Doxallia (Groupe Crédit Agricole)
Problème
Des milliers de bulletins de paie à vérifier à la main pour chaque octroi de crédit
Chaque demande de crédit exige la vérification manuelle des bulletins de paie fournis par les emprunteurs. À l'échelle d'un groupe structuré en caisses régionales, ces contrôles sont longs, coûteux et sujets à erreur, face à des fraudes de plus en plus sophistiquées : montants falsifiés, taux de cotisation modifiés, métadonnées manipulées. Les données, hautement sensibles, ne pouvaient pas quitter l'infrastructure du client. Sans automatisation, deux risques : ralentir l'octroi de crédit ou laisser passer des documents frauduleux.
Solution
Trust AI : une application web React + Python avec 4 couches de vérification IA
Koïno a conçu Trust AI, une application web complète (React + Python) qui analyse chaque bulletin de paie via 4 couches de vérification : extraction OCR stricte sans hallucination (Claude d'Anthropic), contrôles arithmétiques des cotisations et montants, comparaison aux taux légaux en vigueur et analyse des métadonnées (Error Level Analysis). Innovation clé : une restitution à trois niveaux (conforme, non conforme, incomplet) qui élimine les faux positifs liés au manque d'information. Architecture 100 % on-premise avec MinIO : aucune donnée ne quitte le SI du client.
Résultats
Environ 75 % de faux positifs en moins et un POC livré en 6 semaines
Le POC, livré en 6 semaines, réduit les faux positifs d'environ 75 % par rapport à une restitution binaire et peut être déployé immédiatement en test auprès des caisses régionales partenaires. Code source et documentation intégralement transférés : le client est totalement autonome. D'après l'expérience de Koïno dans la banque et l'assurance, le ROI d'un tel projet se matérialise en 3 à 6 mois après mise en production. L'architecture modulaire prépare une V2 : avis d'imposition, justificatifs de domicile.
-75 %
De faux positifs par rapport à une restitution binaire conforme/non conforme : le troisième état « incomplet » distingue l'information manquante de la fraude avérée.
6 semaines
Du cadrage à la livraison complète du POC : code source, benchmark de performance et documentation de déploiement inclus, là où chaque bulletin restait auparavant contrôlé à la main.
100 % on-premise
Aucune donnée sensible ne quitte l'infrastructure du client : stockage MinIO (compatible S3) et architecture conçue pour les exigences de sécurité du secteur bancaire français.
Détection de fraude documentaire par IA pour les bulletins de paie
« Nous avions besoin de construire une solution de détection de fraude documentaire sur les bulletins de paie. Grâce à leur approche d'études et de benchmarks avec une vraie rigueur scientifique, on a pu être au plus proche de l'état de l'art. Ce qui a été planifié a été délivré avec une maîtrise de bout en bout on parle de semaines, pas de mois. Quand quelque chose ne marche pas, ils le disent clairement. Et surtout, la collaboration était tellement fluide que j'ai pu moi-même contribuer au projet. Si vous cherchez une équipe qui fait de la vraie R&D appliquée, pas juste du delivery, Koïno c'est le bon choix. »
Le contexte : sécuriser l'octroi de crédit dans un groupe structuré en caisses régionales
Doxallia est une entité du Groupe Crédit Agricole. Son enjeu sur ce projet : fiabiliser la vérification des bulletins de paie fournis à l'appui des demandes de crédit, au service des caisses régionales du groupe.
Chaque dossier de crédit immobilier ou de crédit à la consommation exige en effet la vérification de pièces justificatives : bulletins de paie, avis d'imposition, justificatifs de domicile. À l'échelle d'un groupe structuré en caisses régionales, ces volumes se comptent en milliers de documents et rendent le contrôle humain systématique intenable.
Koïno a conçu et livré Trust AI, un moteur de détection de fraude documentaire par IA, sous la forme d'un POC (démonstrateur fonctionnel) opérationnel en 6 semaines. Résultat le plus marquant : environ 75 % de faux positifs en moins par rapport à une restitution binaire classique.
Le problème : des milliers de bulletins de paie à contrôler à la main, des fraudes invisibles à l'œil nu
Dans le secteur bancaire, la vérification manuelle des pièces justificatives est un goulet d'étranglement coûteux et risqué. Le coût de l'inaction se mesurait sur trois plans :
- Des milliers de bulletins de paie à vérifier manuellement lors de l'octroi de crédit : des contrôles longs, sujets à erreur, impossibles à systématiser à effectifs constants.
- Des fraudes de plus en plus sophistiquées : montants falsifiés, taux de cotisation modifiés, métadonnées manipulées. Ces incohérences sont quasi impossibles à repérer à l'œil nu de façon fiable et systématique.
- Un double risque : ralentir l'octroi de crédit et pénaliser l'activité commerciale, ou laisser passer des documents frauduleux et augmenter l'exposition au risque.
Une contrainte supplémentaire, non négociable : les données traitées (données personnelles et financières) sont hautement sensibles. Toute solution devait fonctionner dans un environnement sécurisé, sans exfiltration de données hors de l'infrastructure du client.
La solution : Trust AI, un moteur d'analyse à 4 couches livré en 6 semaines
Trust AI est une application web complète (interface React, moteur Python) qui permet aux conseillers bancaires de soumettre des bulletins de paie et d'obtenir en quelques secondes un scoring de fraude détaillé, avec un code couleur par contrôle : vert (conforme), rouge (non conforme), jaune (incomplet).
Le projet a suivi une approche agile : itérations courtes, démos hebdomadaires et intégration continue des retours des équipes innovation et risques du client.
- Cadrage et définition du périmètre. Le POC se concentre d'abord sur les bulletins de paie, le type de document le plus fréquent et le plus ciblé par la fraude. Les contraintes de sécurité et de souveraineté des données sont intégrées dès la conception.
- Développement itératif du moteur d'analyse. Chaque couche de vérification fonctionne de manière indépendante : un contrôle peut être ajouté ou retiré selon les besoins métier sans toucher au reste.
- Innovation sur la restitution des résultats. Plutôt qu'un verdict binaire conforme/non conforme, l'équipe conçoit un troisième état « incomplet » qui signale qu'un contrôle n'a pas pu être réalisé par manque d'information. Cette granularité fait chuter les faux positifs d'environ 75 %.
- Livraison et transfert. Le POC est livré avec l'intégralité du code source, un benchmark de performance et une documentation de déploiement : le client est autonome dès le premier jour.
L'architecture : 4 couches de vérification indépendantes
- Extraction OCR sans hallucination avec l'IA générative Claude (Anthropic) : lecture stricte des champs du bulletin de paie, sans interprétation.
- Contrôles arithmétiques : vérification de la cohérence des cotisations et des montants du bulletin.
- Comparaison aux taux légaux en vigueur : chaque taux de cotisation est confronté aux référentiels légaux.
- Analyse des métadonnées avec Error Level Analysis, une technique de forensics d'image qui révèle les zones retouchées d'un fichier.
Le stockage repose sur MinIO, une solution compatible S3 déployée dans l'infrastructure du client.
Contraintes respectées : souveraineté des données et humain dans la boucle
Dans un projet IA bancaire, la conformité n'est pas une option. Trust AI a été conçu autour de quatre garanties :
- 100 % on-premise : aucune donnée sensible ne quitte l'infrastructure du client, aucun transit vers des services cloud externes.
- Stockage souverain : MinIO (compatible S3) est déployé chez le client, qui garde le contrôle total de l'ensemble de la stack technique.
- Protection des données personnelles : bulletins de paie, données personnelles et financières restent dans le système d'information du client, ce qui réduit la surface d'exposition et facilite la conformité RGPD.
- L'humain garde la décision : Trust AI restitue un scoring et un code couleur par contrôle ; la décision d'octroi reste au conseiller, mieux informé mais jamais remplacé.
La réversibilité complète (code source et documentation intégralement transférés) évite toute dépendance au prestataire.
Les résultats : environ 75 % de faux positifs en moins, un POC prêt à déployer
L'innovation décisive du projet est née pendant le développement. Un système binaire rejette un document dès qu'une information manque, ce qui génère de nombreux faux positifs. Le troisième état « incomplet » distingue l'information manquante de la fraude avérée : les faux positifs chutent d'environ 75 % et la confiance des équipes métier dans les résultats s'en trouve renforcée.
| Indicateur | Avant | Après Trust AI |
|---|---|---|
| Contrôle d'un bulletin de paie | Vérification manuelle, à l'œil nu | 4 couches de vérification automatisées |
| Restitution d'un contrôle | Verdict binaire : conforme ou non conforme | 3 niveaux : conforme, non conforme, incomplet |
| Faux positifs | Nombreux dès qu'une information manque | Réduits d'environ 75 % |
| Temps d'analyse d'un document | Contrôle humain long et sujet à erreur | Scoring détaillé en quelques secondes |
| Localisation des données sensibles | Exigence à satisfaire : aucune sortie du SI | Garantie par l'architecture : 100 % on-premise (MinIO) |
En 6 semaines, le client dispose d'une application immédiatement déployable en test auprès de ses caisses régionales partenaires. Au-delà du livrable technique, Trust AI sert d'outil de démonstration interne pour valider l'intérêt métier avant un déploiement à plus grande échelle.
D'après l'expérience de Koïno sur ses missions IA dans la banque et l'assurance, le ROI d'un projet de détection de fraude documentaire se matérialise généralement en 3 à 6 mois après mise en production : la réduction du risque de fraude justifie l'investissement dès les premiers mois d'utilisation.
« Grâce à leur approche d'études et de benchmarks avec une vraie rigueur scientifique, on a pu être au plus proche de l'état de l'art. [...] On parle de semaines, pas de mois. [...] Si vous cherchez une équipe qui fait de la vraie R&D appliquée, pas juste du delivery, Koïno c'est le bon choix. »
Antoine Nguyen, Innovation Manager, Doxallia (Groupe Crédit Agricole)
Et après ? Une V2 multi-documents déjà dessinée
Le POC est conçu pour être présenté aux caisses régionales partenaires du groupe afin de valider l'intérêt métier avant un déploiement à plus grande échelle.
L'architecture modulaire de Trust AI ouvre directement la V2 : intégration d'autres types de documents (avis d'imposition, justificatifs de domicile), classification automatique des pièces et contrôle de complétude des dossiers. Chaque couche de vérification étant indépendante, l'ajout d'un nouveau contrôle ne remet pas en cause l'existant.
Un défi similaire ? Estimez le gain sur vos propres dossiers
Vous vérifiez des pièces justificatives à grande échelle : dossiers de crédit, souscriptions d'assurance, dossiers locataires, justificatifs d'embauche ? Les mêmes couches de vérification (OCR strict, contrôles arithmétiques, référentiels légaux, analyse de métadonnées) s'appliquent à vos documents. Décrivez-nous vos volumes et vos taux de rejet : nous vous dirons ce qu'un POC de 6 semaines peut prouver sur vos propres dossiers.
Pour aller plus loin :
- L'offre IA sur mesure de Koïno : cadrage, POC et industrialisation.
- Combien coûte un agent IA en 2026 : les budgets réels par cas d'usage.
- IA souveraine et RGPD : héberger données et modèles en Europe.
- Cas client : des agents IA au service du M&A chez Adviso Partners.
- Cas client : automatisation ESG et reporting financier chez CAPZA.
FAQ : détection de fraude documentaire par IA en banque
Combien coûte un projet de détection de fraude documentaire par IA ?
Le budget dépend du périmètre : types de documents couverts, contraintes d'infrastructure, intégration au système d'information. Le POC Trust AI a été livré en 6 semaines, code source et documentation inclus. Pour des ordres de grandeur par cas d'usage, consultez notre guide sur le prix d'un agent IA en 2026.
Quel délai pour disposer d'un premier système opérationnel ?
Six semaines ont suffi entre le cadrage initial et la livraison complète du POC Trust AI, avec benchmark de performance et documentation de déploiement. Ce format court permet de valider la faisabilité et l'intérêt métier avant d'investir dans un déploiement à grande échelle.
Comment garantir que les données bancaires ne sortent pas de notre système d'information ?
Trust AI fonctionne 100 % on-premise : le stockage MinIO (compatible S3) est déployé dans l'infrastructure du client et aucune donnée ne transite vers des services cloud externes. Pour approfondir, lisez notre guide IA souveraine et RGPD : héberger données et modèles en Europe.
L'approche est-elle transposable hors du crédit bancaire ?
Oui. Quatre secteurs sont directement concernés : l'assurance (souscription et gestion de sinistres), l'immobilier (vérification de solvabilité locataire), les organismes sociaux (attribution d'aides et contrôle de ressources) et les ressources humaines (vérification de justificatifs d'embauche). L'architecture modulaire permet d'ajouter progressivement de nouveaux types de documents : avis d'imposition, justificatifs de domicile, devis ou factures.
