Vers une intelligence artificielle régulée : innovations et défis dans la lutte contre la criminalité financière

International Journal of Economic Studies and Management (IJESM) ISSN 2789-049X Int. J. Econ. Stud. Manag. 5, No.6 (NOVEMBER-2025) This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License. http://www.woasjournals.com/index.php/ijesm 721 Vers une intelligence artificielle régulée : innovations et défis dans la lutte contre la criminalité financière Toward a regulated artificial intelligence: innovations and challenges in the fight against financial crime Soumia CHIHAB Laboratoire de Recherche en Management des Organisations (LAREMO) L'Ecole Supérieure de Technologie de Casablanca (ESTC) Université Hassan II – Casablanca – Maroc Fairouz AMMI AL MASBAHI Laboratoire de Recherche en Management des Organisations (LAREMO) L'Ecole Supérieure de Technologie de Casablanca (ESTC) Université Hassan II – Casablanca - Maroc Résumé : Cet article analyse l’intégration croissante de l’intelligence artificielle (IA) dans la lutte contre la criminalité financière à l’ère de la digitalisation. En effet ; les nouvelles technologies renforcent la capacité des institutions à détecter et prévenir les comportements frauduleux. Toutefois, ces innovations soulèvent des enjeux éthiques et juridiques majeurs, notamment les biais algorithmiques, l’opacité des modèles et la responsabilité limitée des acteurs humains. À l’échelle internationale, l’OCDE, le GAFI, l’Union européenne et le FMI œuvrent à établir un cadre normatif commun, fondé sur la transparence et la coopération, illustré par le pacte européen lié à l’intelligence artificielle (AI Act) et les recommandations du GAFI. Au Maroc, des organismes comme Bank Al-Maghreb, l’AMMC et la CNDP adoptent une approche prudente de l’IA dans la supervision financière, en veillant à la protection des données et à l’éthique. En effet, la réussite de cette transformation repose sur un équilibre entre innovation technologique et gouvernance correcte et éthique humaine, condition essentielle à une IA responsable, inclusive et durable. Mots-clés : Intelligence Artificielle, Criminalité Financière, Régulation Ethique, Gouvernance Algorithmique. Abstract: This article examines the growing role of artificial intelligence (AI) in combating financial crime in an era of digitalized economic flows and increasingly complex illicit practices. In fact, technologies such as Machine Learning, Deep Learning, and predictive analytics enhance institutions’ ability to detect and prevent fraudulent behavior. However, these innovations also raise major ethical and legal concerns, including algorithmic bias, model opacity, and the dilution of human accountability. At the international level, organizations such as the OECD, FATF, the European Union, and the IMF are working to establish a common regulatory framework based on transparency, proportionality, and cooperation, illustrated by the EU AI Act and FATF recommendations. In Morocco, institutions like Bank Al-Maghreb, the AMMC, and the CNDP have adopted a cautious approach to integrating AI into financial supervision, emphasizing data protection and ethics. The study concludes that the effectiveness of this transformation depends on maintaining a balance between technological innovation and human governance — a prerequisite for building a responsible, inclusive, and sustainable AI ecosystem. Keywords: Artificial Intelligence, Financial Crime, Ethical regulation, Algorithmic Governance. Digital Object Identifier (DOI): https://doi.org/10.5281/zenodo.17578885 International Journal of Economic Studies and Management (IJESM) - ISSN 2789-049X http://www.woasjournals.com/index.php/ijesm 722 1. Introduction La criminalité financière constitue aujourd’hui un phénomène d’une complexité croissante et d’une portée mondiale préoccupante. L’essor de la digitalisation des échanges économiques et l’intensification de la mondialisation des flux financiers ont profondément transformé la nature des activités illicites. Celles-ci ne se limitent plus à des fraudes occasionnelles, mais s’organisent autour de dispositifs complexes de blanchiment de capitaux, de corruption, de manipulation de marchés, de financement du terrorisme ou encore de détournement de fonds. Par leur caractère transnational et polymorphe, ces pratiques érodent la confiance dans les institutions financières, menacent la stabilité macroéconomique et accentuent les déséquilibres sociaux. D’après les estimations du Fonds monétaire international, la criminalité financière représenterait plus de 2,5 % du produit intérieur brut mondial, soit des milliers de milliards de dollars détournés chaque année — une proportion révélatrice de l’incapacité des mécanismes de contrôle classiques à suivre le rythme de la sophistication technologique actuelle des systèmes financiers. Dans ce contexte, les autorités de régulation, les instances internationales et les acteurs bancaires sont confrontés à une double exigence : d’une part, assurer une surveillance rigoureuse et continue des opérations dans un environnement globalisé et interconnecté ; d’autre part, se conformer à des normes toujours plus strictes en matière de transparence, de conformité et de protection des données. Les dispositifs traditionnels, fondés sur des règles prédéterminées, des contrôles humains ou des analyses statistiques standards, se révèlent désormais inadaptés pour détecter les comportements déviants dissimulés dans la masse des transactions légitimes. Dans cette dynamique, l’intelligence artificielle (IA) émerge comme un levier de transformation incontournable pour renforcer la sécurité et la résilience du système financier. En mobilisant des algorithmes d’apprentissage capables d’évoluer et d’identifier des corrélations imperceptibles à l’analyse humaine, l’IA ouvre la voie à une détection plus rapide, adaptative et prédictive des activités criminelles. Les progrès de l’apprentissage automatique, du deep learning et de l’analyse prédictive ont profondément transformé les pratiques de surveillance et de conformité. Les institutions financières exploitent désormais des modèles capables d’analyser en temps réel des flux massifs de données – historiques bancaires, transactions électroniques, comportements clients, communications internes – afin d’identifier des signaux faibles susceptibles de révéler une activité illégale. Des solutions telles que SAS Fraud Management, IBM Watson ou FICO Falcon Platform ont démontré leur efficacité dans la détection de transactions suspectes ou de comportements anormaux, réduisant significativement les pertes liées à la fraude. L’OCDE et le Groupe d’action financière (GAFI) encouragent d’ailleurs l’intégration de ces technologies dans les dispositifs de lutte contre le blanchiment et le financement du terrorisme, estimant qu’elles peuvent accroître la résilience et la transparence du système financier global. International Journal of Economic Studies and Management (IJESM) - ISSN 2789-049X http://www.woasjournals.com/index.php/ijesm 723 Cependant, cette promesse technologique ne saurait occulter les risques considérables qu’elle soulève. L’intelligence artificielle, utilisée sans cadre éthique ni supervision humaine suffisante, peut reproduire ou amplifier des biais discriminatoires, générer des faux positifs coûteux ou compromettre la confidentialité des données. La complexité des algorithmes, souvent qualifiés de « boîtes noires », rend difficile la compréhension et la justification des décisions automatisées. Dans un domaine aussi sensible que la surveillance financière, où les décisions peuvent affecter la réputation d’individus ou d’entreprises, cette opacité pose un défi majeur à la responsabilité et à la légitimité des institutions utilisatrices. Comme le souligne l’OCDE dans son rapport sur la gouvernance algorithmique (2021), la performance technique ne saurait remplacer la transparence, la redevabilité et la supervision humaine. C’est pourquoi la question d’une intelligence artificielle régulée se trouve désormais au cœur du débat international. Les instances européennes et mondiales s’efforcent de définir un cadre normatif adapté à cette nouvelle réalité. Le projet de règlement européen sur l’intelligence artificielle (AI Act) introduit la notion de « systèmes à haut risque » et impose des obligations strictes en matière de traçabilité et de contrôle humain. De son côté, le GAFI recommande une approche dite de « proportionnalité technologique », visant à concilier innovation et conformité. Le FMI et la Banque mondiale insistent quant à eux sur la nécessité d’une gouvernance algorithmique globale, articulant coopération interinstitutionnelle et partage sécurisé des données. Ces orientations témoignent d’une volonté commune : faire de l’intelligence artificielle non pas une source d’instabilité, mais un pilier d’une finance plus éthique, transparente et durable. D’un point de vue scientifique, l’étude de la relation entre IA et criminalité financière s’inscrit dans une perspective interdisciplinaire, à la croisée de la finance, de la criminologie, de la gouvernance numérique et de l’éthique des technologies. Elle interroge à la fois les conditions d’efficacité des systèmes algorithmiques et leurs implications normatives. Comment garantir que les modèles d’apprentissage automatique identifient correctement les comportements frauduleux sans stigmatiser certains profils ? Comment assurer la responsabilité des décisions prises par des systèmes autonomes ? Et surtout, comment encadrer juridiquement des outils dont la logique interne échappe souvent à la compréhension humaine ? Ces questions illustrent les tensions croissantes entre efficacité technologique, protection des droits fondamentaux et impératifs de régulation internationale. Ainsi, la problématique centrale de cette recherche peut être formulée comme suit : Dans quelle mesure l’intelligence artificielle peut-elle contribuer efficacement à la lutte contre la criminalité financière tout en respectant les principes d’éthique, de transparence et de responsabilité définis par les cadres internationaux tels que l’OCDE, le GAFI, l’Union européenne et le FMI ? Cette interrogation conduit à examiner à la fois les innovations technologiques et les contraintes de régulation qu’elles engendrent. L’objectif n’est pas uniquement de mesurer la performance des outils International Journal of Economic Studies and Management (IJESM) - ISSN 2789-049X http://www.woasjournals.com/index.php/ijesm 724 d’IA, mais d’analyser leur intégration dans une architecture de gouvernance mondiale où les impératifs de conformité, d’équité et de sécurité doivent primer sur la seule efficacité algorithmique. Ce travail s’inscrit dans une logique d’équilibre : comprendre comment l’IA, loin de se substituer à l’expertise humaine, peut en devenir le prolongement régulé. L’étude mobilise des références issues de la littérature académique et institutionnelle, tout en mettant en lumière les initiatives internationales les plus récentes. Elle vise à démontrer que l’intelligence artificielle, lorsqu’elle est pensée comme un instrument de gouvernance responsable, peut devenir un levier majeur dans la prévention et la maîtrise de la criminalité financière. Mais cette ambition suppose une vigilance constante : celle de construire une intelligence artificielle non seulement performante, mais également juste, explicable et conforme aux valeurs fondamentales de la gouvernance mondiale. ✓ Démarche méthodologique Cette étude repose sur une démarche qualitative et documentaire. Elle s'appuie sur une analyse de contenu de rapports institutionnels (OCDE, GAFI, FMI, Union européenne, Bank Al-Maghreb, AMMC, CNDP) et d'articles scientifiques récents portant sur l'application de l'IA à la détection de la fraude. La méthode combine une lecture thématique et comparative visant à dégager les convergences entre innovation technologique et gouvernance éthique. Cette approche s'inscrit dans une logique exploratoire et interdisciplinaire, à la croisée de la finance, du droit et de la sociologie des organisations. 2. Cadre conceptuel et théorique : criminalité financière et intelligence artificielle 2.1. Notion de la Criminalité Financière La criminalité financière est une notion à multiples dimensions qui dépasse largement la simple idée de fraude économique. Elle englobe l’ensemble des comportements illégaux visant à obtenir un gain pécuniaire indu, au détriment de la confiance publique, de la stabilité des marchés ou du bon fonctionnement des échanges internationaux. Bien qu’elle ne soit pas un phénomène nouveau, son expansion et sa complexité qui sont actuelles sont directement liées à la mondialisation des flux financiers et à la numérisation croissante des opérations économiques. La virtualisation des transactions, la circulation instantanée des capitaux et le recours massif aux technologies numériques ont favorisé la mise en place de mécanismes de dissimulation toujours plus sophistiqués. Ces évolutions ont profondément transformé la nature même de la criminalité financière, qui se déploie désormais dans un espace virtuel mondialisé échappant en partie aux cadres traditionnels de contrôle et de régulation. Dans les travaux académiques et institutionnels, la criminalité financière est généralement analysée à travers plusieurs typologies d’infractions économiques. Parmi les plus récurrentes figurent le International Journal of Economic Studies and Management (IJESM) - ISSN 2789-049X http://www.woasjournals.com/index.php/ijesm 725 blanchiment d’argent, la corruption, la manipulation de marchés, l’évasion fiscale, le financement du terrorisme ou encore les délits d’initiés. Malgré leur diversité, ces pratiques partagent un fondement commun : elles tirent parti des fragilités structurelles du système financier international, des déséquilibres informationnels et des disparités normatives entre États. Comme le rappelle le Groupe d’action financière (GAFI, 2021), ces formes de délinquance reposent sur des réseaux transnationaux organisés qui utilisent des structures écrans, des intermédiaires spécialisés et des juridictions à fiscalité avantageuse pour dissimuler l’origine et la destination réelles des capitaux. Les grandes institutions internationales, telles que le Fonds monétaire international (FMI) et l’Organisation de coopération et de développement économiques (OCDE), reconnaissent la criminalité financière comme une menace majeure pour la stabilité de l’économie mondiale. Le FMI considère qu’elle perturbe le fonctionnement du système monétaire, détourne les ressources publiques essentielles et fausse les mécanismes de concurrence en créant des déséquilibres structurels sur les marchés. L’OCDE, pour sa part, met en évidence la corrélation étroite entre criminalité financière et corruption systémique, en soulignant que la circulation non régulée de capitaux illicites mine la confiance dans les institutions démocratiques et compromet un développement économique équitable. De ce fait, la lutte contre la criminalité financière dépasse la simple exigence de conformité réglementaire : elle s’inscrit dans une logique plus large de gouvernance économique internationale, fondée sur les principes de transparence, de responsabilité et de justice financière. Sur le plan théorique, plusieurs approches issues des sciences sociales et économiques ont tenté d’éclairer les mécanismes qui sous-tendent la criminalité financière. Selon la théorie du choix rationnel (Becker, 1968), les individus évaluent les bénéfices potentiels et les risques encourus avant de s’engager dans une activité illégale. Appliquée au secteur financier, cette approche suggère que la criminalité économique découle d’une logique utilitariste : les auteurs exploitent les failles normatives ou technologiques lorsqu’ils jugent le risque de sanction faible. D’autres perspectives, telles que la théorie de l’anomie (Merton, 1938) ou celle de la culture organisationnelle déviante (Vaughan, 1999), insistent sur le rôle des dynamiques sociales et institutionnelles dans la genèse des comportements illicites. Dans un contexte fortement concurrentiel, la pression à la rentabilité, la valorisation de la performance à court terme et la complexité des structures organisationnelles peuvent conduire à une normalisation, voire à une acceptation tacite, des pratiques contraires à l’éthique. Ces analyses convergent vers une idée essentielle : la criminalité financière est un phénomène systémique qui ne peut être appréhendé uniquement sous un angle juridique. Elle mobilise des savoirs diversifiés tels que : techniques, comptables, informatiques et fiscaux que les auteurs de crimes détournent à leur profit. Dans cette perspective, l’intelligence artificielle se présente à la fois comme un outil de maîtrise et comme un nouvel espace de risque. D’un côté, elle permet de renforcer les International Journal of Economic Studies and Management (IJESM) - ISSN 2789-049X http://www.woasjournals.com/index.php/ijesm 726 capacités d’analyse et de détection des comportements atypiques et anormaux ; d’un autre, elle peut être instrumentalisée à des fins frauduleuses, notamment dans la falsification de documents ou d’identités ou la dissimulation automatisée des flux ; les scénarios effectivement sont nombreux. L’usage de technologies d’apprentissage pour contourner les systèmes de surveillance montre que la frontière entre innovation et exploitation déviante demeure fragile. 2.2. L’Intelligence Artificielle L’intelligence artificielle, par sa définition la plus connue, regroupe l’ensemble des procédés et algorithmes conçus pour permettre aux machines de reproduire certaines capacités cognitives humaines, telles que l’analyse, la compréhension, l’apprentissage et la prise de décision autonome. Dans le secteur financier, elle se concrétise principalement à travers des technologies comme l’apprentissage automatique (Machine Learning), l’apprentissage profond (Deep Learning), le traitement automatique du langage naturel (Natural Language Processing, ou NLP) et les techniques d’analyse prédictive. Ces outils offrent la possibilité d’extraire des tendances pertinentes à partir de volumes massifs de données et de repérer des comportements atypiques sans intervention humaine directe. Ainsi, les modèles d’apprentissage supervisé sont formés à partir de jeux de données étiquetées afin de distinguer les opérations légitimes de celles potentiellement frauduleuses, tandis que les modèles non supervisés exploitent des méthodes de regroupement statistique ou de mesure de similarité pour identifier des anomalies au sein des transactions financières. Le recours à ces technologies s’est accéléré dans le secteur financier à partir du début des années 2010, parallèlement à la croissance exponentielle des volumes de données disponibles et à la baisse des coûts de calcul. Les institutions bancaires et les entreprises de services financiers se sont progressivement dotées de systèmes d’analyse automatisée capables de repérer en temps réel des signaux faibles. Les solutions développées par des acteurs tels que SAS Institute, IBM Watson ou FICO reposent sur des architectures hybrides combinant règles expertes, modèles prédictifs et apprentissage en continu. Ces dispositifs s’inscrivent dans une logique d’intelligence adaptative, où les algorithmes ajustent leurs paramètres à mesure que de nouvelles formes de criminalité émergent, à travers la formulation de différents scénarios et d’indicateurs, afin de détecter les opérations et comportements douteux. Cette dynamique correspond à la vision promue par le GAFI et l’OCDE, qui encouragent l’adoption de technologies dites “responsables”, c’est-à-dire capables d’apprendre sans compromettre les principes de transparence et de proportionnalité. Toutefois, l’intégration de l’intelligence artificielle dans les dispositifs de lutte contre la criminalité financière ne relève pas d’une simple évolution technique ; elle traduit un changement de paradigme dans la manière dont la gouvernance financière conçoit la prévention et la régulation. Les systèmes fondés sur l’IA déplacent le centre de gravité du contrôle : ils ne se contentent plus de vérifier la conformité a posteriori, mais cherchent à anticiper les comportements suspects avant qu’ils ne se International Journal of Economic Studies and Management (IJESM) - ISSN 2789-049X http://www.woasjournals.com/index.php/ijesm 727 produisent. Ce passage d’une logique réactive à une logique prédictive constitue un tournant majeur dans la politique de surveillance financière mondiale. Il permet une meilleure allocation des ressources, une réduction des pertes et une amélioration de la rapidité des interventions, mais il modifie également la répartition des responsabilités entre les acteurs humains et les machines. Qui doit être tenu pour responsable lorsqu’un algorithme se trompe, ou lorsqu’il échoue à signaler une opération illicite ? Cette question, au cœur des débats contemporains sur la gouvernance de l’IA, souligne la nécessité d’un encadrement normatif rigoureux et d’une supervision humaine permanente. Les travaux récents sur la gouvernance algorithmique (OCDE, 2021 ; Commission européenne, 2021) insistent sur la nécessité d’une approche équilibrée combinant innovation et régulation. L’intelligence artificielle ne doit pas être perçue uniquement comme un instrument de performance, mais comme une composante intégrée d’un écosystème éthique et juridique. Le FMI, dans son rapport de 2023 sur l’intégrité financière, plaide pour une “régulation intelligente” capable de favoriser la compétitivité tout en minimisant les risques systémiques. Cette approche repose sur trois piliers : la transparence des modèles, la responsabilité institutionnelle et la coopération internationale. L’Union européenne, à travers son futur AI Act, entend établir des standards contraignants pour garantir que les systèmes utilisés dans les domaines à haut risque — dont la finance — respectent des exigences strictes en matière de fiabilité et de supervision humaine. Ce cadre conceptuel met en évidence une tension fondamentale entre deux logiques : la recherche d’efficacité opérationnelle et la préservation des valeurs éthiques et juridiques qui fondent la confiance dans le système financier. L’intelligence artificielle peut renforcer la lutte contre la criminalité financière à condition d’être utilisée dans un cadre régulé, transparent et coordonné à l’échelle internationale. Elle ne saurait se substituer à la responsabilité humaine ni à la vigilance institutionnelle, mais doit s’y adosser. La compréhension de cette articulation entre technologie et gouvernance constitue la clé de lecture du présent travail, qui s’attache à examiner comment les innovations en matière d’IA transforment les stratégies de détection et de prévention, tout en redéfinissant les frontières de la responsabilité dans la gouvernance financière mondiale. 2.3. Innovations technologiques et apports de l’intelligence artificielle dans la lutte contre la criminalité financière L’émergence de l’intelligence artificielle au sein des dispositifs financiers marque une rupture profonde dans la manière dont les institutions perçoivent, anticipent et traitent la criminalité économique. Longtemps cantonnée à des approches statistiques ou à des règles de conformité rigides, la lutte contre la criminalité financière a connu, au cours de la dernière décennie, une véritable révolution technologique. Les progrès de l’apprentissage automatique, du traitement du langage naturel et de l’analyse prédictive ont permis de transformer la détection a posteriori des délits financiers en une surveillance proactive, capable d’identifier des comportements suspects avant même International Journal of Economic Studies and Management (IJESM) - ISSN 2789-049X http://www.woasjournals.com/index.php/ijesm 728 qu’ils ne produisent leurs effets dommageables. Cette transformation s’inscrit dans un contexte d’hyper complexité, où la rapidité des flux et la multiplicité des acteurs exigent une vigilance continue et adaptative. L’intelligence artificielle occupe désormais une place centrale dans les stratégies de gouvernance des risques. Dans le secteur bancaire, elle permet d’automatiser la surveillance de millions de transactions quotidiennes, d’identifier des anomalies comportementales et de croiser des données internes et externes afin d’évaluer le risque global associé à un client, un fournisseur ou une institution partenaire. Cette capacité d’analyse à grande échelle constitue une réponse directe aux limites structurelles des approches traditionnelles. Les modèles fondés sur des règles fixes ou des contrôles humains reposaient sur une logique de détection séquentielle, lente et coûteuse, souvent inefficace face à des montages sophistiqués et évolutifs. En revanche, les systèmes d’intelligence artificielle sont capables d’apprendre en continu, de reconnaître des schémas récurrents et d’ajuster leurs prédictions au fur et à mesure que de nouvelles formes de criminalité apparaissent. Les premières générations d’algorithmes utilisés pour la détection de fraude financière reposaient sur des techniques d’apprentissage supervisé, où les modèles étaient entraînés à partir de données historiques annotées comme frauduleuses ou non. Ces approches, bien qu’efficaces pour des fraudes répétitives, montraient leurs limites dès qu’il s’agissait de schémas inédits ou de délits émergents. C’est pourquoi les institutions se sont progressivement tournées vers des approches plus flexibles : apprentissage non supervisé, apprentissage semi-supervisé et deep learning. Ces technologies offrent la possibilité d’extraire des structures cachées dans les données et de détecter des anomalies sans dépendre d’étiquettes préalables. Elles s’avèrent particulièrement pertinentes pour la criminalité financière, où les comportements suspects sont rares, variables et difficilement généralisables. Les applications concrètes de l’intelligence artificielle dans la lutte contre la criminalité financière sont aujourd’hui multiples et diversifiées. Dans la surveillance des transactions, les algorithmes de type machine learning sont utilisés pour repérer des transferts inhabituels en fonction du profil du client, du pays d’origine des fonds ou du réseau d’intermédiaires impliqués. Dans le domaine du blanchiment d’argent, les modèles d’analyse de graphes et de réseaux neuronaux permettent de cartographier les relations entre entités et de détecter des structures de transfert complexes souvent invisibles aux auditeurs humains. Par ailleurs, le traitement automatique du langage naturel (TALN) est mobilisé pour analyser des communications textuelles — contrats, courriels, documents juridiques — et y repérer des signaux faibles d’inconduite, de collusion ou de manipulation de marché. Ces approches, combinées à l’analyse comportementale et au Scoring de risque, renforcent considérablement la capacité des institutions à identifier des menaces émergentes avant qu’elles ne deviennent systémiques. Sur le plan opérationnel, les grandes entreprises de technologies financières ont développé des plateformes d’analyse prédictive intégrant des modules d’intelligence artificielle hautement performants. Parmi les solutions les plus répandues figurent SAS Fraud Management, FICO Falcon International Journal of Economic Studies and Management (IJESM) - ISSN 2789-049X http://www.woasjournals.com/index.php/ijesm 729 Platform et IBM Watson AI for Risk & Compliance. Ces systèmes reposent sur des architectures hybrides qui associent modèles statistiques, réseaux neuronaux et règles métier personnalisées. La plateforme SAS, par exemple, est capable de surveiller plusieurs millions de transactions en temps réel tout en adaptant ses seuils de détection aux comportements historiques des utilisateurs. FICO Falcon, utilisée par des institutions comme Barclays, BNP Paribas ou Wells Fargo, s’appuie sur des réseaux neuronaux adaptatifs qui mettent à jour automatiquement les profils de risque. IBM Watson, quant à lui, va au-delà de la détection transactionnelle pour intégrer des fonctions d’analyse cognitive et de conformité réglementaire, grâce à un traitement avancé du langage naturel. Ces solutions constituent des références mondiales dans la lutte contre les crimes financiers, tant par leur efficacité que par leur capacité d’intégration dans les environnements réglementés. Cette sophistication technologique répond à une exigence majeure : traiter le volume colossal de données financières générées chaque jour. Les systèmes de paiement internationaux, les plateformes de crypto actifs, les marchés de capitaux et les réseaux de transfert électronique produisent une quantité d’informations impossible à analyser manuellement. L’OCDE souligne que la valeur des flux de données transfrontaliers a dépassé celle du commerce mondial de biens physiques dès 2019, transformant la donnée en matière première de la gouvernance économique. Dans ce contexte, l’intelligence artificielle devient indispensable pour extraire du sens, détecter des patterns et identifier les interactions suspectes au sein de réseaux mondiaux interconnectés. Le FMI rappelle d’ailleurs que l’efficacité des dispositifs de lutte contre la criminalité financière dépend désormais de la capacité des institutions à “intégrer l’analyse algorithmique dans leurs fonctions de supervision et de conformité”. Cependant, ces avancées ne vont pas sans limites ni risques. L’un des principaux défis réside dans la qualité et la fiabilité des données utilisées pour entraîner les modèles. Les biais présents dans les jeux de données historiques peuvent se répercuter sur les prédictions, entraînant une discrimination involontaire ou une surveillance excessive de certains profils ou régions. Le phénomène du concept drift, c’est-à-dire la modification progressive des schémas de fraude au fil du temps, réduit également la pertinence des modèles statiques. Une solution consiste à recourir à l’apprentissage en ligne (online learning), qui permet d’actualiser les algorithmes au fur et à mesure de l’arrivée de nouvelles données, sans nécessiter un réentraînement complet. Cette approche dynamique est aujourd’hui encouragée par les régulateurs, car elle garantit une meilleure adaptation aux comportements changeants des acteurs financiers. L’essor des crypto actifs et des technologies blockchain constitue un autre champ d’expérimentation pour l’intelligence artificielle. Si ces technologies offrent un haut niveau de traçabilité, elles peuvent également être utilisées à des fins de dissimulation ou de contournement réglementaire. Les outils d’IA sont alors mobilisés pour analyser les transactions sur chaînes publiques et détecter des flux suspects en lien avec des plateformes non réglementées. Des entreprises spécialisées, telles que Chainalysis ou Elliptic, ont développé des modèles d’analyse capables d’associer des adresses virtuelles à des entités réelles, facilitant ainsi les enquêtes sur le blanchiment ou le financement du International Journal of Economic Studies and Management (IJESM) - ISSN 2789-049X http://www.woasjournals.com/index.php/ijesm 736 représente à la fois un défi et une opportunité : celle de s’affirmer comme un acteur de référence dans la régulation éthique des technologies financières. 4. Conclusion L’intelligence artificielle s’impose aujourd’hui comme l’un des instruments les plus puissants pour repenser la gouvernance du système financier mondial. Face à une criminalité financière devenue plus sophistiquée, transnationale et dématérialisée, les méthodes traditionnelles de surveillance et de détection ont atteint leurs limites et n’offrent plus les résultats attendus. En revanche, l’IA offre la possibilité d’un changement de paradigme : elle permet d’anticiper les comportements déviants, de repérer les anomalies invisibles aux contrôles humains et d’assurer une vigilance continue sur des volumes massifs de données. Cette révolution technologique, cependant, ne saurait être réduite à une simple question d’efficacité opérationnelle. Elle engage une réflexion plus profonde sur les conditions de sa régulation, sur les principes éthiques qui doivent la guider et sur la place que l’humain doit continuer d’occuper dans la prise de décision. Au fil de ce travail, il est apparu que la lutte contre la criminalité financière à l’ère de l’intelligence artificielle repose sur une tension permanente entre innovation et responsabilité. D’un côté, les algorithmes d’apprentissage automatique et de traitement du langage naturel permettent d’améliorer considérablement la rapidité et la précision des contrôles. De l’autre, leur opacité, leurs biais potentiels et la difficulté d’en assurer la supervision posent des questions fondamentales de transparence et de légitimité. L’efficacité technique ne peut se concevoir sans un cadre de gouvernance éthique et institutionnelle solide. C’est dans cet équilibre que réside la véritable modernité de la régulation financière : une modernité consciente de ses limites et soucieuse de préserver la confiance du public. Sur le plan international, l’OCDE, le GAFI, l’Union européenne et le FMI œuvrent à l’élaboration d’un cadre de référence commun pour encadrer l’usage de l’intelligence artificielle dans les systèmes financiers. Ces institutions convergent vers un modèle fondé sur trois piliers : la transparence, la responsabilité et la coopération. L’Union européenne, par son AI Act, trace la voie d’une régulation préventive et exigeante, fondée sur le principe de l’« IA de confiance ». Le GAFI, pour sa part, insiste sur la proportionnalité et la supervision humaine dans la lutte contre le blanchiment et le financement du terrorisme. Le FMI et l’OCDE, enfin, appellent à une harmonisation mondiale des standards et à la création d’espaces de concertation pour éviter les disparités normatives et les risques d’arbitrage réglementaire. Ces dynamiques traduisent une volonté partagée de construire une gouvernance algorithmique responsable, où la technologie demeure au service de la stabilité et non de la spéculation. International Journal of Economic Studies and Management (IJESM) - ISSN 2789-049X http://www.woasjournals.com/index.php/ijesm 737 Dans ce mouvement global, le Maroc se positionne comme un acteur prometteur et engagé. Sa stratégie nationale de transformation numérique et d’intelligence artificielle témoigne d’une volonté d’anticipation et d’alignement avec les meilleures pratiques internationales. La Bank Al-Maghreb, l’Autorité marocaine du marché des capitaux et la CNDP ont amorcé des réformes visant à encadrer les usages technologiques, à garantir la protection des données et à promouvoir la transparence. Le recours aux regulatory sandboxes, l’intégration progressive des analyses prédictives et la réflexion sur l’éthique algorithmique marquent une évolution notable vers une régulation plus agile et plus intégrée. Le Maroc, fort de son positionnement géostratégique et institutionnel, peut ainsi contribuer à la construction d’un modèle africain d’intelligence artificielle régulée, conciliant innovation, sécurité et inclusion. L’avenir de la lutte contre la criminalité financière dépendra de la capacité des acteurs publics et privés à maintenir cet équilibre fragile entre progrès technologique et gouvernance humaine. La mise en place de mécanismes de supervision éthique, d’audits indépendants et de programmes de formation en éthiques de données (DATA Ethics) et en régulation numérique constituera un préalable indispensable à toute politique durable. Plus encore, il s’agira de promouvoir une culture de la responsabilité partagée, où chaque acteur – développeur, institution, régulateur, citoyen – participe à la construction d’une finance numérique éthique et transparente. L’intelligence artificielle n’est ni une solution miracle ni une menace en soi : elle est un outil. Son impact sur la criminalité financière dépendra de la manière dont les sociétés choisiront de l’utiliser, de l’encadrer et de l’humaniser. Si elle est pensée comme un instrument de gouvernance équitable, participative et durable, elle peut devenir le socle d’une nouvelle ère de stabilité financière et de justice économique. Dans le cas contraire, elle risque d’amplifier les asymétries de pouvoir et les dérives d’un capitalisme algorithmique non maîtrisé. L’enjeu, pour les décideurs comme pour les chercheurs, est donc de transformer cette puissance technologique en intelligence collective régulée, capable d’articuler innovation et intégrité. C’est à cette condition que l’intelligence artificielle deviendra un véritable partenaire de la lutte contre la criminalité financière, et non un nouveau terrain de dérive. International Journal of Economic Studies and Management (IJESM) - ISSN 2789-049X http://www.woasjournals.com/index.php/ijesm 738 REFERENCES / BIBLIOGRAPHIE [1] Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., … & Herrera, F. (2020). L’intelligence artificielle explicable (XAI) : concepts, taxonomies, opportunités et défis vers une IA responsable. Information Fusion, 58, 82–115. https://doi.org/10.1016/j.inffus.2019.12.012 [2] Autorité bancaire européenne (EBA). (2022). Rapport sur le Big Data et les analyses avancées dans le secteur bancaire européen. Bruxelles : EBA. [3] Bank Al-Maghrib. (2023). Rapport sur la supervision bancaire et la digitalisation financière. Rabat : Bank Al-Maghrib. [4] Bolton, R. J., & Hand, D. J. (2002). La détection statistique de la fraude : une revue critique. Statistical Science, 17(3), 235–255. https://doi.org/10.1214/ss/1042727940 [5] Commission européenne. (2021). Proposition de règlement du Parlement européen et du Conseil établissant des règles harmonisées sur l’intelligence artificielle (AI Act), COM(2021) 206 final. Bruxelles : Union européenne. [6] Commission nationale de contrôle de la protection des données à caractère personnel (CNDP). (2024). Programme de certification éthique des systèmes numériques utilisant l’intelligence artificielle. Rabat : CNDP. [7] Dal Pozzolo, A., Boracchi, G., Caelen, O., Alippi, C., & Bontempi, G. (2015). Détection de fraude sur carte de crédit et adaptation aux dérives conceptuelles avec information supervisée différée. International Joint Conference on Neural Networks (IJCNN), 1–8. https://doi.org/10.1109/IJCNN.2015.7280643 [8] Fiore, U., De Santis, A., Perla, F., Zanetti, P., & Palmieri, F. (2019). Utilisation des réseaux antagonistes génératifs pour améliorer la détection de fraude sur carte bancaire. Information Sciences, 479, 448–455. https://doi.org/10.1016/j.ins.2018.02.060 [9] Fonds monétaire international (FMI). (2023). Intégrité et stabilité financières : relever la menace de la criminalité financière à l’ère numérique. Washington D.C. : Fonds monétaire international. [10] Forum économique mondial (WEF). (2022). L’avenir de la criminalité financière et de la conformité : innovation et éthique dans un monde piloté par l’IA. Genève : WEF. [11] Groupe d’action financière (GAFI). (2021). Opportunités et défis liés aux nouvelles technologies pour la lutte contre le blanchiment de capitaux et le financement du terrorisme (LBC/FT). Paris : GAFI. [12] Guidotti, R., Monreale, A., Ruggieri, S., Turini, F., Giannotti, F., & Pedreschi, D. (2018). Panorama des méthodes d’explication des modèles d’apprentissage automatique opaques. ACM Computing Surveys, 51(5), 1–42. https://doi.org/10.1145/3236009 International Journal of Economic Studies and Management (IJESM) - ISSN 2789-049X http://www.woasjournals.com/index.php/ijesm 739 [13] Organisation de coopération et de développement économiques (OCDE). (2021). Recommandation du Conseil sur l’intelligence artificielle : Principes pour une IA digne de confiance. Paris : Éditions OCDE. https://doi.org/10.1787/ai-2021-fr [14] Phua, C., Lee, V., Smith, K., & Gayler, R. (2010). Une enquête complète sur la recherche de détection de fraude basée sur le data mining. arXiv preprint arXiv:1009.6119. [15] Union européenne. (2024). Règlement européen sur l’intelligence artificielle (AI Act). Bruxelles : Parlement européen et Conseil de l’Union européenne. [16] Vaughan, D. (1999). The Dark Side of Organizations: Mistake, Misconduct, and Disaster. Annual Review of Sociology, 25, 271–305. [17] West, J., & Bhattacharya, M. (2016). Détection intelligente de la fraude financière : une revue exhaustive. Computers & Security, 57, 47–66. https://doi.org/10.1016/j.cose.2015.09.005