépendante peut masquer une coordination. Les tâches de détection diffèrent, mais les deux illustrent pourquoi l’activité agrégée peut être trompeuse sans contexte.

Les graphes introduisent leurs propres vulnérabilités. Les criminels peuvent créer des connexions apparemment légitimes pour dissimuler des comptes suspects, tandis que des relations obsolètes ou incomplètes peuvent fausser les évaluations de risque. L’examen considère donc l’information structurelle comme quelque chose à valider et à protéger, plutôt que comme une garantie automatique de meilleurs résultats.

Les explications sont également essentielles ici. Montrer à un enquêteur les comptes ou les chemins de transaction à l’origine d’une alerte peut faciliter l’examen des preuves. Cela ne constitue pas, en soi, une preuve que la fraude a eu lieu.

Une meilleure détection de la fraude peut protéger les revenus des paiements

L’opportunité économique dépasse la simple prévention du vol. Une transaction légitime refusée à tort peut pousser un client vers une autre carte ou un autre commerçant. Un nombre excessif d’alertes consomme également du temps du personnel qui pourrait être dédié à l’enquête sur des menaces plus graves.

Comme l’explique Securities.io à propos de card networks, issuers, acquirers, and processors, les paiements impliquent plusieurs entreprises aux rôles différents. Les améliorations des décisions d’autorisation peuvent donc créer des bénéfices tout au long de la chaîne de transaction, bien que ces bénéfices ne profitent pas de manière égale à chaque participant.

La discussion de Mastercard en 2026 sur AI payment fraud prevention met en avant la réduction des revues manuelles et des faux positifs comme objectifs commerciaux. Son compte‑rendu offre un contexte commercial, mais pas une validation indépendante de la revue académique.

Une implication utile est que la détection et l’intervention doivent être évaluées conjointement. Un score de risque peut déclencher une suspension temporaire, une authentification supplémentaire, une revue manuelle ou un rejet. Choisir la réponse appropriée peut être aussi important que la production du score.

Mastercard propose une exposition à la sécurité des paiements IA

Ces incitations font de Mastercard une entreprise pertinente pour les investisseurs intéressés par l’infrastructure financière activée par l’IA.

Son Decision Intelligence Pro combine des techniques de graphes et des modèles d’IA générative pour évaluer le risque de transaction en utilisant le contexte comportemental et relationnel. Mastercard positionne le service autour de l’amélioration de la détection de fraude tout en réduisant les refus injustifiés.

Le lien avec la revue est conceptuel. L’article ne teste pas le produit de Mastercard ni ne vérifie ses affirmations commerciales. Cependant, l’approche de l’entreprise illustre comment l’information réseau et l’analyse contextuelle peuvent devenir des services vendus aux institutions financières.

Pour les investisseurs, l’avantage potentiel réside dans la combinaison de l’intelligence transactionnelle, des relations clients établies et de l’intégration aux flux d’autorisation. La durabilité de cet avantage dépendra de l’exécution, de la gouvernance des données, des services concurrents et des résultats mesurables pour les clients.

Mastercard offre également une exposition plus large aux paiements, plutôt qu’un investissement pur dans la détection de fraude. Sa valorisation et sa performance globale restent des facteurs importants lors de l’évaluation de l’opportunité.

Dernières actualités et développements de Mastercard (MA)

Une détection fiable de la fraude IA nécessite des résultats mesurables

La revue soutient l’optimisme quant à une meilleure sécurité financière, tout en précisant ce que le progrès doit signifier. Le succès exige de détecter davantage d’activités nuisibles sans créer de perturbations disproportionnées, de maintenir les performances face aux changements de conditions et de fournir aux enquêteurs des preuves utiles.

Le prochain avantage concurrentiel pourrait provenir de l’intégration de ces capacités dans des opérations fiables. Pour les entreprises de paiement, le critère significatif est la valeur qui reste protégée après prise en compte des pertes liées à la fraude, des coûts opérationnels et de la friction client.

Références :

¹ Manurung, H., & Arinengsih, D. R. (2026). Apprentissage automatique robuste pour la détection de fraudes sous déséquilibre, rareté et comportements adversaires : preuves dans les rapports financiers, les paiements et les écosystèmes de graphes. Social Sciences & Humanities Open, 14, 103697. https://doi.org/10.1016/j.ssaho.2026.103697