Lorsque les données sous-jacentes sont erronées, l’IA risque d’approuver une modification frauduleuse des informations d’un fournisseur. Or, plus de 60 % des tentatives de fraude concernent précisément ce type de demande, souvent bien avant qu’un paiement ne soit effectué.
L’IA peut détecter plus rapidement les anomalies et automatiser les contrôles, à condition de s’appuyer sur des données complètes, actualisées et fiables. Lors d’un webinaire organisé par Altares Dun & Bradstreet, Ivalua et Trustpair, trois cas pratiques ont montré comment l’association de l’IA, des données d’entreprise, de la vérification des coordonnées bancaires et de workflows structurés permet de repérer les fraudes plus tôt.
Scénario 1 : une modification suspecte qui s’avère légitime
Un interlocuteur inconnu chez un fournisseur existant demande la modification du compte bancaire associé à un paiement de 350 000 euros. L’identité inhabituelle de l’expéditeur, l’urgence de la demande et le montant élevé constituent autant de signaux d’alerte. Pourtant, la modification est légitime. Trustpair confirme que le compte bancaire appartient bien au fournisseur. Altares Dun & Bradstreet vérifie l’entité juridique et sa structure de propriété, tandis qu’Ivalua centralise l’ensemble des contrôles dans le workflow.
Dans ce type de situation, l’IA peut analyser simultanément plusieurs signaux. Un nouvel interlocuteur et un montant inhabituel augmentent le niveau de risque, mais des données bancaires et des informations d’entreprise vérifiées apportent le contexte nécessaire. L’IA permet ainsi non seulement de bloquer les tentatives de fraude, mais aussi d’éviter qu’un paiement légitime ne soit suspendu inutilement.
Lisez aussi : Votre organisation est-elle prête à atteindre l’excellence en matière de Know Your Supplier ?
Scénario 2 : la vérification téléphonique ne suffit pas toujours
Dans le deuxième scénario, un collaborateur appelle le numéro indiqué dans l’e-mail demandant la modification des données fournisseur. La personne au bout du fil se présente comme l’interlocuteur habituel. Or, le numéro a été ajouté à l’e-mail de phishing par le fraudeur lui-même.
La vérification téléphonique semble rigoureuse, mais elle repose sur la même source non fiable que la demande initiale. L’IA peut détecter que ces coordonnées apparaissent uniquement dans la nouvelle demande et qu’elles ne correspondent pas aux données fournisseur précédemment validées.
Un workflow de vérification indépendant peut alors être déclenché automatiquement et la demande transmise à un autre collaborateur habilité. L’IA contribue ainsi à renforcer la sécurité du processus et à réduire le risque que les équipes soient trompées par des techniques d’ingénierie sociale.
Scénario 3 : des données d’entreprise fiables révèlent un faux fournisseur
Le troisième scénario concerne un nouveau compte ouvert auprès d’une néobanque en Irlande. Les numéros de facture fournis sont corrects, ce qui rend la demande particulièrement crédible. Pourtant, les données sous-jacentes révèlent une tout autre réalité. Trustpair détecte des risques liés au nouveau compte, tandis qu’Altares Dun & Bradstreet constate que l’entité irlandaise n’a été créée que quelques semaines auparavant et qu’elle n’a aucun lien avec le siège social situé à l’étranger. Le nom est presque identique, mais l’identité juridique et la structure de propriété ne correspondent pas.
L’IA peut ici aller au-delà du nom de l’entreprise ou des informations figurant sur la facture. En comparant automatiquement le numéro d’immatriculation, le numéro DUNS®, la date de création et la structure de propriété avec le profil fournisseur existant, elle peut établir qu’il ne s’agit pas de la même entité. La modification peut alors être bloquée et faire l’objet de vérifications complémentaires. Le fait que les données de facturation soient exactes peut également indiquer que des informations internes ont été compromises.
Lisez aussi : Le vrai visage de votre base de fournisseurs
Comment l’IA permet de détecter plus tôt la fraude aux fournisseurs
La force de l’IA ne réside pas dans un contrôle isolé, mais dans sa capacité à croiser les demandes de modification, l’historique des données fournisseurs, les informations d’entreprise vérifiées, les structures de propriété et la vérification des coordonnées bancaires.
Altares Dun & Bradstreet fournit des données d’entreprise fiables ainsi qu’une visibilité sur les entités juridiques et les structures de propriété. Trustpair vérifie qu’un compte bancaire appartient bien au fournisseur concerné. Ivalua intègre les contrôles et les actions de suivi directement dans le processus achats. L’IA analyse ensuite l’ensemble de ces informations afin de déterminer si une demande peut être approuvée, si elle nécessite des contrôles complémentaires ou si elle doit être bloquée.
Avec D&B MCP , les applications d’IA peuvent également accéder directement à des données d’entreprise actualisées au sein du processus décisionnel. Il devient ainsi plus simple d’automatiser les contrôles et de prendre plus rapidement des décisions éclairées.
Lisez aussi : Le rôle des fournisseurs de données dans la transition vers l’IA
Une IA fiable dans les achats commence par des données fournisseurs fiables
Ces trois scénarios montrent que l’IA n’apporte une réelle valeur ajoutée que lorsqu’elle dispose de données fiables et de mécanismes de contrôle adaptés. Ce n’est qu’à cette condition qu’elle peut distinguer une modification légitime d’une tentative de fraude, repérer des informations douteuses et détecter à temps des entités suspectes.
Les organisations qui souhaitent utiliser l’IA dans les fonctions achats et finance doivent donc commencer par disposer de données fournisseurs complètes, actualisées et vérifiées de manière indépendante. Réservez une session de réflexion stratégique sur l’IA : nous examinerons comment combiner les données d’entreprise, les processus et les applications d’IA afin de détecter plus tôt les risques liés aux fournisseurs et de prendre des décisions mieux éclairées.
