Vous avez sous les yeux une série d’anomalies qu’il faut transformer en un plan d’enquête solide et justifiable d’ici la fin de la semaine. Le piège professionnel consiste à considérer une alerte générée par l’IA comme une conclusion en soi ; en effet, si vous interprétez une anomalie statistique comme une preuve de malversation, vous risquez d’orienter inutilement les efforts d’enquête, de biaiser les échanges avec les témoins et de produire des documents susceptibles d’être communiqués lors d’une procédure judiciaire et de porter un préjudice injustifié.
Dans ce processus, le rôle de l’IA est précis mais précieux : elle permet de passer au crible de vastes volumes de transactions, de mettre en évidence des schémas nécessitant une attention particulière et de rédiger une première analyse de tri. C’est à vous qu’incombe la responsabilité professionnelle. Vous déterminez la signification de l’alerte dans le contexte d’une fraude, les explications légitimes à écarter, les éléments de corroboration nécessaires et la manière de préserver l’intégrité des preuves si l’affaire devait prendre de l’ampleur.
Avant de mettre en œuvre une quelconque technique, fixez bien cette limite à l’esprit : les résultats fournis par l’IA constituent des pistes d’enquête, et non des preuves de fraude, d’intention délictueuse ou d’implication individuelle. Si cette frontière devient floue, chaque livrable ultérieur perdra sa fiabilité sur le plan professionnel.
Pour ancrer la suite de ce cours dans la réalité, examinez les éléments du dossier ainsi que les livrables que vous seriez concrètement chargé de produire.
Dans le cadre d’une enquête interne classique chez un distributeur américain de taille intermédiaire, les livrables consistent en un registre des risques classant les expositions par ordre de priorité et en une note d’orientation indiquant précisément au réviseur les vérifications à effectuer ensuite. Ces documents doivent refléter un travail professionnel susceptible d’être examiné de près ; ils doivent donc distinguer clairement les faits observés, les signaux d’alerte analytiques et les hypothèses d’enquête.
Une note d’orientation gagne en crédibilité lorsqu’elle expose clairement ses limites. Elle précise ce que révèlent les données, ce que le modèle a signalé et les conditions nécessaires pour qu’un scénario de fraude soit plausible. Elle indique également d’autres explications possibles pour les anomalies constatées. Une note qui omet d’envisager des explications légitimes ne paraît pas convaincante ; elle semble partiale, et c’est souvent ce manque d’objectivité qui transforme une affaire interne en problème juridique.
Votre première étape d’interprétation consiste à associer une anomalie constatée à une catégorie de fraude afin d’assurer la cohérence des démarches ultérieures. Selon le cadre défini par l’ACFE, le détournement d’actifs se manifeste généralement par une sortie de valeur de l’organisation via des décaissements ou la masse salariale. La corruption se traduit souvent par des relations conflictuelles avec des fournisseurs, des anomalies de tarification ou le contournement des procédures d’approbation. La fraude aux états financiers se manifeste fréquemment par des pratiques de fin de période modifiant la performance déclarée, et non simplement par des mouvements de trésorerie.
Cette mise en correspondance est cruciale, car une même anomalie peut avoir des significations différentes. La présence de numéros de facture en double dans le cycle fournisseurs peut résulter d’une défaillance des contrôles, d’une anomalie liée à une migration de système ou d’une manœuvre délibérée de fractionnement des paiements. Si l’IA permet d’identifier rapidement ces doublons, elle ne peut déterminer le scénario exact sans le contexte que vous devez recueillir et évaluer.
Utilisez cette mise en correspondance entre types de fraude et données pour apprendre à distinguer ce qu’une anomalie peut suggérer de ce qu’elle ne peut pas prouver.
Lorsque vous utilisez un modèle de langage (LLM) pour le tri, vous ne déléguez pas votre jugement. Vous encadrez un assistant de rédaction afin qu’il génère des pistes d’investigation dans un langage neutre, assorties d’étapes de corroboration explicites. Le risque professionnel réside dans le fait de laisser le modèle employer des termes connotés quant à l’intention, tels que « fraude » ou « dissimulation » ; ce vocabulaire risque en effet de se retrouver dans les e-mails, les plans d’entretien et les dossiers de travail, compromettant ainsi la neutralité que vous êtes tenu de préserver.
Un cadre de tri efficace impose quatre éléments dans le résultat produit. Il définit l’objectif comme étant la priorisation, et non la conclusion. Il contraint le modèle à ne citer que les champs que vous avez fournis. Il exige que des explications bénignes soient présentées en regard de chaque signalement. Enfin, il requiert l’indication des procédures ultérieures permettant de corroborer ou d’infirmer la piste, telles que l’examen des documents sources, la vérification du circuit d’approbation ou une confirmation indépendante.
Rédigez ou adaptez une instruction (prompt) de tri structurée, conçue pour générer des pistes classées et des étapes de corroboration explicites, sans introduire d’accusations.