Le fait
Autour du 21 septembre 2026, le blog de Dataiku publie un retour d’expérience sur STABLES, le moteur de scoring (notation de risque) propulsé par l’IA que Standard Chartered a déployé pour prioriser le risque money mule — compte mule ou mule financière : un compte personnel ou professionnel utilisé pour recevoir et faire circuler des fonds illicites, souvent avant qu’ils ne quittent le système bancaire.
Le problème de départ n’est pas le volume d’alertes. Sur un milliard de transactions, les réseaux criminels se cachent dans le bruit. Les signaux existent déjà — patterns de transactions, activité transfrontalière, historique client, comportement digital, intelligence appareil (device) — mais ils vivent dans des systèmes différents. Les enquêteurs de la Financial Crime Compliance (conformité criminalité financière) devaient reconstituer le puzzle avant de savoir quels comptes méritaient vraiment une attention. Standard Chartered ne voulait pas « plus d’alertes ». Il voulait savoir où regarder en premier.
STABLES change le point de départ. Chaque jour, le moteur combine des signaux comportementaux banque / client / digital / appareil, classe les comptes les plus susceptibles d’exiger une action, et montre les comportements derrière le score. Les enquêteurs démarrent sur une file priorisée, pas sur une file indifférenciée.
Les résultats des douze premiers mois après déploiement, tels que relayés par Dataiku :
- environ 40 000 comptes signalés pour investigation ;
- temps moyen d’enquête environ −75 % (passage de l’ordre des mois à celui des jours) ;
- capacité à traiter environ trois fois plus d’alertes ;
- environ 90 M$ gelés ou empêchés d’être blanchis avant cash-out (sortie des fonds) ;
- alertes police externes liées aux money mules environ −50 % — signal extérieur que la banque devient une cible moins attractive pour ces réseaux.
Point de gouvernance central : la décision finale reste humaine. L’IA identifie et priorise le risque ; les investigators (enquêteurs) décident de l’action. Dataiku orchestre les données, le feature engineering (ingénierie des variables), le scoring quotidien, le Visual ML et la gouvernance des modèles — sans remplacer l’expertise AML (anti-money laundering, lutte anti-blanchiment).
Contexte
Le blanchiment d’argent vise à faire paraître légitimes des fonds issus d’activités illicites. Les réseaux de money mules exploitent des comptes réels pour fragmenter, faire transiter et sortir l’argent avant que les seuils classiques de surveillance des transactions ne se déclenchent. Sur sa page AML, Standard Chartered affirme une tolérance zéro pour les mules qui assistent sciemment les criminels, et rappelle qu’elle investit dans l’analytique avancée pour détecter plus tôt — la technologie complétant le jugement humain, pas l’inverse.
Ce cas touche une tension familière aux DSI et aux directions conformité. Les outils de transaction monitoring (surveillance des transactions) produisent trop d’alertes peu discriminantes. Les équipes saturent. Les vrais réseaux s’adaptent. Ajouter un modèle « boîte noire » qui multiplie encore les signaux n’aide personne. STABLES vise l’inverse : réduire le temps perdu sur le bruit, en faisant remonter d’abord les comptes où le risque mule est le plus élevé, avec une explication comportementale lisible pour l’enquêteur.
La construction du système est présentée comme un travail entre spécialistes criminalité financière, data scientists et ingénieurs. L’expertise métier — comment se comportent vraiment les mules — a été traduite dans la façon d’évaluer le risque. Dataiku sert de couche d’orchestration : rassembler les données multi-systèmes, produire les variables, scorer quotidiennement, gouverner les modèles, et livrer les résultats priorisés dans l’environnement déjà utilisé par les enquêteurs. La même fondation permettrait d’adapter STABLES d’un marché à l’autre, et entre banque de détail et banque d’entreprises, sans reconstruire le système à chaque fois — un critère clé pour un groupe international comme Standard Chartered.
Pourquoi ça compte
1. Prioriser n’est pas alerter davantage.
Beaucoup de projets AML échouent en créant une nouvelle file d’attente. Ici, la promesse mesurable porte sur le tri : moins de mois perdus, plus d’alertes réellement traitées, et un effet externe (baisse des signalements police liés aux mules). Pour une direction des risques, c’est un langage de résultat, pas de simple preuve de concept.
2. L’explicabilité est un prérequis opérationnel.
Montrer « les comportements derrière le score » change la journée de l’enquêteur : il peut challenger, documenter, escalader. Sans cette couche, un score élevé reste une boîte noire difficile à défendre auprès d’un régulateur ou d’un comité.
3. La chaîne données → variables → scoring quotidien → gouvernance est le vrai produit.
Dataiku insiste sur l’orchestration (données bancaires, client, digital, appareil ; feature engineering ; scoring journalier ; Visual ML / gouvernance). Message utile pour une DSI : le modèle seul ne tient pas en production ; c’est la plateforme et le cycle de vie qui tiennent.
4. Environ 90 M$ gelés avant cash-out : le critère business.
Au-delà de la conformité, empêcher la sortie des fonds est l’indicateur que les réseaux comprennent. Couplé à une baisse d’environ 50 % des alertes police externes liées aux mules, le signal est double : efficacité interne et dissuasion relative.
5. Humain au centre = cadrage IA à haut risque.
Dans la finance, les systèmes qui influencent des décisions sur des personnes (gel de compte, signalement, rupture de relation) entrent dans des régimes de responsabilité stricte. Garder la décision finale côté enquêteur n’est pas une phrase marketing : c’est le design qui rend le déploiement défendable.
Lecture Neurone21
Angle cas d’usage entreprise : lire STABLES comme un système de priorisation AML industrialisé, pas comme un modèle magique anti-fraude. La singularité n’est pas l’existence d’une IA, c’est l’alignement entre expertise mule, scoring quotidien multi-signaux, explicabilité pour l’enquêteur, et orchestration Dataiku — avec des métriques sur 12 mois qui parlent à un comité exécutif.
Ce qu’une équipe DSI / conformité / data peut faire cette semaine
- Cartographier les silos de signaux (2 h). Transactions, KYC / historique client, canaux digitaux, empreintes appareil : où vivent-ils, et quel temps faut-il pour une vue compte unique ?
- Mesurer le coût du bruit avant tout PoC. Temps moyen d’enquête, ratio alertes traitées / alertes générées, part des dossiers qui aboutissent à une action. Sans baseline, « −75 % » n’est pas comparable.
- Exiger l’explicabilité métier dans le cahier des charges. Quels comportements sont montrés à l’enquêteur ? Comment journaliser la décision humaine après le score ?
- Séparer priorisation et décision. Le scoring peut classer ; le gel, le signalement ou la clôture restent des actes humains documentés.
- Prévoir la gouvernance du modèle (retrain, dérive, tests, audit trail) au même titre que la précision.
Grille Neurone21 — 5 questions cas d’usage
| Question | Pourquoi |
|---|---|
| Quelle baseline (temps d’enquête, volume traité, faux positifs) avant le moteur ? | Sans elle, les −75 % et le ×3 ne sont pas auditables en interne. |
| Quels signaux (banque / client / digital / device) sont réellement joints au quotidien ? | Le scoring multi-sources est le cœur de STABLES. |
| Que voit l’enquêteur derrière chaque score ? | Explicabilité = adoption + défense régulatoire. |
| Qui décide après le score, avec quel journal ? | Design « human-in-the-loop » (humain dans la boucle) à écrire noir sur blanc. |
| Comment le système s’adapte d’un marché / segment à l’autre sans rebuild ? | Critère de scalabilité pour un groupe multi-pays. |
Ce qu’il ne faut pas faire
- Confondre plus d’alertes et meilleure priorisation.
- Déployer un score opaque sans explication comportementale pour les enquêteurs.
- Présenter l’IA comme remplaçant de la Financial Crime Compliance alors que le design revendiqué est l’inverse.
- Copier les chiffres Standard Chartered / Dataiku dans un pitch interne sans avoir mesuré sa propre baseline.
En résumé : le 21 septembre 2026, le cas Standard Chartered × Dataiku rappelle qu’en AML, la valeur d’une IA d’entreprise se juge à la réduction du temps d’enquête, au volume réellement traité, à l’argent bloqué avant cash-out, et à la capacité de l’humain à décider — pas au nombre de modèles entraînés.