La friction entre le commerce piloté par l'IA et les contrôles traditionnels de prévention de la fraude aux paiements a atteint un point d'inflexion critique. À mesure que les agents d'achat autonomes—alimentés par les grands modèles de langage et l'apprentissage par renforcement—se déploient à l'échelle des écosystèmes marchands, ils se retrouvent de plus en plus pris dans les feux croisés des systèmes de détection de fraude hérités, conçus pour le comportement humain. Résultat : des transactions légitimes signalées, refusées et abandonnées. Le commerçant perd des revenus. Le porteur de carte perd en commodité. Et toute la chaîne d'infrastructure—des acquéreurs aux processeurs de paiements aux réseaux de cartes—fait face à une entrave cachée au volume de transactions que les analyses conventionnelles révèlent rarement.

Chargebacks911, un cabinet de conseil en résolution de litiges et en risque de paiement, a comblé cette lacune avec une suite d'outils visant à distinguer le commerce agentique de la fraude. L'intervention de l'entreprise met en lumière un problème plus profond : l'appareil de prévention de la fraude du secteur des paiements a été conçu pour une époque différente. La plupart des modèles basés sur les règles et l'apprentissage automatique déployés par les réseaux de cartes, les acquéreurs et les processeurs de paiements ont été entraînés sur des schémas de comportement transactionnel humain—vélocité, géographie, catégorie marchande, empreinte numérique, biométrie comportementale. Un agent IA, par conception, n'exhibe aucun de ces signaux. Il exécute les transactions par lots. Il opère depuis la même adresse IP sur différentes géographies. Il complète les achats en millisecondes, sans aucun temps d'attente humain. Pour un moteur de fraude hérité, cela ressemble à une prise de compte. Pour un commerçant, cela ressemble à des ventes perdues.

L'ampleur de ce problème ne peut pas encore être quantifiée avec précision. Contrairement aux rétrofacturations, qui sont documentées et contestées, les refus erronés constituent une fuite silencieuse—une érosion de revenus invisible. La recherche sectorielle suggère que pour chaque transaction frauduleuse détectée, trois à cinq transactions légitimes sont refusées. À l'ère du commerce agentique, ce ratio risque de s'aggraver considérablement. Considérez un agent d'approvisionnement B2B achetant des fournitures pour le compte d'une entreprise de taille moyenne, ou un bot de gestion de patrimoine exécutant des opérations de rééquilibrage, ou un agent de planification de voyage réservant des chambres d'hôtel sur plusieurs propriétés en succession rapide. Chacun de ces flux de travail est légitime, de haute confiance et algorithmiquement sain. Chacun est aussi, selon les normes traditionnelles de détection de fraude, anormal.

Les implications se propagent dans toute la pile des paiements. Pour les plateformes Banking-as-a-Service et les fournisseurs de finance intégrée, les refus erronés représentent une fuite dans l'entonnoir d'expérience client—un vecteur de désabonnement difficile à instrumenter mais facile à ressentir. Les entreprises fintech déployant des solutions de paiement en marque blanche doivent désormais affronter non seulement leurs propres modèles de risque, mais aussi les couches de friction opaques introduites par les réseaux de cartes et les banques acquéreuses en aval. Pour les processeurs de cartes et les opérateurs de règlement, refuser les agents IA signifie renoncer aux revenus d'interchange et réduire le débit transactionnel sans réduction correspondante des frais généraux opérationnels. L'économie devient défavorable pour tous les acteurs simultanément.

Ce que Chargebacks911 et les autres fournisseurs émergeants de renseignements de risque tentent de résoudre est un problème de classification qui ne peut pas être résolu par les seules règles traditionnelles. La distinction entre un compte compromis exécutant un bot agentique et un flux de commerce agentique légitime nécessite du contexte : le modèle commercial du commerçant, les paramètres d'entraînement de l'agent, la relation sémantique de la transaction avec les interactions clients antérieures, les scores de confiance du système IA orchestrant l'achat. C'est, en effet, une nouvelle couche de renseignements de fraude qui se situe entre le commerçant et le réseau de cartes—un intergiciel qui traduit l'intention de l'agent en signaux que les systèmes de fraude hérités peuvent analyser. C'est une validation par la transparence, et elle exige que les plateformes fintech et les réseaux de paiements commencent à instrumenter le commerce agentique comme une classe de transaction distincte, séparée à la fois des flux initiés par l'homme et des flux frauduleux.

Les implications réglementaires et architecturales sont profondes. Les régulateurs à l'Autorité bancaire européenne et à la Réserve fédérale américaine ont commencé à signaler des préoccupations concernant l'activité financière pilotée par l'IA, mais leur focus a été principalement sur le risque systémique, la manipulation du marché et les biais algorithmiques—non sur le problème granulaire des refus erronés. Or les refus erronés sont, à leur manière, une question de stabilité : ils représentent une taxe implicite sur l'automatisation, un coefficient de traînée sur les gains d'efficacité que l'IA promet de livrer. Si l'infrastructure de paiement ne peut pas distinguer de manière fiable les transactions agentiques légitimes de la fraude, la courbe d'adoption du commerce autonome s'aplatit. Les commerçants reviennent aux flux de travail avec intervention humaine. Les gains de productivité s'évaporent. La rentabilité économique de l'IA se détériore.

La voie à suivre nécessite un réajustement de la manière dont la fraude est détectée et communiquée dans l'écosystème des paiements. Les réseaux de cartes et les acquéreurs devront adopter de nouvelles approches d'ingénierie des caractéristiques qui rendent compte du comportement des agents : non seulement les caractéristiques des transactions, mais la provenance de l'agent, la gouvernance des modèles, les journaux d'audit. Les plateformes d'orchestration des paiements devront exposer ces signaux de manière bidirectionnelle—permettant aux commerçants de certifier leurs agents, et permettant aux réseaux d'ajuster les scores de risque en conséquence. Ce n'est ni un problème purement technique ni un problème purement opérationnel ; il se situe à l'intersection, et il nécessite une coordination inter-institutionnelle du type que l'industrie des paiements a historiquement eu du mal à exécuter.

Pour Codego et les autres constructeurs d'infrastructure, le défi est d'intégrer cette renseignement de risque conscient des agents au cœur du traitement des paiements, non pas comme un complément. À mesure que les plateformes fintech montent en charge les offres de commerce agentique—que ce soit dans la gestion des dépenses, l'approvisionnement, le trading ou les achats de consommateurs—la couche de détection de fraude ne peut pas rester une boîte noire héritée des réseaux hérités. Elle doit être transparente, auditable et spécialement conçue pour un univers transactionnel où aucun humain ne verra jamais l'écran.

Sources : PYMNTS · 1 mai 2026