Thèse Conception de Systèmes d'IA Agentique pour la Lutte Contre le Blanchiment d'Argent Adaptés à des Contextes en Constante Évolution H/F - Doctorat.Gouv.Fr

Établissement : Institut Polytechnique de Paris École polytechnique École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris Laboratoire de recherche : LIX - Laboratoire d'informatique Direction de la thèse : Yanlei DIAO ORCID 0009000077939671 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-06-15T23:59:59 La criminalité financière, notamment le blanchiment d'argent et le financement du terrorisme, constitue un défi mondial majeur aux dimensions économiques et sécuritaires. Elle fragilise la stabilité des systèmes financiers et expose les institutions à des amendes réglementaires massives. Dans ce contexte, les systèmes traditionnels de lutte anti-blanchiment sont critiqués pour leur inefficacité : générant jusqu'à 95 % de faux positifs, ils entraînent des coûts considérables et une surcharge opérationnelle.

S'ils doivent être complétés par de nouvelles technologies (modèles non supervisés, analyse de graphes) pour plus de pertinence, ces outils rendent les alertes plus complexes à traiter, difficulté accrue par l'essor des cryptomonnaies et des paiements instantanés.

Ce projet de thèse vise à concevoir un système d'intelligence artificielle adaptatif, capable d'assister les analystes dans l'investigation et d'automatiser la génération de rapports d'activités suspectes (SAR) conformes aux exigences réglementaires.

L'approche repose sur quatre axes : (1) Adaptation continue du processus d'investigation pour intégrer l'évolution des modes opératoires criminels et les nouveaux facteurs de risques capturés par l'IA, en complément des systèmes du groupe BNP. (2) Utilisation d'agents intelligents pour analyser les relations complexes entre entités et transactions. (3) Génération automatique de SAR multilingues et multi-juridictionnels via des Large Language Models (LLM) pour faciliter la validation humaine. (4) Intégration de l'explicabilité pour renforcer la transparence et la confiance réglementaire.

L'objectif final est de contribuer à l'intégrité financière mondiale via des solutions IA fiables et interopérables, réduisant la charge opérationnelle tout en renforçant la lutte contre la criminalité financière.
Financial crime, particularly money laundering and terrorist financing (AML-CFT), represents a persistent global challenge with major economic and security implications. Ineffective AML systems not only destabilize financial markets but also expose institutions to severe regulatory sanctions, with fines frequently exceeding one billion dollars [1]. As a result, financial institutions invest heavily in compliance infrastructures, yet traditional rule-based AML systems remain highly inefficient, generating up to 95% false positives in order to maintain regulatory coverage [2]. This excessive sensitivity leads to significant operational costs and overwhelms compliance teams.

The problem is further compounded by structural complexity. Large banking groups operate across dozens of jurisdictions, each with distinct regulatory frameworks, while financial crimes themselves are inherently cross-border [3]. At the same time, regulators such as the FATF, ECB, FinCEN, AUSTRAC, and national supervisory authorities impose increasingly stringent requirements on transparency, auditability, and timeliness. In parallel, emerging financial infrastructures-cryptocurrencies, instant payments, and complex transaction networks-significantly increase detection and investigation complexity.

Recent advances in artificial intelligence offer promising opportunities to address these challenges. Most existing research in AML has focused on anomaly detection, leveraging machine learning, graph-based models, and sequential architectures to identify suspicious patterns [4, 5, 6]. While these approaches improve detection performance, they largely neglect the post-flagging phase, where human analysts must investigate alerts, interpret complex transaction networks, and justify decisions in a traceable and regulator-ready manner. In this context, explainable artificial intelligence (XAI) has emerged as a critical requirement to support human reasoning and regulatory trust [7, 8].

More recently, research has begun exploring agentic AI systems to support AML investigations beyond initial alert generation. By decomposing the investigative workflow into specialized agents-such as contextual data retrieval, relational reasoning, and report drafting-agentic AI has the potential to significantly accelerate compliance operations while preserving human oversight [9, 10]. However, existing approaches remain limited in adaptability, explainability, and regulatory validation, particularly in environments characterized by evolving laundering typologies and regulatory frameworks.

In parallel, large language models (LLMs) have demonstrated strong capabilities in multilingual text generation and summarization, making them attractive for automating parts of regulatory reporting, including Suspicious Activity Reports (SARs) [11]. Nevertheless, their tendency to hallucinate and lack of legal-grade reliability pose significant risks in compliance-critical settings [12, 13]. Consequently, their integration requires carefully designed pipelines emphasizing explainability, retrieval-based grounding, and human-in-the-loop validation [14, 15].

Consequently, AML lacks an adaptive, regulation-aware, and explainable agentic AI systems capable of assisting human investigators while evolving alongside criminal strategies and regulatory constraints.

Le candidat idéal doit être capable de combler le fossé entre l'IA théorique avancée - notamment le Reinforcement Learning (RL) et les Graph Neural Networks (GNN) - et les applications concrètes à enjeux élevés dans la conformité bancaire et le droit réglementaire. Il doit posséder un Master (MSc ou équivalent) en Informatique, IA, Data Science ou Mathématiques Appliquées, et avoir une expérience préalable en recherche ou rédaction académique, puisqu'il sera amené à publier des articles et à rédiger une thèse sur trois ans.

Sur le plan technique, le candidat doit démontrer une expertise en Graph Machine Learning et Network Science, incluant la maîtrise des GNN, des Temporal Graph Networks, de l'apprentissage de sous-graphes et des embeddings pour détecter des schémas complexes de transactions tels que le blanchiment d'argent. Il doit également posséder de solides compétences en Traitement Automatique du Langage et en grands modèles de langage (LLM), notamment pour la génération augmentée par récupération (RAG) afin de réduire les hallucinations dans des contextes sensibles, ainsi que pour le prompt ou le fine-tuning de modèles pour la génération automatisée de rapports multilingues. En Reinforcement Learning, la familiarité avec les frameworks d'IA agentique et l'optimisation «human-in-the-loop » est essentielle pour permettre des décisions séquentielles tout en maintenant une supervision humaine. Sur le plan mathématique, le candidat doit être capable de traduire des problèmes métiers vagues en formulations précises, de définir des fonctions de perte équilibrant rappel, faux positifs et feedback humain, et de concevoir des systèmes d'IA explicables fournissant des justifications transparentes et auditable pour les régulateurs.

Au-delà des compétences techniques, le candidat doit montrer un fort intérêt pour la FinTech, le droit réglementaire et la conformité bancaire, s'épanouir dans un environnement corporate, communiquer efficacement avec des analystes non techniques et faire preuve d'une grande rigueur éthique compte tenu de la sensibilité des données financières. Les qualifications supplémentaires incluent la volonté de suivre des certifications professionnelles telles que le CAMS et la maîtrise de l'anglais et du français pour soutenir des applications multilingues.