Demandez à un membre d’une équipe conformité ce qui occupe ses journées : la réponse sera presque toujours la même. Il doit traiter des alertes qui s’avèrent infondées. À un moment, quelqu’un finit donc par proposer une solution simple : durcir les règles de rapprochement, relever les seuils et rendre le système plus sélectif.
Cette méthode ne fonctionne jamais vraiment. Durcir les règles réduit un peu le nombre d’alertes, peut-être de dix ou quinze pour cent, mais ne change en rien la proportion de bruit. Ces mêmes 95 % d’alertes sans fondement se retrouvent simplement dans un ensemble un peu plus restreint. Votre équipe reste submergée, dans un bassin à peine moins profond. Et parmi les alertes que vous avez cessé de transmettre, il y en avait une importante. Vous ne saurez laquelle que lorsqu’elle sera devenue un problème.
Le poids des faux positifs est considérable. Dans le secteur, ils représentent entre 85 et 95 % des alertes de filtrage. Autrement dit, la grande majorité du travail de vos analystes ne révèle aucun risque réel. Le coût est bien concret : un seul établissement peut consacrer chaque année des dizaines de millions de dollars au traitement d’alertes qui n’auraient jamais débouché sur quoi que ce soit, au risque d’épuiser l’équipe qui en a la charge.
Pour aborder le problème autrement, il faut comprendre ceci : si vous êtes submergés, ce n’est pas parce que vous examinez trop d’éléments. C’est parce que la plupart de vos alertes reposent sur des rapprochements de noms sans prise en compte du contexte. Réduire la sensibilité pour y remédier va donc dans le mauvais sens. Les faux positifs ne sont pas un problème de volume, mais de contexte. Dès lors, la solution ne consiste plus à « examiner moins », mais à « examiner plus intelligemment ».
Pourquoi avez-vous autant de faux positifs ?
Les faux positifs ne sont pas le fruit du hasard ou de la malchance. Ils ont un petit nombre de causes précises et prévisibles, liées pour la plupart à la manière dont les systèmes de filtrage traditionnels rapprochent les noms.
Un système qui se contente de comparer un nom à une liste signalera toute personne portant le même nom de famille qu’une personne visée par des sanctions. Il inclura les quarante autres personnes qui s’appellent Mohamed Ali. Il relèvera les différentes graphies d’un même nom, qui peut s’écrire d’une douzaine de façons. Il travaillera à partir de données insuffisantes, signalant des personnes sur la seule base d’un nom partiel, sans date de naissance ni pays permettant de les écarter. Il signalera aussi à nouveau des éléments que vous avez déjà écartés le mois dernier, car il ne garde aucune trace de votre examen récent. Ce comportement n’est pas un dysfonctionnement : le système remplit la seule fonction dont il est capable, à savoir rapprocher des chaînes de caractères, sans disposer du contexte qu’un humain utiliserait pour écarter la correspondance en quelques secondes.
C’est précisément là que se situe le problème. Le système a raison d’afficher ces correspondances puisqu’il ne peut pas distinguer une correspondance réelle d’une coïncidence. Il vous les transmet donc toutes et vous laisse faire le tri. Multipliez cela par le nombre de listes de sanctions, de bases de données de PPE et de flux de médias défavorables, chacun effectuant ses propres rapprochements : les doublons s’accumulent, et un même client qui ne présente aucun risque peut apparaître à trois endroits simultanément.
Le coût réel de la fatigue liée aux alertes
Le coût évident de tout ce bruit se mesure en temps et en argent : le temps consacré par les analystes, les recrutements nécessaires pour absorber le volume d’alertes en attente, et l’entrée en relation qui se retrouve bloquée pendant qu’un client légitime attend derrière des centaines de faux positifs. C’est l’aspect que tout le monde prend en compte. Il est systématiquement considéré comme le premier problème opérationnel de la conformité, celui qui provoque peu à peu des départs dans des équipes qu’il a fallu des années à constituer.
L’effet du bruit sur la détection, lui, n’apparaît jamais dans un tableau de bord. L’analyste qui traite le deux-centième faux positif de la journée n’est plus dans le même état que lorsqu’il a traité le premier. Écarter les alertes devient un réflexe, puisque c’est la bonne décision dans quatre-vingt-dix-neuf cas sur cent. Le problème, c’est le centième cas, celui qui correspond à un risque réel et qui finit par être écarté avec la même lassitude que les autres. La fatigue liée aux alertes ne fait pas que ralentir l’équipe : elle lui apprend progressivement à laisser passer des éléments, soit exactement l’inverse de l’objectif des alertes.
Le piège du réglage des paramètres
Nous revenons ainsi à la solution simple et à la raison de son échec. Quand les alertes s’accumulent, la réponse habituelle consiste à durcir les règles pour limiter leur déclenchement. Le problème est que vous n’agissez que sur un seul paramètre, avec les faux positifs d’un côté et les correspondances manquées de l’autre. Si vous réduisez suffisamment la sensibilité pour diminuer nettement le bruit, vous commencez aussi à supprimer de véritables correspondances. Le système ne peut pas devenir plus précis : il peut seulement devenir moins sensible.
Relever les seuils ne supprime pas le bruit : cela l’échange contre des angles morts. Vous vous sentez peut-être un peu moins submergés, mais votre protection diminue sans que cela soit visible. C’est l’une des pires combinaisons possibles dans un environnement réglementé. Nous développons cet argument dans L’illusion de la couverture : tant que votre système se contente de rapprocher des données, la couverture et le bruit dépendent du même levier.
La conclusion s’impose : le réglage des paramètres ne peut pas résoudre à lui seul un problème de faux positifs qu’il a contribué à créer. Il faut que le système fonctionne autrement.
Les faux positifs sont un problème de contexte
Observez une personne qui traite un faux positif. Elle ne s’y attarde pas : elle examine l’alerte et vérifie si la date de naissance ou le pays ne correspond pas, s’il s’agit d’une entreprise alors que le contrôle porte sur une personne, si ce nom précis a déjà été écarté la semaine précédente, ou si l’article est en réalité favorable. En quelques secondes, le contexte lui permet de comprendre qu’il n’y a rien à retenir.
Tous ces jugements reposent sur un contexte dont le système de rapprochement disposait, mais qu’il a ignoré. Donnez-lui ce même contexte, notamment des identifiants secondaires comme la date de naissance et l’adresse, la juridiction, les relations entre entités et la mémoire des éléments déjà examinés : le bruit disparaît, car le système peut alors faire ce que fait l’analyste, à savoir éliminer des possibilités.
Ce point devrait dissiper la principale inquiétude des personnes concernées. Mettre en œuvre cette approche n’implique pas de prendre davantage de risques. Un document de travail de la Federal Reserve publié en 2025 a comparé le rapprochement tenant compte du contexte au rapprochement approximatif traditionnel dans une tâche de filtrage des sanctions. Il a constaté une réduction des faux positifs d’environ 92 %, accompagnée d’une hausse du nombre de détections d’environ 11 %. Cette approche produit à la fois moins de bruit et davantage de correspondances réelles. Le compromis souvent tenu pour acquis, selon lequel moins de faux positifs implique forcément davantage de cas manqués, est en réalité une limite des rapprochements rudimentaires, et non une loi naturelle. Cela change entièrement la nature du projet. Votre objectif n’est pas de réduire le nombre de cas à examiner, mais de donner à la machine une capacité de jugement suffisante pour traiter les cas simples et réserver aux humains les cas difficiles.
Comment réduire réellement le bruit
Si le réglage des paramètres n’est pas la réponse, quelle est la solution ? En pratique, réduire les faux positifs consiste à donner au système du contexte et de la mémoire. Voici les principales mesures à prendre :
- Identifiez les personnes à partir de leurs identifiants secondaires. Effectuez les rapprochements sur la date de naissance, l’adresse, la juridiction et le nom complet plutôt qu’un surnom, au lieu de vous limiter à une chaîne de caractères. Le fait de porter le même nom de famille ne doit plus suffire à établir une correspondance.
- Utilisez le contexte pertinent au lieu de comparer un nom isolé à une liste. Tenez compte des relations entre entités et des faits qui les entourent pour que le système distingue une correspondance plausible d’une simple coïncidence.
- Écartez les cas qui ne présentent manifestement aucun risque. Les informations favorables, les entrées clairement sans rapport et les rapprochements avec une entité incorrecte doivent être éliminés automatiquement, sans être soumis à un examen humain.
- Conservez la mémoire des éléments déjà examinés. La surveillance continue doit repérer les évolutions réellement nouvelles, sans déclencher d’alertes sur des événements déjà écartés lors du cycle précédent. Repasser chaque mois l’intégralité du portefeuille en revue depuis le début est une source importante de bruit.
- Classez les alertes selon leur importance. Attribuez-leur un score fondé à la fois sur le risque et sur la gravité pour que votre équipe se concentre sur les cas qui exigent réellement une décision, au lieu de suivre l’ordre arbitraire de la file d’attente.
- Veillez à ce que chaque décision d’écarter une alerte soit enregistrée et reliée à sa source. Lorsqu’une alerte est écartée automatiquement, consignez le motif et les éléments qui le justifient : vos dossiers seront ainsi plus faciles à auditer.
Il ne s’agit pas d’examiner moins d’éléments. Dans chacun de ces cas, le système prend en charge une plus grande part du jugement qu’un humain exerçait auparavant manuellement. L’effet global dépasse une amélioration progressive : en cumulant ces mesures, une file qui contenait des milliers d’alertes n’en contient plus que quelques-unes, alors que le périmètre de détection reste identique.
Réduire le bruit sans négliger les contrôles
Pour les professionnels de la conformité, l’inquiétude naturelle concerne le contrôle réglementaire : le régulateur verra-t-il dans un volume d’alertes plus faible la preuve d’un examen insuffisant ? Si la démarche est correctement menée, c’est en réalité l’inverse.
Depuis des années, les régulateurs préconisent l’efficacité plutôt que la simple augmentation du volume d’activité. L’approche fondée sur les risques prévue par les normes du FATF consiste à concentrer les efforts sur les domaines les plus risqués, plutôt qu’à produire le plus grand nombre d’alertes possible. La FCA a critiqué à plusieurs reprises les systèmes de surveillance des transactions qui génèrent beaucoup d’alertes mais détectent très peu de cas réels. Les autorités chargées de faire appliquer les règles, comme OFAC, sanctionnent les entreprises pour l’inefficacité de leur filtrage et pour les cas qu’elles auraient dû détecter, pas parce que leur file d’alertes est bien traitée. Un dispositif qui réduit le bruit tout en améliorant la détection et en consignant chaque décision d’écarter une alerte avec ses justificatifs est plus facile à défendre qu’un dispositif où les risques réels sont enfouis sous des centaines de milliers de fausses alertes. Un contrôleur préférera voir moins d’alertes, mais de meilleure qualité, chacune accompagnée d’une explication claire. La piste d’audit est essentielle : une décision d’écarter une alerte, assortie d’un motif documenté et d’une référence aux preuves, peut être défendue. Une alerte supprimée sans laisser de trace constitue simplement une lacune dont quelqu’un devra un jour répondre.
Connaissez vos chiffres
On ne peut pas gérer ce que l’on ne mesure pas. Il est donc important de chiffrer la situation avant et après le changement. Suivez votre taux de vrais positifs, c’est-à-dire la proportion d’alertes qui correspondent à un risque réel, votre ratio entre alertes et investigations, ainsi que le temps moyen consacré à chaque alerte par votre équipe. Si plus de 90 % des alertes sont écartées comme infondées et que chacune demande plusieurs minutes de traitement, c’est sur ce chiffre que vous devez vous concentrer. Sa diminution vous permettra de montrer que le dispositif s’est amélioré, et pas simplement qu’il est devenu moins actif. L’objectif n’a jamais été d’atteindre zéro alerte : il suffirait pour cela d’éteindre le système. Il s’agit d’obtenir une file dans laquelle la plupart des nouveaux éléments nécessitent réellement un examen humain. Une file d’alertes saine n’est pas vide : elle doit être courte et contenir surtout des alertes pertinentes. Vos collaborateurs les plus compétents peuvent alors cesser de traiter le bruit pour se consacrer au travail pour lequel vous les avez recrutés.
Examinez plus intelligemment, pas moins
Les équipes qui évitent le piège des faux positifs n’y parviennent pas en examinant moins d’alertes. Elles donnent au système le contexte nécessaire pour qu’il élimine lui-même le bruit et permette aux humains de se concentrer sur le petit nombre de cas réels. Tout l’objectif de cette réduction du bruit est de transformer le rôle de l’équipe : passer du traitement des alertes à l’investigation des risques.
C’est ainsi que Beady est conçue. Elle élimine environ 95 % du bruit avant qu’il n’atteigne votre équipe, notamment les rapprochements avec la mauvaise personne, les alertes répétées sur des éléments anciens, les informations favorables et les doublons. Pour cela, elle s’appuie sur la résolution d’entités et le contexte, plutôt que sur des seuils rudimentaires. Vous obtenez une liste courte de signaux qui méritent réellement un examen. Chacun est relié à sa source d’origine pour que votre équipe puisse le vérifier et qu’un auditeur voie précisément pourquoi il a été signalé ou écarté. Les médias défavorables, les sanctions et les données judiciaires sont réunis au même endroit, ce qui réduit le bruit tout en conservant les preuves.
Pour connaître la part de bruit dans votre volume actuel d’alertes, réservez une démo : nous pourrons réaliser l’analyse sur votre propre filtrage.
