Fiche concept

IA pour la Banque — LCB-FT, KYC et Scoring Crédit avec SAP

À jour au 2026-07-23

Édité par Cédric-Olivier Mâry, éditeur et directeur de la publication — 27 ans d'écosystème SAP. Comment ces pages sont produites, et où intervient l'automatisation.

Qu'est-ce que IA pour la Banque — LCB-FT, KYC et Scoring Crédit avec SAP ?

Le scoring d'alerte par modèle renverse l'économie du tri LCB-FT — les 10 % d'alertes les mieux scorées captent ~80 % des déclarations de soupçon confirmées, contre un taux de faux positifs de 95-99 % avec les règles classiques.

De quoi il s'agit

L'IA dans les déploiements bancaires ancrés SAP se divise en trois cas d'usage réglementés — surveillance des transactions LCB-FT (lutte contre le blanchiment et le financement du terrorisme), augmentation de la diligence KYC (Know Your Customer) et modèles de scoring crédit — chacun avec un mix produit SAP différent et un profil de conformité EU AI Act distinct.

Le problème est que les établissements financiers font tourner des volumes massifs de transactions contre des systèmes à base de règles qui génèrent d'énormes taux de faux positifs : les estimations SWIFT et Wolsberg placent le taux de faux positifs LCB-FT à 95-99 % des transactions signalées, mobilisant le temps des analystes sur des enquêtes à faible rendement. La recertification KYC est manuelle, intensive en papier et désalignée avec le risque — les clients à haut risque déclenchent des révisions moins fréquentes que ce que la fréquence réglementaire exige. Les modèles de scoring crédit entraînés sur des données historiques sous-pondèrent les signaux comportementaux prospectifs disponibles dans les données d'interaction client SAP.

Pourquoi c'est important

Trois cas d'usage distincts (surveillance LCB-FT, augmentation KYC, scoring crédit) nécessitent chacun un mix produit SAP différent (FSN/FSDM, synthèse Joule, modèle SAC Predictive) — pas une offre unique.
Le scoring crédit sur 24 mois de comportement de paiement S/4 apporte un gain de Gini de 15-20 % par rapport aux modèles bureau seul — un gain concret et citable.
Les modèles LCB-FT et scoring crédit relèvent de l'EU AI Act Art. 6 + Annexe III (systèmes à haut risque), effectif le 2026-08-02 — la gouvernance doit être conçue dès le départ, pas ajoutée après coup.

Points clés

Trois cas d'usage IA régulés sur SAP : scoring des transactions AML, augmentation KYC, credit scoring.
Référence de faux positifs AML : 95-99 % des transactions signalées ne nécessitent aucune action (estimations SWIFT/Wolsberg).
Modèle de scoring des alertes AML : les 10 % d'alertes les mieux scorées contiennent ~80 % des déclarations SAR confirmées.
Augmentation KYC : Joule synthétise le dossier de contrepartie à partir du FSDM + registres externes en quelques minutes.
Credit scoring : amélioration de 15-20 % du Gini par rapport au bureau-only en ajoutant 24 mois de comportement de paiement S/4.
EU AI Act Art. 6 + Annexe III : AML + credit-scoring sont des systèmes à haut risque — échéance de conformité 2026-08-02.
AI for Banking — AML, KYC and Credit Scoring with SAP n'est maîtrisé que lorsqu'il change une décision d'acheteur nommée.
Commencer par le contrat sémantique et le modèle de contrôle avant de démontrer l'outil.
Utiliser les signaux SAP, analystes, études, KG et actualité comme preuve, pas comme décoration.
Séparer les faits vérifiés des tendances directionnelles et des hypothèses modélisées.

Termes employés sur cette page

FSDM: Financial Services Data Model — le modèle de données standard de SAP pour la banque et l'assurance, fournissant les structures d'objets canoniques contrepartie, compte et transaction pour l'analytique.
SAR: Suspicious Activity Report — déclaration réglementaire requise lorsqu'un établissement financier soupçonne qu'une transaction client constitue du blanchiment d'argent ou du financement du terrorisme. Les taux de déclaration sont le principal indicateur de résultat AML.
Gini coefficient (credit): Indicateur de discrimination d'un modèle de scoring de crédit — l'aire entre la courbe de Lorenz et la ligne du classifieur aléatoire. Plus il est élevé, meilleur est le classement du risque de défaut. Repère du secteur : bureau seul ≈ 45-55 Gini ; augmenté par le comportement SAP ≈ 60-70 Gini.
PEP: Politically Exposed Person — catégorie de client à haut risque dans la réglementation AML ; les transactions impliquant des PEP exigent une vigilance renforcée. Les modèles AML SAP se joignent aux flux de listes PEP au moment du scoring.
UBO: Ultimate Beneficial Owner — la personne physique qui détient ou contrôle en dernier ressort une entité juridique ; divulgation obligatoire au titre des 5e et 6e directives AML de l'UE. Les agents d'augmentation KYC automatisent la résolution de la chaîne UBO.
Decision owner: La personne responsable qui assume l'arbitrage et finance l'action suivante.
Semantic contract: La définition partagée des termes métier, des indicateurs, des entités et des règles d'accès utilisée par les outils et les équipes.
Control plane: La couche qui applique la politique, les accès, la traçabilité, le monitoring et l'escalade à l'échelle du modèle opérationnel.

Sources

Fiche complète réservée aux abonnés. Ce que la fiche complète ajoute : le cadre de décision complet · la comparaison SAP · Snowflake · Databricks · Fabric · les pièges courants et leur correctif · l'aide-mémoire · les schémas d'architecture · les blocs de code.

Ouvrir dans l'application →

IA pour la Banque — LCB-FT, KYC et Scoring Crédit avec SAP

Qu'est-ce que IA pour la Banque — LCB-FT, KYC et Scoring Crédit avec SAP ?

De quoi il s'agit

Pourquoi c'est important

Points clés

Termes employés sur cette page

Sources

Concepts liés

Modules d'académie associés

Études approfondies

Guides SAP analytics & TJM