La fraude s'accélère. La détection des fraudes sur paiements doit suivre.

La fraude était autrefois limitée par ses coûts et la main-d'œuvre requise : des opérateurs qualifiés, une recherche ciblée et des techniques d'usurpation convaincantes à grande échelle, autant de contraintes qui plafonnaient le nombre d'attaques simultanées. L'IA lève ces obstacles. Selon BCG, le coût d'exécution d'une arnaque financière devrait chuter de 90 % ou plus en deux ans, entraînant un doublement — voire davantage — du volume des attaques.

Lorsque la fraude devient bon marché à exécuter, le volume devient l'arme principale — et l'architecture de défense doit être à la hauteur.

Les opérations de fraude assistées par IA accélèrent cette mutation. Elles recourent de plus en plus à l'IA pour rédiger des leurres plus convaincants, générer des voix clonées et compresser des semaines de reconnaissance en quelques heures, avec un humain qui continue de diriger l'opération. La projection de BCG décrit l'étape suivante : des systèmes d'agents autonomes (« agentic ») capables de se fixer des objectifs, d'orchestrer une exécution en plusieurs étapes et de s'adapter en temps réel, sans qu'un humain ne pilote chaque action.

Les chiffres actuels révèlent déjà une faille de contrôle sérieuse. Selon l'enquête 2026 Payments Fraud and Control Survey de l'AFP, 76 % des organisations américaines ont subi des tentatives ou des actes de fraude aux paiements l'an dernier, tandis que seulement 17 % utilisent l'IA pour les détecter. L'enquête mondiale 2026 CFO Survey de Kyriba confirme ce constat : 77 % des CFO dans le monde considèrent la sécurité et la confidentialité comme un risque pour la santé financière de leur entreprise, mais moins d'un tiers en ont fait une priorité opérationnelle critique pour 2026.

Le problème est d'ordre architectural, non informationnel. Pour comprendre cette faille, il faut s'intéresser au filtrage antifraude des paiements et à sa capacité à résister à une surface d'attaque qui évolue à cette vitesse. La combler exige trois capacités fonctionnant de concert : filtrer chaque paiement, détecter en temps réel les anomalies comportementales, et autoriser la mise en paiement en fonction du risque courant.

Le volume fait des contrôles de trésorerie une surface d'attaque

La trésorerie d'entreprise a toujours été une cible de choix. Ce qui change, c'est la structure de coûts des attaques. Les fraudeurs opèrent déjà avec l'assistance de l'IA, et la projection agentique de BCG laisse entrevoir des opérations nécessitant encore moins d'intervention humaine : elles testent les contrôles, apprennent ce qui déclenche un examen et s'adaptent jusqu'à trouver une brèche — à un volume qu'aucune équipe humaine ne pourrait égaler.

L'exposition de la trésorerie repose sur un ensemble de caractéristiques bien connues : des volumes de paiements élevés, des chaînes d'approbation multi‑contreparties, et des processus de comptabilité fournisseurs qui dépendent du jugement humain aux points de mise en paiement critiques. Un environnement de filtrage antifraude des paiements conçu pour intercepter une tentative sophistiquée par trimestre ne résistera pas à des milliers de tentatives adaptatives par semaine.

L'asymétrie des coûts aggrave l'exposition. D'après mon expérience, un seul virement frauduleux non détecté coûte souvent davantage que l'investissement annuel dans les contrôles de détection qui l'auraient empêché. À mesure que l'économie des attaques s'améliore pour les adversaires, cette asymétrie se creuse.

Des vecteurs de fraude qui exploitent différentes faiblesses des processus

Chaque vecteur cible un point différent du flux de paiement. Ensemble, ils définissent la surface d'attaque de la trésorerie.

Compromission de messagerie professionnelle (Business Email Compromise, BEC). Dans sa forme la plus simple, la BEC contourne entièrement l'infrastructure technique : une instruction convaincante parvient à quelqu'un qui a l'autorité d'agir. La BEC est aussi souvent technique, via la prise de contrôle de comptes, l'usurpation de domaine ou des domaines ressemblants (typosquatting) qui font passer une instruction devant la passerelle de messagerie avant qu'un humain ne la voie. L'IA affûte déjà les deux variantes grâce à une meilleure rédaction des leurres, une reconnaissance plus rapide à partir de sources publiques et compromises, et une usurpation d'identité de dirigeants qui fait référence aux bons fournisseurs et aux bonnes contreparties. À mesure que les systèmes agentiques mûrissent selon la trajectoire décrite par BCG, le volume des campagnes dépassera la capacité des opérations dirigées par des humains.

Redirection de paiements et fraude aux factures. Des coordonnées bancaires frauduleuses s'introduisent dans les flux de comptabilité fournisseurs au moment où la vigilance est la plus faible. L'opération reste dans les paramètres transactionnels normaux jusqu'à réussir, ce qui rend le paiement légitime aux yeux de contrôles fondés sur des règles statiques.

Usurpation d'identité à grande échelle. Le clonage vocal et la génération d'identités synthétiques sont de plus en plus accessibles. Les fraudeurs peuvent mener des campagnes simultanées, en utilisant l'IA pour caler chacune sur le style de communication et le workflow d'autorisation de la cible. La personnalisation qui nécessitait autrefois une équipe nombreuse et qualifiée est désormais largement automatisée. Ces campagnes sont conçues pour franchir la couche de contrôle humain sur laquelle reposent de nombreux dispositifs anti‑fraude.

Chaque vecteur attaque une couche différente du workflow. La BEC pèse sur le jugement humain, la fraude aux factures exploite les données de contreparties, et l'usurpation d'identité met à l'épreuve la discipline d'autorisation. Les trois convergent vers le même moment : un paiement en attente au point d'exécution, suspendu à une décision.

Pourquoi un point d'autorisation unique est la véritable faille

En tant que CISO, le schéma que je rencontre le plus souvent est une architecture d'autorisation conçue pour l'efficacité opérationnelle, mais jamais mise à l'épreuve face à un adversaire disposant de la patience et des outils nécessaires pour la sonder à grande échelle.

Les campagnes de fraude automatisées sont précisément construites pour exploiter cette faiblesse. Les workflows à approbateur unique pour des transactions de grande valeur constituent un vecteur d'attaque bien connu. Les campagnes BEC assistées par IA aident les opérateurs à identifier ces workflows, à caler leurs instructions sur les cycles de paiement connus et à mener des campagnes à plus grande échelle.

Prenons un exemple concret. La messagerie d'un fournisseur a été compromise trois semaines plus tôt, discrètement, sans demande de rançon et sans dommage visible. Ce seul point d'accès rend tout le reste possible. Un fraudeur, utilisant des outils d'IA pour analyser la boîte de réception compromise — chaînes de courriels de facturation, conditions de paiement, entrées d'agenda — identifie un virement de 2,3 millions de dollars prévu pour le vendredi. Dès le mercredi, il a généré une instruction usurpée du CFO, rédigée et affinée par IA, faisant référence au bon fournisseur, au bon montant et à la bonne contrepartie, programmée pour atteindre l'unique approbateur de la comptabilité fournisseurs au moment précis où la fenêtre de mise en paiement est ouverte.

La compromission de la messagerie crée l'opportunité. L'exposition, c'est ce qui se passe ensuite : des informations compromises parviennent à un workflow comportant un seul point d'approbation, et cet unique approbateur a le pouvoir de transformer une instruction frauduleuse en paiement autorisé. La sophistication technique de l'instruction usurpée n'a aucune importance si un second contrôle indépendant se dresse entre elle et les fonds quittant le compte.

Un opérateur humain dirige encore chaque étape ici. La projection agentique de BCG décrit ce même scénario se déroulant sans lui, s'adaptant en temps réel sans opérateur dans la boucle. L'architecture d'autorisation est le contrôle conçu pour tenir, quel que soit l'acteur — humain ou non — qui dirige l'attaque.

Le modèle Filtrer‑Détecter‑Autoriser : ce qu'exige un filtrage antifraude efficace des paiements

Combler cette faille demande plus qu'un seul contrôle. Le modèle Filtrer‑Détecter‑Autoriser superpose trois capacités, chacune couvrant un point de défaillance que les autres ne traitent pas.

Filtrer chaque paiement. Les contrôles fondés sur des règles restent indispensables, et aucun programme mature ne devrait les supprimer ; ils détectent les schémas connus de manière fiable et économique. Leur limite, c'est leur prévisibilité. Une règle signale ce pour quoi elle a été configurée, et un système de fraude automatisé qui la rencontre adapte son approche jusqu'à trouver un chemin que la règle ne couvre pas — précisément ce que des milliers de tentatives adaptatives sont conçues pour repérer. Un filtrage efficace des fraudes aux paiements élimine ce problème de prévisibilité en évaluant simultanément les données de contreparties, les signaux comportementaux et les anomalies contextuelles — pour chaque transaction, avant la mise en paiement et non après.

Détecter les comportements anormaux. La détection d'anomalies comportementales identifie ce que le filtrage seul ne peut pas saisir : un paiement qui semble normal au regard de chaque règle individuelle, mais qui s'écarte du profil de référence pour la contrepartie, le compte ou le type de paiement. Dans les environnements de contrôle que j'ai examinés, la fenêtre entre l'entrée d'une instruction frauduleuse dans un workflow et la sortie des fonds du compte peut être plus courte que le cycle de revue conçu pour l'intercepter — ce qui fait de la première décision de détection la plus critique du workflow. La détection comportementale n'est pas infaillible non plus ; des attaquants qui savent qu'ils sont profilés peuvent façonner progressivement leur comportement pour se fondre dans la référence. C'est pourquoi elle doit fonctionner aux côtés des règles et des contrôles d'autorisation, et non les remplacer.

Autoriser la mise en paiement de manière dynamique. Les contrôles d'autorisation des paiements empêchent toute mise en paiement unilatérale grâce à la séparation des tâches. Au‑delà de seuils définis, aucun individu ne devrait détenir une autorité unilatérale, et le workflow doit exiger un double contrôle ou le principe des quatre yeux. Cette structure doit rester fluide : les chaînes d'autorisation doivent s'adapter au montant, à l'historique de la contrepartie et aux signaux de risque en temps réel, plutôt que d'opérer comme une séquence fixe qu'une opération de fraude sophistiquée peut cartographier.

Chaque capacité répond à une faiblesse distincte. Le filtrage neutralise le volume, la détection des anomalies comportementales neutralise l'adaptation, et les contrôles d'autorisation des paiements éliminent les points de défaillance uniques qui rendent les deux autres nécessaires. Aucune couche seule n'arrête une opération de fraude bien dotée en ressources ; c'est leur combinaison qui comble ce que des règles seules laissent ouvert.

Mettre les contrôles à l'épreuve avant le prochain paiement

Cinq dimensions que chaque équipe finance devrait évaluer dans le cadre du modèle Filtrer‑Détecter‑Autoriser :

1. Couverture du filtrage des paiements : Le filtrage s'applique‑t‑il à chaque transaction, ou seulement à des paiements échantillonnés et signalés ? La fraude automatisée est calibrée pour rester sous les seuils d'échantillonnage. Une couverture limitée aux paiements échantillonnés crée un angle mort connu.
   

2. Adaptabilité de la détection : La détection d'anomalies comportementales peut‑elle s'actualiser face à un nouveau schéma d'attaque sans modifier manuellement les règles ? Sinon, la détection prendra du retard sur la fraude qu'elle est censée intercepter. Ce décalage se manifeste souvent dans les pertes et le volume d'exceptions avant d'apparaître ailleurs.
   

3. Architecture des contrôles d'autorisation des paiements : Les workflows d'approbation comportent‑ils des points de défaillance uniques qu'une campagne BEC ou d'usurpation d'identité ciblée pourrait exploiter ? L'identification de ces points est le point de départ de la refonte des contrôles.
   

4. Continuité de la surveillance : La surveillance de la fraude fonctionne‑t‑elle en temps réel, ou introduit‑elle une latence de cycle de revue qu'un système automatisé pourrait contourner ? La vitesse de détection est une exigence de contrôle à part entière.
   

5. Auditabilité : L'organisation peut‑elle produire, sur demande, une piste d'audit complète et horodatée pour chaque autorisation de paiement dans le périmètre défini ? La piste d'audit est à la fois une donnée de détection et le premier document qu'un comité d'audit demandera après une perte.
   

En conclusion

Le profil de risque de fraude aux paiements pour la trésorerie d'entreprise ne va pas se stabiliser. BCG donne aux équipes finance une fenêtre de prévision de deux ans avant que les systèmes agentiques ne modifient sensiblement l'économie des arnaques financières, et les 17 % d'organisations qui utilisent déjà l'IA pour la détection des fraudes accumulent une expérience que le reste du marché n'a pas encore.

Les organisations qui traitent la fraude aux paiements comme un problème à revue périodique découvriront qu'il s'agit d'un problème de bilan en temps réel. Si je devais présenter à votre conseil d'administration le trimestre prochain, voici ce que je lui dirais. Avant que l'argent ne bouge, trois conditions doivent être réunies : le paiement a été filtré, l'action a été autorisée, et la piste d'audit est disponible. Les équipes finance qui intègrent le filtrage antifraude des paiements, la détection d'anomalies comportementales et les contrôles d'autorisation des paiements dans leur architecture de contrôle sont celles qui peuvent en faire la démonstration. Le modèle Filtrer‑Détecter‑Autoriser est celui que je mettrais devant n'importe quel comité d'audit — et il mérite d'être devant le vôtre.

C'est cette même approche qui guide notre manière d'assurer la sécurité des paiements chez Kyriba.