Détection de fraude documentaire : les quatre mécanismes de contrôle automatique de Ragindeed

Introduction : des fraudes de plus en plus sophistiquées, des contrôles qui n'ont pas évolué

En 2024, l'ACPR (Autorité de Contrôle Prudentiel et de Résolution — régulateur français supervisant les banques, assureurs et certains acteurs de la gestion d'actifs) a sanctionné trois sociétés de gestion pour défaut de vigilance dans le contrôle des pièces justificatives de leurs investisseurs. Le montant cumulé des amendes : 1,2 million d'euros. Le point commun de ces trois dossiers : des documents falsifiés que personne n'avait détectés (source : ACPR, Rapport d'activité 2024 : contrôles et sanctions, janvier 2025).

Le phénomène n'est pas marginal. Selon une étude PwC publiée en 2024, 47 % des entreprises françaises du secteur financier ont été victimes de fraude documentaire au cours des deux dernières années, en hausse de 15 % par rapport à 2022 (source : PwC, Global Economic Crime and Fraud Survey 2024, 2024). L'étude Onfido sur la fraude à l'identité révèle que les tentatives de fraude documentaire ont augmenté de 31 % entre 2022 et 2024, avec une sophistication croissante des techniques utilisées (source : Onfido, Identity Fraud Report 2024, 2024).

Pour une SGP immobilière (Société de Gestion de Portefeuille — entreprise agréée par l'AMF pour gérer des fonds d'investissement) qui traite 500 dossiers de souscription par an, chaque document reçu est un maillon de la chaîne de conformité. Un avis d'imposition dont le revenu fiscal de référence a été modifié, un RIB dont l'IBAN a été altéré, un bail dont les montants ont été retouchés : ces fraudes sont de plus en plus sophistiquées, et les contrôles visuels manuels — un opérateur qui « regarde si ça a l'air correct » — ne suffisent plus.

Ragindeed intègre une couche de détection d'anomalies documentaires qui combine quatre mécanismes complémentaires : analyse visuelle par IA, extraction structurée et cross-validation, analyse des scores de confiance, et comparaison avec des documents de référence. Cet article détaille chaque mécanisme, explique ce qu'il détecte concrètement, et examine les obligations réglementaires en la matière.

Le problème : des fraudes invisibles à l'oeil nu

Les outils de retouche PDF sont aujourd'hui accessibles à tous. Modifier un montant dans un avis d'imposition, changer un IBAN sur un RIB, altérer une date sur un bail : ces manipulations peuvent être réalisées en quelques minutes avec un éditeur PDF grand public (Adobe Acrobat, Foxit PhantomPDF, ou même des outils en ligne gratuits).

Ce que l'oeil humain voit : un document PDF d'apparence normale, avec une mise en page cohérente et des montants plausibles. L'opérateur de back-office qui examine 30 dossiers par jour ne peut pas visuellement distinguer un document authentique d'un document subtilement modifié.

Ce que l'IA voit : des micro-anomalies dans le rendu visuel de la page — polices de caractères légèrement différentes, espacement atypique entre les caractères, artefacts de compression JPEG (Joint Photographic Experts Group — format de compression d'images qui laisse des traces caractéristiques, utilisables comme empreinte digitale du traitement subi par l'image) sur certaines zones mais pas d'autres, métadonnées incohérentes entre les différentes couches du fichier.

Les fraudes documentaires les plus courantes dans le secteur de la gestion d'actifs :

Selon le Ministère de l'Intérieur, les signalements de fraude documentaire ont augmenté de 22 % en France entre 2022 et 2024, avec une part croissante de fraudes numériques (modification de PDF) par rapport aux fraudes physiques (documents contrefaits) (source : Ministère de l'Intérieur, Rapport annuel sur la fraude documentaire et à l'identité, 2024).

Mécanisme 1 : analyse visuelle par IA (vision par ordinateur)

Le premier niveau de détection repose sur l'analyse visuelle des pages du document. Chaque page du PDF est convertie en image haute résolution (300 DPI minimum), puis analysée par un modèle de vision par ordinateur (computer vision — branche de l'intelligence artificielle qui permet à un programme d'analyser et de comprendre le contenu d'images, comme un oeil humain mais avec une capacité de détection de détails microscopiques).

Ce que l'analyse visuelle détecte

Incohérences typographiques. Quand un montant est modifié dans un PDF, la police de caractères utilisée pour le nouveau texte est rarement identique à celle du document original. Même si visuellement les caractères semblent similaires à l'oeil nu, le modèle de vision détecte des différences subtiles :

• Épaisseur des traits (graisse — le poids visuel d'un caractère, de « light » à « bold ») légèrement différente entre le texte original et le texte inséré
• Espacement inter-caractères (kerning — l'ajustement de l'espace entre deux caractères spécifiques pour un rendu harmonieux, différent d'une police à l'autre) atypique par rapport au reste du document
• Alignement vertical décalé de quelques pixels — le texte inséré ne repose pas exactement sur la même ligne de base que le texte environnant
• Anti-aliasing (lissage des contours — technique de rendu qui adoucit les bords des caractères pour un affichage plus lisse) différent entre le texte original et le texte modifié, créant un contraste subtil visible à fort grossissement

Artefacts de compression. Un document PDF généré nativement (par un logiciel comme celui de la DGFiP pour les avis d'imposition) présente un profil de compression homogène sur toute la page. Quand une zone est modifiée puis recomprimée, les artefacts de compression de cette zone diffèrent du reste de la page. L'IA détecte ces zones de compression hétérogène — c'est comme si un tableau avait été restauré avec une peinture d'une teinte légèrement différente : l'oeil non averti ne voit rien, mais un expert avec les bons outils identifie immédiatement la retouche.

Incohérences de mise en page. Les documents officiels (avis d'imposition, relevés bancaires, bulletins de salaire) suivent des gabarits précis, définis par leurs émetteurs. Un avis d'imposition de la DGFiP a un format standardisé avec des zones de texte à des emplacements fixes. Une modification décale souvent légèrement l'alignement des champs voisins. L'IA compare la mise en page observée avec le gabarit attendu pour le type de document et signale les écarts.

Fonctionnement technique

L'analyse visuelle fonctionne en plusieurs passes :

1. Conversion en image haute résolution : chaque page du PDF est rendue en image à 300 DPI minimum
2. Génération d'embeddings visuels : chaque page est convertie en un vecteur de 1536 dimensions (embedding visuel — représentation mathématique du contenu visuel de la page, capturant la disposition, les polices, les couleurs et les textures de manière que des pages similaires aient des vecteurs proches)
3. Comparaison avec les références : les embeddings visuels sont comparés avec ceux de documents de référence du même type (autres avis d'imposition, autres RIB du même émetteur)
4. Calcul du score d'anomalie : un écart significatif dans l'espace vectoriel signale une anomalie visuelle, avec une localisation par zone de la page

Mécanisme 2 : cross-validation entre champs extraits

Le deuxième niveau de détection exploite la cohérence interne du document. Le pipeline d'extraction structurée de Ragindeed extrait des dizaines de champs de chaque document. Ces champs doivent être mutuellement cohérents — c'est la cross-validation (vérification croisée — processus de comparaison de plusieurs données issues du même document ou de documents différents pour détecter les incohérences).

Un fraudeur qui modifie un seul champ (par exemple, le revenu fiscal de référence) oublie généralement d'adapter les champs dérivés (le montant de l'impôt, les prélèvements sociaux, le taux marginal d'imposition). Cette incohérence est automatiquement détectée.

Règles de cross-validation par type de document

Avis d'imposition :

RIB :

Bail commercial :

Mécanisme 3 : scores de confiance comme indicateurs de fraude

Chaque valeur extraite par le pipeline de Ragindeed est accompagnée d'un score de confiance entre 0.0 et 1.0. Ce score reflète la certitude du moteur d'IA sur la valeur extraite — il ne mesure pas la véracité de l'information, mais la facilité et la clarté avec laquelle elle a pu être lue et interprétée.

Un document modifié génère systématiquement des patterns de confiance atypiques :

Le pattern révélateur : un document dont la plupart des champs ont un score supérieur à 0.90, mais un ou deux champs spécifiques (typiquement le montant clé ou l'IBAN) tombent à 0.65. Ce profil de confiance hétérogène — des scores élevés partout sauf sur un point précis — est un signal fort de modification ciblée. Un document de mauvaise qualité globale (scan flou) aura des scores uniformément bas. Un document modifié aura des scores élevés partout sauf sur la zone modifiée.

Cette approche est corroborée par les recherches de l'AIIM (Association for Information and Image Management) sur la détection de fraude documentaire : « Les systèmes de scoring par champ détectent 3 à 5 fois plus d'anomalies que l'inspection visuelle manuelle, principalement grâce à leur capacité à identifier des micro-incohérences statistiques invisibles à l'oeil humain » (source : AIIM, Intelligent Document Processing: Fraud Detection Capabilities, 2024).

Mécanisme 4 : comparaison avec les documents de référence

Ragindeed construit progressivement une base de référence par type de document et par émetteur. Un avis d'imposition 2024 de la DGFiP (Direction Générale des Finances Publiques — administration fiscale française) a une structure précise. Un relevé de compte BNP Paribas suit un gabarit spécifique. Un Kbis du tribunal de commerce de Paris a un format reconnaissable.

Quand un document est analysé, ses caractéristiques visuelles et structurelles sont comparées avec la base de référence :

• Structure du document : nombre de pages, présence des sections attendues, ordre des blocs de texte, présence des mentions légales obligatoires
• Éléments graphiques : logo de l'émetteur (position, taille, résolution), filigrane (watermark — motif semi-transparent imprimé dans le fond du document comme mesure de sécurité), en-tête, pied de page
• Format des champs : position et format des montants (séparateur décimal, séparateur de milliers), dates (JJ/MM/AAAA vs AAAA-MM-JJ), références (nombre de caractères, format de la clé)

Un document frauduleux présente souvent des écarts subtils par rapport au gabarit de référence — un logo légèrement décalé (car l'éditeur PDF ne l'a pas exactement repositionné), un pied de page absent (car la modification a été faite sur la couche de texte sans toucher au gabarit), un format de date différent de celui utilisé par l'émetteur (DD/MM/YYYY au lieu de JJ/MM/AAAA).

Cette technique est inspirée des méthodes forensiques utilisées par les experts judiciaires en documents. L'Institut de Recherche Criminelle de la Gendarmerie Nationale (IRCGN) utilise des approches similaires — comparaison avec des documents de référence authentiques — pour détecter les contrefaçons, mais de manière manuelle et coûteuse (source : Gendarmerie Nationale, Les techniques de détection de fraude documentaire, 2023).

Exemple concret : détection d'un avis d'imposition modifié

Voici le déroulement détaillé d'une détection réelle sur un dossier de souscription SCPI :

Étape 1 — Réception du document. Un CGP transmet un dossier de souscription. Le document « avis d'imposition 2024 » est importé via le connecteur OneDrive et entre dans le pipeline de traitement.

Étape 2 — OCR et extraction. Le pipeline OCR (Marker PDF) extrait le texte structuré. Le modèle d'extraction « Avis d'imposition » identifie les champs principaux :
- Revenu fiscal de référence : 45 000 EUR (confiance : 0.72 — inhabituellement bas)
- Nombre de parts : 2.5 (confiance : 0.94)
- Impôt dû : 3 200 EUR (confiance : 0.91)
- Numéro fiscal : 25 75 12 345 678 901 (confiance : 0.95)

Étape 3 — Analyse vision. L'analyse visuelle de la page 1 détecte une zone de compression hétérogène sur la ligne du revenu fiscal de référence. Le score d'anomalie visuelle de cette zone est de 0.72 (le seuil d'alerte est fixé à 0.60). Le reste de la page a un score d'anomalie de 0.15 (normal).

Étape 4 — Cross-validation. Le moteur de validation croise le revenu fiscal de référence (45 000 EUR) avec le montant d'impôt déclaré (3 200 EUR). Pour 2.5 parts et 45 000 EUR de RFR, l'impôt attendu selon le barème 2024 serait d'environ 1 800 EUR. L'écart de 1 400 EUR dépasse largement le seuil de tolérance (fixé à 10 % par défaut, configurable). Interprétation probable : le revenu fiscal de référence a été augmenté (de ~30 000 EUR à 45 000 EUR) mais l'impôt n'a pas été ajusté en conséquence.

Étape 5 — Alerte composite. Le champ « revenu fiscal de référence » est automatiquement marqué en statut « à vérifier » avec une note explicative détaillant les deux anomalies détectées :
1. Anomalie visuelle : zone de compression hétérogène détectée (score 0.72)
2. Anomalie de cohérence : écart de 78 % entre l'impôt attendu et l'impôt déclaré

Le gestionnaire reçoit une notification avec un lien direct vers le champ concerné.

Étape 6 — Décision humaine. Le gestionnaire examine le document original, compare avec l'alerte, et prend une décision :
- Demander un nouvel exemplaire au CGP (téléchargement direct depuis impots.gouv.fr)
- Rejeter le champ dans le workflow de validation
- Documenter la décision pour la piste d'audit

Ce que Ragindeed fait — et ce qu'il ne fait pas

Il est important de préciser les limites du système, par honnêteté intellectuelle et par conformité avec les exigences de transparence de l'AI Act (règlement européen 2024/1689 sur l'intelligence artificielle) :

Ce que Ragindeed fait :
- Détecte des anomalies visuelles, structurelles et de cohérence dans les documents
- Attribue des scores d'anomalie et de confiance par champ
- Alerte l'opérateur avec des explications détaillées sur la nature de l'anomalie
- Trace chaque détection pour la piste d'audit

Ce que Ragindeed ne fait PAS :
- Il ne déclare pas « ce document est faux ». L'IA détecte des anomalies et attribue des scores. C'est toujours un humain qui prend la décision finale. Un système qui déclarerait automatiquement un document comme frauduleux sans intervention humaine poserait des problèmes juridiques majeurs (présomption d'innocence, droit au recours).
- Il ne remplace pas la vérification auprès de l'émetteur. Pour un avis d'imposition, seul un accès direct à la base DGFiP (via l'API FICOBA ou le portail impots.gouv.fr) permet une certitude absolue. Pour un RIB, seule la vérification directe auprès de la banque émettrice est définitive.
- Les anomalies ne signifient pas toujours fraude. Un scan de mauvaise qualité (résolution insuffisante, travers, ombres), un document imprimé puis re-scanné (double compression), ou un PDF généré par un logiciel atypique (logiciel comptable non standard) peuvent produire des alertes. Le taux de faux positifs est géré par des seuils ajustables.

Obligations réglementaires : la détection de fraude n'est pas optionnelle

La détection de documents falsifiés n'est pas un luxe ni une fonctionnalité « nice to have ». C'est une obligation réglementaire explicite.

Pour les SGP :
- Article L.561-5 du Code monétaire et financier : obligation de vigilance, incluant la vérification de l'authenticité des documents présentés et de la véracité des informations qu'ils contiennent
- Règlement général de l'AMF, article 320-14 : les SGP doivent disposer de procédures de contrôle interne permettant de détecter les opérations suspectes, y compris les documents falsifiés
- Directive AMLD6 (Anti-Money Laundering Directive 6, directive EU 2024/1640) : renforcement des obligations de due diligence, incluant explicitement la vérification de l'authenticité des documents d'identification (source : Parlement Européen, 6th Anti-Money Laundering Directive, directive EU 2024/1640)

Pour les CGP :
- Article L.541-8-1 du Code monétaire et financier : les CIF sont soumis aux mêmes obligations LCB-FT que les établissements financiers, y compris la vérification de l'authenticité des documents clients
- Lignes directrices conjointes ACPR/AMF : les CGP doivent mettre en place des dispositifs proportionnés de contrôle des documents clients. L'ACPR considère qu'un simple examen visuel ne constitue pas un « dispositif proportionné » pour les structures traitant plus de 50 dossiers par an (source : ACPR/AMF, Lignes directrices conjointes sur les obligations de vigilance, 2024)

Sanctions en cas de défaut :

Intégration dans le workflow de souscription

La détection de fraude documentaire de Ragindeed s'intègre naturellement dans le processus de traitement des documents, sans étape supplémentaire ni outil séparé :

1. Document reçu (import automatique via le connecteur de stockage ou dépôt direct)
2. OCR + Extraction structurée (le pipeline extrait le texte et les champs)
3. Analyse vision (détection d'anomalies visuelles, en parallèle de l'extraction)
4. Cross-validation (vérification de la cohérence interne des champs)
5. Score de confiance par champ (chaque champ reçoit un score reflétant la certitude de l'extraction)
6. Décision automatique basée sur les seuils :
7. Score > 0.85 et aucune anomalie → validation automatique (le champ est considéré fiable)
8. Score entre 0.60 et 0.85 ou anomalie mineure → revue manuelle prioritaire (l'opérateur est alerté)
9. Score < 0.60 ou anomalie majeure → alerte fraude, blocage du dossier (le dossier ne peut pas progresser sans investigation)

Chaque anomalie détectée est intégralement tracée : le fragment de texte source, le numéro de page, la zone concernée (bounding box — rectangle en coordonnées pixels définissant la position exacte de l'anomalie sur la page) et le motif de l'alerte sont enregistrés dans le système de traçabilité. Cette piste d'audit est essentielle pour répondre aux demandes de l'ACPR et de l'AMF lors des contrôles périodiques.

Analyse comparative : Ragindeed face aux solutions de détection de fraude

Le marché de la détection de fraude documentaire est segmenté entre les solutions de vérification d'identité (centrées sur les documents d'identité) et les solutions d'analyse documentaire plus larges. Ragindeed se situe à l'intersection de ces deux segments.

Points forts des concurrents à reconnaître :

• Onfido est le leader mondial de la vérification d'identité biométrique avec une base de référence de plus de 4 600 types de documents d'identité dans 195 pays. Sa technologie de liveness detection (détection de vivacité — vérification que la personne est physiquement présente et non une photo, une vidéo ou un deepfake) est parmi les plus avancées du marché, certifiée ISO 30107-3 niveau 2 (source : Onfido, Identity Fraud Report 2024).

• Jumio propose une approche « identity-as-a-service » avec une vérification en moins de 60 secondes, particulièrement adaptée aux parcours d'onboarding en temps réel (ouverture de compte bancaire, souscription en ligne).

• IDnow se distingue par sa solution de vidéo-identification conforme au règlement eIDAS, qui permet une vérification d'identité à distance avec le même niveau d'assurance qu'une vérification en personne. Son implantation européenne (siège à Munich) et sa conformité aux réglementations européennes en font un choix privilégié pour les acteurs soumis aux exigences de l'ACPR.

• Veriff offre le meilleur rapport qualité/prix du marché, avec des tarifs agressifs et une technologie de vérification solide, particulièrement adaptée aux startups et aux fintechs.

La différence fondamentale : Onfido, Jumio, IDnow et Veriff sont des solutions de vérification d'identité spécialisées sur les documents d'identité (CNI, passeport, permis de conduire). Elles répondent à la question « ce document d'identité est-il authentique et cette personne est-elle bien celle qu'elle prétend être ? ». Ragindeed détecte les anomalies sur tous les types de documents du dossier d'investissement — avis d'imposition, RIB, bulletins de souscription, baux, Kbis, DPE — et intègre cette détection dans une chaîne complète d'extraction, de validation et de conformité. Les deux approches sont complémentaires, pas concurrentes.

Tendances technologiques : l'avenir de la détection de fraude documentaire

Deepfakes documentaires et IA générative

L'émergence des outils d'IA générative (modèles capables de créer du contenu — texte, images, documents — de manière autonome) pose un défi nouveau pour la détection de fraude. Des outils comme les générateurs d'images par diffusion peuvent potentiellement créer des documents entièrement fictifs, visuellement indistinguables des originaux.

Selon Gartner, d'ici 2027, 30 % des tentatives de fraude documentaire dans le secteur financier impliqueront des éléments générés par IA (source : Gartner, Predicts 2025: AI Will Reshape Identity Verification, 2024). La réponse à cette menace passe par des techniques de détection spécifiques : analyse des artefacts caractéristiques de la génération par diffusion, vérification des métadonnées du fichier, et surtout cross-validation avec des sources de données officielles (registres fiscaux, registres d'état civil).

eIDAS 2.0 et le portefeuille européen d'identité (2026-2027)

Le règlement eIDAS 2.0 (EU 2024/1183) et le portefeuille européen d'identité numérique (EUDI Wallet) transformeront radicalement la vérification d'identité. Au lieu de recevoir une copie de la CNI (qui peut être falsifiée), le professionnel financier recevra une attestation cryptographiquement signée par l'État émetteur, vérifiable instantanément. La fraude sur les documents d'identité deviendra structurellement impossible pour les porteurs du portefeuille numérique (source : Commission Européenne, European Digital Identity Framework, règlement 2024/1183).

En revanche, les autres types de documents (avis d'imposition, RIB, baux, Kbis) ne seront pas couverts par le portefeuille numérique dans un premier temps. La détection de fraude sur ces documents restera donc indispensable.

AI Act et obligations de transparence

Le règlement européen sur l'intelligence artificielle (AI Act, règlement 2024/1689) impose des exigences spécifiques pour les systèmes d'IA utilisés dans l'évaluation de la solvabilité et l'accès aux services financiers. Les systèmes de détection de fraude documentaire utilisés dans le cadre du KYC pourraient être classés comme « à haut risque » (high-risk AI systems), imposant :
- Une documentation technique complète du fonctionnement du système
- Des tests de biais et d'équité (le système ne doit pas discriminer selon l'origine ethnique, le pays de naissance, etc.)
- La possibilité pour le client de comprendre et contester une décision défavorable
- La conservation des logs de détection pendant une durée minimale

La traçabilité complète de Ragindeed — chaque score d'anomalie relié à son explication, chaque alerte documentée avec son motif — répond nativement à ces exigences (source : Parlement Européen, Artificial Intelligence Act, règlement 2024/1689).

Vérification en temps réel via les API officielles

La tendance est à la connexion directe avec les émetteurs de documents pour une vérification en temps réel :
- API DGFiP : vérification directe de l'avis d'imposition (disponibilité progressive)
- API INPI : vérification du Kbis et du registre des bénéficiaires effectifs (disponible)
- API bancaires (DSP2/Open Banking) : vérification directe de l'IBAN et du titulaire du compte
- Registres d'état civil européens : vérification de l'identité via les échanges transfrontaliers

Ragindeed intègre déjà les API disponibles (INPI pour les Kbis et les bénéficiaires effectifs) et prépare l'intégration des API à venir (DGFiP, registres d'état civil) au fur et à mesure de leur ouverture.

En résumé : quatre mécanismes, une défense en profondeur

La détection de fraude documentaire par IA n'est pas de la science-fiction. C'est une combinaison méthodique de quatre mécanismes complémentaires :

1. Analyse visuelle : détection des incohérences typographiques, des artefacts de compression et des écarts de mise en page
2. Cross-validation : vérification de la cohérence interne entre les champs extraits d'un même document et entre les champs de documents différents du même dossier
3. Scores de confiance : identification des patterns de confiance hétérogènes révélateurs d'une modification ciblée
4. Comparaison avec les références : détection des écarts par rapport aux gabarits connus des émetteurs officiels

Aucun de ces mécanismes n'est infaillible individuellement. L'analyse visuelle peut être trompée par un scan de mauvaise qualité. La cross-validation peut être contournée par un fraudeur méticuleux qui ajuste tous les champs. Les scores de confiance peuvent fluctuer pour des raisons bénignes. La comparaison avec les références peut échouer face à un nouveau format d'émetteur.

C'est leur combinaison qui produit un niveau de détection très supérieur au contrôle visuel manuel. Un fraudeur devrait simultanément tromper les quatre mécanismes — produire un document visuellement parfait, avec une cohérence interne irréprochable, qui ne perturbe pas les scores de confiance et qui corresponde exactement au gabarit de référence. C'est un niveau de sophistication qui dépasse la grande majorité des tentatives de fraude documentaire.

Pour une SGP ou un CGP, l'enjeu est double : protéger ses clients contre la fraude, et se protéger soi-même contre les sanctions du régulateur. Ragindeed apporte les outils pour y parvenir, intégrés nativement dans le processus documentaire existant, sans outil supplémentaire à installer ni workflow à modifier.

Références :
1. ACPR, Rapport d'activité 2024 : contrôles et sanctions, janvier 2025
2. PwC, Global Economic Crime and Fraud Survey 2024, 2024
3. Onfido, Identity Fraud Report 2024, 2024
4. Ministère de l'Intérieur, Rapport annuel sur la fraude documentaire et à l'identité, 2024
5. AIIM, Intelligent Document Processing: Fraud Detection Capabilities, 2024
6. Gendarmerie Nationale (IRCGN), Les techniques de détection de fraude documentaire, 2023
7. ACPR/AMF, Lignes directrices conjointes sur les obligations de vigilance, 2024
8. Parlement Européen, 6th Anti-Money Laundering Directive, directive EU 2024/1640
9. Gartner, Predicts 2025: AI Will Reshape Identity Verification, 2024
10. Commission Européenne, European Digital Identity Framework, règlement 2024/1183
11. Parlement Européen, Artificial Intelligence Act, règlement 2024/1689
12. AMF, Doctrine AMF 2024-01 : Exigences de traçabilité documentaire pour les SGP, mars 2024