Vérifier les nouveaux clients – avec des preuves pour le superviseur.

Pourquoi le contrôle LCB-FT des clients demande tant de travail manuel — et comment une IA traçable source chaque étape.

1 Le problème : les signaux sont dispersés dans de nombreuses sources.

La loi allemande sur le blanchiment impose des obligations générales de vigilance pour chaque nouvelle relation d’affaires : identifier le cocontractant et établir qui se trouve économiquement derrière lui — jusqu’à la personne physique.1 Si vous constatez un risque plus élevé, des mesures de vigilance renforcées s’appliquent, par exemple en cas de lien avec des pays tiers à haut risque.2 Les informations nécessaires se trouvent à de nombreux endroits : raison sociale et siège dans le dossier client et au registre du commerce, les bénéficiaires effectifs au registre de transparence,3 des noms sur la liste consolidée des sanctions financières de l’UE.4 Chaque source, prise isolément, semble anodine. Ce n’est qu’ensemble qu’elles montrent s’il faut regarder de plus près. Et plus tard, le superviseur ou l’audit demande : pourquoi avez-vous accepté ce client ?

2 Pourquoi les check-lists et l’IA générique ne le résolvent pas de façon fiable.

Une check-list Excel consigne qu’un contrôle a eu lieu — mais pas ce que les sources donnent ensemble. Interroger registres et listes à la main, c’est copier des résultats d’une fenêtre à l’autre, et le lien se perd. Et un chatbot IA ? L’institut américain de normalisation NIST constate que les affirmations inventées sont inhérentes à la conception de ces modèles.5 Sans accès à votre dossier client ni aux registres, un modèle générique ne peut de toute façon pas vérifier ce client précis. Même lorsque l’IA consulte de vrais documents, le taux d’erreur baisse seulement, il ne disparaît pas.6 Pour une décision que vous devez justifier auprès du superviseur, cela ne suffit pas.

3 L’approche : client, registres, listes de sanctions et loi dans un seul graphe.

c:node relie votre dossier client au c:node Graph — registre du commerce, registre de transparence, listes de sanctions et loi sur le blanchiment sous forme de réseau de points et d’arêtes : un graphe de connaissances. La recherche appelle cette combinaison de reconnaissance de motifs et de règles vérifiées l’IA neuro-symbolique ; elle fournit des réponses que l’on peut justifier et retracer.7 Grâce au graphe, c:node raisonne sur plusieurs étapes — client → holding → dirigeant → entrée sur la liste de sanctions —, ce que la simple recherche textuelle ne permet pas.8 Chaque étape reste liée à sa source.

4 En pratique : des sources dispersées deviennent une décision motivée.

La question pour laquelle vous interrogez aujourd’hui registres et listes un par un, c:node y répond en une seule passe — et expose chaque affirmation :

5 Vérifiable pour le superviseur et l’audit — et souverain.

La loi sur le blanchiment impose d’enregistrer les informations recueillies lors du contrôle client et le résultat de l’évaluation des risques, et de les conserver en règle générale cinq ans.9 c:node enregistre chaque constat avec sa source et sa base légale. Il en résulte une piste d’audit que vous pouvez présenter au superviseur, par exemple la BaFin, ou à l’audit — sans dévoiler le fonctionnement interne du modèle. La décision reste celle de votre équipe ; c:node la prépare. À partir du 10 juillet 2027, le règlement européen anti-blanchiment (UE) 2024/1624 s’appliquera en outre largement de façon directe dans tous les États membres ;10 vous intégrez les nouvelles obligations dans le graphe au lieu de refaire vos check-lists. Et comme c:node fonctionne dans le cloud européen ou sur vos serveurs, les données clients restent dans l’UE ou dans votre propre centre de données.