En surveillance des transactions, les faux positifs se réduisent par le réglage des scénarios plutôt que par un relèvement général des seuils. Segmentez la clientèle par profil de risque, calibrez chaque scénario sur le comportement attendu du segment, hiérarchisez les alertes et suivez la part de celles qui mènent à une analyse approfondie ou à une déclaration de soupçon. Chaque réglage doit être testé et documenté afin de démontrer que la capacité de détection n’a pas diminué.
Faux positifs en surveillance des transactions : causes, réglages et contrôles
| Cause fréquente | Ce que l’on observe | Réglage possible | Contrôle avant application |
| Seuil unique pour toute la clientèle | Alertes concentrées sur des clients dont l’activité est normalement élevée | Seuils définis par segment de clientèle | Rejouer l’historique et analyser tout cas déjà déclaré qui ne serait plus détecté par le scénario |
| Scénario sans lien avec le profil du client | Alertes sur des opérations cohérentes avec l’activité connue | Rapprocher le scénario des revenus, du chiffre d’affaires ou de l’activité déclarée | S’assurer que la connaissance du client est à jour |
| Scénarios qui se recoupent | Plusieurs alertes pour une même opération | Regrouper les alertes par client ou par dossier | Garder la trace de chaque scénario déclenché |
| Données incomplètes ou mal qualifiées | Alertes dues à un libellé, un pays ou une contrepartie mal renseignés | Corriger les données à la source | Comparer le volume d’alertes avant et après correction |
| Absence de hiérarchisation | Toutes les alertes arrivent au même niveau de priorité | Définir la priorité selon le risque du client et de l’opération | Vérifier que les alertes de faible priorité restent traitées selon une procédure définie |
| Scénarios jamais revus | Scénarios qui ne mènent à aucune déclaration ou qui ne produisent plus d’alerte | Revue périodique du paramétrage | Faire valider et documenter chaque modification |
En surveillance des transactions, chaque alerte sans suite détourne du temps de l’examen de celles qui comptent. Relever tous les seuils règle le problème de volume, mais crée le risque inverse : laisser passer une opération suspecte. La méthode consiste à régler chaque scénario séparément, tout en conservant la preuve que la détection demeure efficace.
D’où viennent les faux positifs en surveillance des transactions ?
Un faux positif est une transaction légitime signalée à tort comme atypique ou potentiellement suspecte par un dispositif de surveillance. Dans un document de travail publié par SWIFT, les professionnels interrogés citaient le plus souvent un taux de faux positifs de 80 à 90 % sur les plateformes classiques, tandis que le taux de conversion des alertes en déclarations de soupçon se situait généralement entre 2 et 10 %.
Les causes tiennent à la diversité des profils et à la difficulté de paramétrer des règles qui détectent les opérations suspectes sans noyer l’analyse. Un seuil unique déclenche des alertes sur les clients dont l’activité est élevée. Un scénario mal calibré signale des opérations cohérentes avec le métier déclaré. Des données incomplètes produisent des alertes qu’une correction à la source aurait évitées.
Faux positifs du criblage ou de la surveillance : quelle différence ?
Le criblage compare un nom à une liste : le faux positif naît d’un homonyme ou d’une translittération. La surveillance compare une opération à un comportement attendu : l’alerte résulte d’un seuil ou d’un scénario. Les leviers diffèrent, avec les données d’identité pour le criblage et la segmentation ainsi que le calibrage pour la surveillance.
Le même problème se pose pour les faux positifs du criblage des sanctions, et une vue d’ensemble des faux positifs en AML complète le sujet.
Comment régler scénarios et seuils sans dégrader la détection ?
Le paramétrage part de la connaissance de la clientèle et de la classification des risques. Il s’adapte aux activités et se teste avant sa mise en service. Les lignes directrices conjointes de l’ACPR et de Tracfin publiées en 2021, remplacées par la version du 23 avril 2025, précisent que les dispositifs de surveillance doivent être adaptés aux risques identifiés.
Segmenter la clientèle par profil de risque
Un seuil unique produit des alertes sur les clients dont l’activité est normalement élevée. La segmentation consiste à classer ses clients par niveau de risque selon leur activité, leur implantation et leur comportement. Chaque segment reçoit des seuils cohérents avec son profil.
Cette segmentation s’appuie sur la classification des risques que l’établissement tient à jour en application de l’article L. 561-4-1 du Code monétaire et financier. AP Scoring permet de noter le risque client selon des critères configurables répartis en plusieurs axes et d’actualiser cette notation au cours de la relation d’affaires.
Calibrer chaque scénario sur l’historique
Un scénario décrit un comportement potentiellement suspect, tel qu’un versement fractionné, une opération incohérente avec les revenus ou un flux vers une zone à risque. Le calibrage fixe les seuils en rejouant l’historique sur une période représentative afin de détecter les cas qui auraient dû être signalés et de limiter les alertes portant sur des opérations conformes au profil.
Tester le réglage avant de l’appliquer
Avant de mettre en service un nouveau seuil, testez-le sur l’historique. Le test vérifie dans quelle mesure les cas déjà déclarés à Tracfin restent détectés et mesure le volume d’alertes attendu. Tout cas qui ne serait plus détecté doit être analysé afin de vérifier qu’il reste couvert par un autre scénario ou que la modification est dûment justifiée. Le test fait l’objet d’une documentation précisant la date, l’auteur, les résultats et la validation. AP Monitoring propose une surveillance continue avec des scénarios configurables et une hiérarchisation des alertes.
Comment hiérarchiser et traiter les alertes restantes ?
La priorisation classe les alertes selon le risque du client et de l’opération. Le regroupement par client évite de traiter plusieurs fois la même situation. Le traitement peut suivre plusieurs niveaux d’analyse : préanalyse automatisée pour les alertes de faible priorité, analyse humaine selon les règles définies par l’établissement et examen approfondi des alertes prioritaires.
Chaque alerte clôturée comporte une justification. AP Scoring alimente cette hiérarchisation en fournissant une notation du risque client actualisée au cours de la relation d’affaires.
Quels indicateurs suivre pour piloter les faux positifs ?
| Indicateur | Ce qu’il mesure | Ce qu’un écart signale |
| Nombre d’alertes par scénario | Le poids de chaque scénario dans la charge de traitement | Un scénario mal calibré ou une baisse brutale révélant un dysfonctionnement |
| Part des alertes menant à une analyse approfondie ou à une déclaration de soupçon | La pertinence du scénario | Un scénario qui ne détecte rien d’utile ou des clôtures trop rapides |
| Délai moyen de traitement | Le temps entre l’alerte et sa clôture | Des moyens humains insuffisants pour le volume produit |
| Nombre et ancienneté des alertes en attente | Le stock non traité | Un risque de déclaration tardive |
| Fréquence de déclenchement de chaque scénario | L’activité réelle du scénario sur la période | Un scénario inactif, à revoir ou à justifier |
Les indicateurs se suivent scénario par scénario, sur une période glissante. Un scénario qui ne mène à aucune déclaration pendant plusieurs mois ne signale pas nécessairement un défaut : il peut couvrir un risque rare, mais grave. L’essentiel réside dans la capacité à justifier son maintien.
L’IA explicable réduit-elle les faux positifs ?
L’apprentissage automatique peut affiner la segmentation, détecter des écarts par rapport au comportement habituel et prioriser les alertes. Son apport porte sur la finesse du paramétrage, et non sur une garantie de détection absolue. Les autorités insistent toutefois sur une condition essentielle : les résultats et le fonctionnement du dispositif doivent pouvoir être expliqués selon leur contexte et leur finalité.
Un moteur opaque complique la validation, la surveillance et l’audit du dispositif. Le document de réflexion de l’ACPR consacré à la gouvernance des algorithmes d’intelligence artificielle souligne notamment les exigences d’explicabilité, de traçabilité, de validation et d’audit.
AP Monitoring repose sur une intelligence augmentée « Glass Box » : les scénarios, les seuils et les critères restent explicables, traçables et modifiables. Cette approche aide à réduire le volume d’alertes tout en préservant la capacité à justifier les résultats et les décisions.
Que montrer à votre autorité de contrôle sur vos réglages ?
Un contrôle porte sur la capacité de détection et sur la preuve du bon fonctionnement du dispositif. Les éléments à tenir à disposition comprennent :
- la classification des risques à jour ;
- la description des scénarios et des seuils ;
- les tests réalisés avant chaque modification ;
- la validation conformément à la gouvernance du dispositif LCB-FT ;
- le suivi des indicateurs ;
- les résultats du contrôle interne.
Listez les scénarios qui n’ont mené à aucune analyse approfondie pendant la dernière période et passez-les en revue. Le risque visé figure-t-il toujours dans votre classification ? Un autre scénario le couvre-t-il ?
Documentez l’analyse, faites-la valider et conservez-en la trace. Deux sujets prolongent cette analyse : les obligations et délais de la déclaration de soupçon et la surveillance des transactions (KYT).
FAQ
Quel taux de faux positifs est acceptable en surveillance des transactions ?
Les textes ne fixent pas de taux cible général. L’évaluation porte sur l’évolution dans le temps, scénario par scénario, et sur la part des alertes qui mènent à une analyse approfondie ou à une déclaration de soupçon. Un scénario qui produit beaucoup d’alertes sans jamais révéler de situation pertinente doit être réexaminé et, si nécessaire, recalibré.
Quelle différence entre les faux positifs du criblage et ceux de la surveillance ?
Le criblage compare un nom à une liste : le faux positif vient notamment d’un homonyme ou d’une translittération. La surveillance compare une opération à un comportement attendu : le faux positif résulte d’un seuil ou d’un scénario mal calibré. Les leviers diffèrent, avec les données d’identité d’un côté et la segmentation ainsi que le réglage de l’autre.
Peut-on supprimer un scénario qui ne produit que des faux positifs ?
Pas sans analyse. Vérifiez si le risque visé figure toujours dans votre classification, puis si un autre scénario le couvre. Si vous le supprimez, conservez l’analyse, les tests et la validation : un contrôleur peut demander pourquoi un risque identifié n’est plus surveillé.
Qui valide une modification de seuil ou de scénario ?
La modification est validée par la personne ou l’instance désignée dans la gouvernance du dispositif LCB-FT. La décision s’appuie sur un test réalisé avant la mise en production et consigne la date, l’auteur, le motif ainsi que les résultats. Le contrôle interne vérifie ensuite que les modifications respectent la procédure établie.
À quel moment revoir le paramétrage des scénarios ?
Le paramétrage doit être revu lors de toute évolution significative de la classification des risques, du lancement d’un produit ou d’un canal, ainsi qu’à la publication de nouvelles typologies pertinentes par Tracfin ou le superviseur. Une revue périodique s’y ajoute, selon le rythme fixé dans les procédures. Les indicateurs servent d’alerte entre deux revues.
