Par Pierre Gérard, CEO et cofondateur de Scorechain

Lorsque Scorechain a été fondée au Luxembourg en 2015, « blockchain analytics » n’était pas encore une catégorie reconnue. Les premières années ont consisté à expliquer aux banques et aux régulateurs pourquoi la transparence d’un registre public représentait une opportunité plutôt qu’une menace. Dix ans plus tard, le même malentendu se reporte désormais sur l’intelligence artificielle (IA), et il fait perdre à l’industrie un temps précieux.

Deux récits dominent le débat actuel. Le premier affirme que l’IA remplacera bientôt entièrement les équipes de conformité. Le second soutient que l’IA est trop imprévisible pour être autorisée à s’approcher d’une activité financière régulée. Aucun des deux ne résiste à l’examen. Depuis 2015, Scorechain a évalué le risque de plus de 2,800 virtual asset service providers (VASPs), et au cours des deux dernières années, l’entreprise a intégré l’IA là où elle apporte une valeur réelle — comme une couche distincte, plutôt que comme quelque chose d’imbriqué directement dans les outils de conformité sur lesquels ses clients s’appuient.

Le problème du bruit dans la conformité

Chaque responsable conformité évoque la même difficulté au cours des cinq premières minutes d’échange : le bruit. Un système de filtrage des sanctions réglé au niveau préféré par une banque prudente peut générer des faux positifs à hauteur d’environ 95%. La surveillance des transactions affiche des taux similaires. Par conséquent, des analystes formés — des professionnels qui comprennent les typologies et savent lire un flux de fonds — passent l’essentiel de leur journée à traiter des alertes qui n’ont jamais représenté un risque réel : rejeter des correspondances de noms sur la base d’un patronyme courant, ou lire plusieurs occurrences d’articles de presse négatifs qui se révèlent finalement concerner une personne totalement différente. Chaque vérification d’articles de presse négatifs prend généralement 10 à 20 minutes à un analyste. C’est la réalité quotidienne du travail de conformité, et c’est l’une des principales raisons pour lesquelles des professionnels qualifiés quittent ce secteur. Des organisations comme ACAMS ont signalé que l’épuisement professionnel et le turn-over dans les fonctions de lutte contre le blanchiment d’argent constituent un problème structurel, et non cyclique.

C’est là que l’automatisation trouve sa place, mais dans un rôle plus limité que ne le suggère l’effet d’annonce. Scorechain AI a été conçu pour fournir à l’analyste un rapport consolidé : le score de risque d’un portefeuille, les types d’entités avec lesquelles il a interagi, ainsi que les services et contreparties identifiés auxquels il a été exposé. Il s’agit d’un travail qui nécessitait auparavant des heures de traçage manuel à travers un registre. Mais il est essentiel de noter ce que ce rapport fait et ne fait pas. Il ne prend aucune décision. Il compresse les éléments de preuve afin que le responsable conformité — la personne chargée de valider la décision et de la défendre plus tard devant un régulateur — puisse l’examiner en quelques minutes puis trancher. Le véritable enjeu est là. Une bonne automatisation ne réduit pas la fonction conformité ; elle la libère de la triage répétitive pour la ramener vers le jugement.

Pourquoi la responsabilité humaine est une architecture, pas une phase transitoire

Cette distinction compte, car l’alternative est risquée. Dans un environnement régulé, un modèle ne peut pas répondre à un superviseur. La Sixth Anti-Money Laundering Directive (AMLD6) et le Markets in Crypto-Assets Regulation (MiCA) exigent toutes deux qu’une institution explique ses décisions et en assume la responsabilité. « L’algorithme l’a signalé » n’est pas une défense recevable lors d’une inspection, et « l’algorithme l’a validé » est encore pire. La seule conception responsable consiste donc à utiliser l’IA comme couche d’assistance reposant sur des données fiables, avec un responsable conformité identifié conservant la décision ainsi que la responsabilité qui l’accompagne. La supervision humaine n’est pas une béquille que l’on retire une fois le modèle arrivé à maturité. C’est l’architecture.

Et un modèle n’est jamais meilleur que ce qui le sous-tend. C’est ce que les observateurs extérieurs ne perçoivent pas toujours. Pris isolément, une IA qui lit une blockchain ne voit que des chaînes anonymes de caractères transférant de la valeur à d’autres chaînes anonymes. Elle ne peut pas savoir que le portefeuille situé trois sauts en amont appartient à une plateforme sanctionnée, ni que la contrepartie recevant les fonds est un mixer plutôt qu’un prestataire de paie. Fournir ce contexte manquant est précisément le rôle de la blockchain analytics : rattacher une identité et un niveau de risque à l’activité brute on-chain, tracer l’exposition indirecte à travers plusieurs sauts plutôt que de se limiter à l’adresse immédiatement visible, et la noter en s’appuyant sur plus d’un milliard de points de données et plus d’un million d’entités crypto que nous avons labellisées depuis 2015.

Prenons un cas concret : un portefeuille semble propre à première vue, mais l’analyse de ses flux montre que la majeure partie de son solde est arrivée, deux sauts plus tôt, depuis une adresse liée à un opérateur de ransomware. C’est une conclusion qu’un modèle n’atteindrait jamais en s’appuyant uniquement sur les données brutes de la chaîne, alors que c’est précisément le type de constat sur lequel un responsable conformité doit agir. Donner ce contexte à un modèle lui permet de raisonner sur une base solide. Lui fournir des données maigres produit des certitudes erronées, ce qui est en conformité plus dangereux qu’une simple lacune honnête, parce que cela conduit à valider des transactions qui auraient dû être signalées.

L’IA comme acteur du marché, et pas seulement comme outil de conformité

Voici ce que je considère comme véritablement nouveau. L’IA n’est plus seulement un outil utilisé par les équipes de conformité ; elle devient un participant du marché qu’elles surveillent. Les agents autonomes qui déclenchent des paiements dans le cadre de limites prédéfinies sont passés du stade de démonstration à celui de déploiement, portés par des infrastructures bien réelles : le standard x402 de Coinbase pour les paiements machine-à-machine, le Trusted Agent Protocol de Visa, l’intégration de paiement de PayPal et OpenAI. Les logiciels commencent à effectuer des transactions avec d’autres logiciels, en réglant des crypto-actifs à une échelle qu’aucune équipe de trésorerie ne pourrait reproduire manuellement.

Cela soulève une question à laquelle l’industrie n’a pas encore apporté de réponse claire : comment appliquer les principes de Know Your Transaction à une contrepartie qui est un logiciel ? La direction, au moins, est claire. Lorsque des agents effectuent eux-mêmes des transactions, les contrôles ne peuvent plus se limiter au seul onboarding. Ils doivent se déplacer vers la couche transactionnelle elle-même : surveillance en temps réel, limites de vélocité, provenance, et capacité d’intervention tant que les fonds sont encore en mouvement. La transparence que nous avons défendue pendant des années face aux sceptiques se révèle être précisément ce qui rend l’activité autonome on-chain réellement auditable.

Construire pour une conformité autonome

C’est pour ce futur que nous avons décidé de construire, plutôt que de l’attendre. Nous avons récemment lancé Scorechain MCP, qui expose notre notation du risque et notre intelligence des entités via le Model Context Protocol, un standard émergent qui permet aux agents d’IA d’appeler directement des outils externes. L’intelligence réside dans notre plateforme, et l’IA reste à l’extérieur, en sollicitant des réponses au lieu d’être intégrée directement dans l’outil de conformité. Le principe est simple : un agent ne devrait jamais transacter à l’aveugle. Avant de déplacer des fonds ou d’approuver une contrepartie, il peut demander à Scorechain, dans le même échange, si cette adresse correspond à une entité sanctionnée, à un mixer, à une arnaque connue ou à un portefeuille privé propre, et recevoir en retour un score de risque.

Il ne s’agit pas d’une capacité théorique. Nous réalisons déjà plus de 1.5 million de contrôles AML par jour, et une requête de filtrage revient en environ 235 milliseconds, assez rapidement pour s’insérer dans une transaction en cours sans la ralentir. Nous avons placé ce service là où vivent réellement ces agents et ces workflows, sous forme d’application dans ChatGPT et Claude, ainsi que sous forme d’intégration sur des plateformes d’automatisation comme n8n et Zapier. Un contrôle de conformité intégré au flux, au moment où la décision est prise, a bien plus de valeur qu’un contrôle ajouté après que l’argent a déjà été transféré.

Le contrôle le plus élémentaire de tous — savoir si une adresse figure sur une liste de sanctions — ne devrait pas être réservé derrière un paywall. C’est pourquoi nous proposons une free sanctions screening API que tout développeur, agent ou workflow peut utiliser. Filtrer l’exposition aux sanctions n’est pas l’endroit où un fournisseur de conformité devrait extraire de la valeur ; c’est le socle sur lequel tout le marché devrait reposer.

L’intelligence du risque au niveau de l’actif

Un second changement de fond se dessine, et les émetteurs de tokens comme les asset managers commencent seulement à en prendre la mesure. Lorsque la valeur se déplace à vitesse machine vers des stablecoins et des actifs tokenisés, le risque pertinent ne concerne plus seulement la transaction individuelle mais l’actif lui-même : qui le détient, à quel point cette détention est concentrée, et quelle part de l’offre se trouve entre les mains d’entités sanctionnées ou autrement à haut risque. C’est une question fondamentalement différente de la surveillance des transactions, et c’est précisément celle à laquelle notre Digital Asset Intelligence est conçue pour répondre, en donnant à un émetteur ou à un asset manager une vision au niveau de l’actif des détenteurs et des expositions avant toute émission, cotation ou allocation.

L’Europe est mieux préparée à cette évolution qu’on ne le reconnaît généralement. MiCA et AMLD6 partent déjà du principe qu’il faut une surveillance continue et une responsabilité claire, plutôt qu’un contrôle unique à l’entrée. Un cadre réglementaire qui suppose que l’activité doit être explicable est exactement ce qu’il faut lorsque des logiciels commencent à déplacer des fonds.

Oui, l’IA transforme la conformité crypto. Elle supprimera une grande quantité de tâches fastidieuses, et c’est une évolution bienvenue. En revanche, elle ne supprimera pas le besoin de discernement, de responsabilité et de données vérifiables. Elle élève même le niveau d’exigence sur ces trois plans. Les équipes qui considèrent l’IA comme un analyste plus rapide — appuyé sur une intelligence on-chain fiable et maintenu fermement sous contrôle humain — sont celles qui resteront en place lorsque les machines commenceront à transacter. Cette échéance est plus proche que la plupart des gens ne le pensent.