BNPL, retours et remboursements abusifs, fraude à la livraison, détournement des programmes de fidélité, exploitation des promotions… Aujourd’hui, la fraude s’est déplacée bien au‑delà du checkout, souvent au cœur de parcours qui paraissent parfaitement légitimes. Ce panorama exclusif de la fraude en France vous donne une vision claire et actionnable des nouveaux risques qui impactent directement vos marges.

• Pourquoi les indicateurs traditionnels de fraude carte ne reflètent plus le risque réel
• Comment le BNPL est devenu le canal de paiement le plus exposé — et pourquoi les données de paiement ne suffisent plus
• Comment la fraude post‑achat (retours, remboursements, promotions) grignote vos marges sans déclencher d’alertes
• Comment détecter les identités synthétiques, les abus de promotions et les signaux comportementaux invisibles aux outils classiques

Si vous gérez des volumes élevés, ce Panorama est un outil clé pour reprendre le contrôle du risque, protéger vos revenus et adapter votre stratégie antifraude.

The post 2026 Annual Overview of Fraud in France appeared first on Oneytrust.

La fraude B2B explose. Fausses entreprises, identités de dirigeants usurpées, identités synthétiques : les fraudeurs exploitent les failles des contrôles traditionnels... Dans cet eBook exclusif, découvrez comment garder une longueur d'avance :

• Les angles morts critiques du KYB traditionnel face aux nouvelles menaces B2B
• Les mécanismes utilisés par les fraudeurs pour contourner les contrôles entre entreprise et représentant
• Pourquoi les signaux digitaux sont devenus essentiels pour détecter la fraude en amont
• Comment D-Risk ID Corporate identifie les risques avant l'entrée en relation

Pensé pour les entreprises qui gèrent des volumes élevés d'onboarding B2B, ce guide vous donne les clés pour sécuriser vos parcours, accélérer vos décisions et protéger durablement votre activité.

The post 2026 guide to B2B fraud and corporate identity verification appeared first on Oneytrust.

Des menaces qui évoluent sans cesse. Des défenses toujours plus intelligentes. Découvrez les défis majeurs des e-commerçants français et comment ils réinventent leurs stratégies pour protéger leur business.

• Les modes de livraison les plus exposés
• Les moyens de paiement les plus sensibles
• Le rôle clé des données de localisation
• BNPL, fraude aux retours : les nouvelles vagues de risques

Si vous exercez vos activités en France, ce guide est incontournable.

The post 2025 annual overview of fraud in France appeared first on Oneytrust.

La fraude dans les services financiers devient plus sophistiquée et beaucoup plus difficile à récupérer une fois les fonds sortis du système. Dans ce Panorama, découvrez :

• Pourquoi des taux de fraude en apparence maîtrisés peuvent masquer une exposition bien plus critique
• Comment les paiements instantanés sont devenus une cible majeure pour les fraudeurs — et pourquoi ils exigent de nouvelles stratégies de prévention
• Pourquoi les escroqueries par manipulation contournent efficacement les mécanismes d’authentification traditionnels
• Comment les identités synthétiques bypass les contrôles dès l’entrée en relation client

Si vous opérez dans les paiements, la banque, le BNPL ou le crédit, ce Panorama est un guide essentiel pour identifier où concentrer vos prochains investissements antifraude et garder une longueur d’avance.

The post Guide to Finance Industry Fraud Trends in France appeared first on Oneytrust.

In fact, 380 million people use BNPL services globally. This is predicted to increase to 670 million by 2028. This rapid growth brings fresh challenges: more users, higher transaction volumes, and lighter onboarding controls create fertile ground for fraudsters to test and exploit gaps in risk controls. 

For payments professionals, that means balancing the demand for fast, frictionless customer experiences with the need to protect revenue, manage chargebacks, and reduce operational strain.

Let’s break down what BNPL fraud looks like in practice, explore why it’s a growing concern for ecommerce teams, and share practical strategies your business can adopt to prevent fraud without undermining conversion.

What Is BNPL Fraud and Why It’s a Growing Concern

BNPL fraud refers to activity that exploits Buy Now, Pay Later payment systems to deceive merchants or providers and obtain goods, services, or credit without intending to pay back. Fraudsters take advantage of BNPL’s lightweight onboarding and delayed settlement structure, making it easier to abuse the system compared with traditional payment methods.⁴⁾ Common examples include:

• Identity misuse and synthetic identities — criminals use stolen personal information or fabricated identities to open BNPL accounts or complete purchases.
• Friendly or first-party fraud — an initially legitimate user who abuses the system by taking out BNPL credit with no intention of repaying or disputes legitimate transactions to force a refund.
• Account takeover (ATO) — fraudsters compromise a legitimate user’s account to make purchases without the owner’s knowledge.

Similarly to traditional card fraud, BNPL fraud often begins in the onboarding process and unfolds over weeks or months, because the payment is deferred and the provider only learns of non-repayment later. This difference makes detection and response more complicated than instant card-based transactions.

Why BNPL Fraud Is Growing

Several structural features of BNPL heighten the fraud risk:

• Frictionless onboarding lowers barriers: BNPL services prioritise speed and ease at checkout, often with limited identity checks, which fraudsters can exploit to slip through risk controls.

• Rapid volume growth expands attack surface: As BNPL adoption continues to surge worldwide, fraudsters increasingly target these platforms with both traditional tactics and new schemes like bot-based application attacks.-making according to Visa.  

The combination of convenience for legitimate customers and exploitable vulnerabilities for bad actors is why BNPL fraud continues to rise, making robust prevention strategies essential for payments and fraud teams. 

Top BNPL Fraud Problems and Why Traditional Controls Struggle

BNPL fraud continues to grow as Buy Now, Pay Later becomes a more common payment method in ecommerce. The same features that make BNPL attractive to shoppers — fast onboarding and deferred payments — also introduce gaps that fraudsters can exploit. Traditional fraud controls, designed for older payment models, often aren’t built to address these unique dynamics. 

Identity Abuse and Synthetic Identities

One of the most common BNPL fraud problems is identity exploitation. Fraudsters use stolen personal information or create synthetic identities by combining real data with fake details. 

Because many BNPL systems aim for minimal friction at signup, these fraudulent profiles can slip through basic checks, be used to make purchases, and then be abandoned before repayment is due.

Strategic Misuse by Customers

Not all BNPL fraud originates outside the customer base. Friendly fraud occurs when a shopper disputes a legitimate BNPL transaction, claiming it was unauthorized in order to trigger a refund. 

Because the customer is legitimate and uses legitimate payment methods, resolving these cases can be trickier than straightforward fraud cases, and can increase operational workload and losses for merchants.

Account Takeover and Rapid-Fire Attacks

Another frequent risk is account takeover (ATO), where fraudsters gain access to legitimate user accounts through stolen credentials, phishing, or credential stuffing. Relatedly, automated attacks can submit multiple BNPL applications in quick succession from the same device or network in an attempt to overwhelm simple rule-based systems. 

Traditional fraud tools, optimised for instant credit card authorisation, often miss these patterns because the risk doesn’t fully manifest at the moment of checkout.

Why Traditional Controls Fail to Tackle BNPL Fraud

Legacy fraud systems primarily rely on static rules and historical payment signals that work reasonably well for immediate card transactions. They struggle when signals are subtle, delayed, or behavioural in nature, common characteristics of BNPL fraud. 

They also often force a trade-off between false positives (blocking legitimate customers) and false negatives (missing real fraud), which can hurt conversion rates and customer experience.

This combination of new fraud patterns and outdated controls is why many teams are moving toward modern, adaptive BNPL fraud prevention tools that can assess risk in real time, incorporate identity intelligence, and monitor behaviour throughout the payment lifecycle.

How to Improve BNPL Fraud Prevention

Effective BNPL fraud prevention requires more than adapting traditional card-based controls. Because Buy Now, Pay Later models combine fast onboarding with deferred repayment, risk teams need layered, real-time approaches that assess identity, behaviour, and transaction context together.

Strengthen Identity Verification at Onboarding

Lightweight signup processes are attractive to customers and fraudsters alike. That’s why identity verification should go beyond basic email and address checks. This includes evaluating device intelligence, email and phone reputation, behavioural signals and consistency across data points. 

The goal is not to introduce heavy friction for every customer, but to build a clearer picture of whether a user is genuinely who they claim to be.

Use Real-Time Risk Scoring at Key Decision Points

BNPL fraud often begins at account creation or first purchase. Real-time fraud detection at onboarding and checkout allows teams to assess risk instantly, rather than waiting for repayment failures or disputes to reveal problems later. 

Adaptive risk scoring, based on identity signals, transaction context, and behavioural patterns, helps teams act before losses occur.

Monitor Velocity and Anomalous Behaviour

Fraudsters frequently test systems by submitting multiple applications, using the same device across different identities, or making rapid, high-value purchases. 

Effective BNPL fraud prevention includes monitoring for velocity spikes, unusual account patterns, and inconsistencies across sessions. These behavioural indicators often reveal organised activity that static rule sets miss.

Extend Controls Beyond the First Transaction

Because BNPL revenue is deferred, fraud risk doesn’t end at checkout. Ongoing monitoring — including changes in device, payment details, delivery address, or repayment behaviour — helps identify account takeover, friendly fraud, or emerging repayment risk before it escalates. Continuous fraud detection reduces the likelihood that issues only surface weeks later.

Balance Risk Reduction with Customer Experience

Perhaps the most important principle is balance. Overly aggressive controls can create high false positives, blocking legitimate buyers and damaging conversion rates. 

Intelligent BNPL fraud prevention uses risk-based step-ups, applying stronger checks only when signals justify them, to protect revenue without undermining the seamless experience customers expect.

Why This Matters for Payments and Fraud Teams

Stronger BNPL fraud prevention delivers more than lower fraud rates;

It directly reduces losses, chargebacks and write-offs, protecting margins in a payment model where repayment risk is already deferred.

Secondly, better fraud detection lowers manual review volumes, reducing operational strain and allowing teams to focus on higher-value investigations rather than processing borderline cases.

It’s also worth remembering that by minimising unnecessary declines, you improve approval rates and customer experience, supporting conversion and repeat purchase behaviour.

Finally, more sophisticated risk controls strengthen your compliance and partner relationships, demonstrating responsible credit management in a regulatory environment that continues to evolve.

In short, effective BNPL fraud prevention is not just a defensive measure — it’s a strategic enabler of sustainable growth. By reducing losses while preserving customer experience, payments teams can support long-term revenue expansion without increasing exposure to fraud risk.

Start Building your BNPL Fraud Protection Strategy

The answer isn’t heavier, more disruptive checks. It’s balanced, intelligent BNPL fraud prevention that combines strong identity signals, real-time fraud detection and ongoing monitoring without undermining the customer experience.

If done well, these measures shouldn’t affect your growth, they should actually complement it. As BNPL adoption continues to expand, teams that modernise their approach to fraud risk will be best positioned to reduce losses, maintain approval rates and support sustainable revenue growth.

For deeper insight into related identity and payment fraud challenges, explore our other resources on digital identity verification and fraud prevention strategies.

If I (Sébastien Carletti) were to elaborate on the BNPL fraud subject, here would be my take:

BNPL Fraud Prevention: Key Risks and How Businesses Can Reduce Exposure

What is BNPL Fraud?

Buy Now, Pay Later (BNPL) solutions have rapidly transformed the ecommerce landscape, allowing customers to split payments into instalments while merchants benefit from higher conversion rates and larger basket sizes.

However, the rapid growth of BNPL has also attracted new forms of fraud and misuse. The deferred nature of the payment creates a structural gap between the purchase and the moment the financial risk materialises.

Traditionally, fraud in digital payments refers to situations where an attacker impersonates or takes control of a legitimate user in order to obtain goods or services without paying. In BNPL environments, this remains a major threat.

But BNPL also introduces a second category of risk: situations where the customer is genuine and correctly identified, yet repayment may never occur.

Understanding BNPL risk therefore requires distinguishing between professional fraud and strategic misuse by legitimate customers.

Why BNPL Fraud is Increasing

Several factors contribute to the growing exposure of BNPL providers.

Frictionless onboarding

BNPL services are designed to reduce friction at checkout. While this improves customer experience, it also lowers the barrier for attackers attempting to create accounts or apply for credit using stolen or synthetic identities.

Deferred payment models

Unlike traditional card payments, the financial risk in BNPL appears later in the transaction lifecycle. This delay gives both fraudsters and opportunistic users more time before repayment obligations become visible.

Rapid market adoption

As BNPL becomes a mainstream payment option, the attack surface naturally increases. More users, more merchants, and more transactions mean a broader environment where both organised fraud and behavioural misuse can occur.

Key BNPL Risk Categories

The post BNPL Fraud Prevention: Key Risks and Solutions  appeared first on Oneytrust.

Sans surprise, la fraude dans les écosystèmes digitaux a évolué pour contourner les contrôles existants.

Plutôt que de forcer les systèmes, les fraudeurs les contournent : ils utilisent des données valides, passent par de véritables processus d’immatriculation et déploient des méthodes de plus en plus sophistiquées pour paraître légitimes.

Parmi les tactiques les plus courantes :

• • Creating shell or short-lived companies designed to pass verification (including KYB)
• • Impersonating legal representatives or directors of legitimate businesses
• • Submitting real or near-authentic documentation
• • Combining accurate data with false or inconsistent identity elements
• • Exploiting fast onboarding processes to avoid deeper scrutiny

Ces profils n’ont rien de frauduleux en surface. Chaque détail est pensé pour se fondre dans la masse. Et c’est précisément pour cela qu’ils passent.

C’est dans ces incohérences subtiles — aussi appeléessignaux faibles— que se cache ce que les contrôles traditionnels ne voient pas.

Les limites structurelles du KYB
Si vous évoluez dans un environnement B2B avec des onboarding réguliers de partenaires ou de marchands, vous connaissez déjà le Know Your Business (KYB). Ces processus de conformité ont été conçus pour répondre à une question simple : cette entreprise existe-t-elle ?

Mais l’existence n’est pas synonyme de légitimité. Et encore moins de fiabilité. Cela est particulièrement vrai dans les cas d’identité synthétique, où des données réelles et falsifiées sont combinées pour créer des profils capables de passer les vérifications standard sans être détectés. Vous pouvez en savoir plus sur les identités synthétiques ici.

Le KYB vérifie : les données d’immatriculation, les documents légaux, le statut de l’entreprise. Mais il ne vérifie pas :

• - si la personne agissant au nom de l’entreprise est légitime,
• - si l’identité et l’entreprise sont réellement liées,
• - si le comportement digital derrière la demande est cohérent.

En résumé, le KYB valide l’entreprise sur le papier — pas la réalité qui se cache derrière.

C’est dans cet angle mort que les fraudeurs prospèrent.

Là où opère la fraude moderne
Dans la plupart des scénarios de fraude B2B, le problème ne vient pas uniquement de l’entreprise. Il se situe dans l’écart entre trois éléments clés :

• - L’entreprise
• - Le ou les représentants
• - L’empreinte digitale

Indépendamment, chacun peut paraître légitime. Ensemble, ils ne sont pas toujours cohérents. Exemples courants :

• - Une entreprise réelle… associée à un dirigeant usurpé
• - Une immatriculation valide… liée à un e-mail jetable et à des données device inhabituelles
• - Une identité cohérente… mais un comportement qui ne correspond pas à celui d’un utilisateur professionnel

Pris isolément, ces signaux peuvent passer inaperçus. Combinés, ils révèlent un risque majeur.

C’est précisément cette absence de cohérence que les approches traditionnelles ne détectent pas.

Le coût réel d’une mauvaise décision
Lorsque ces incohérences passent inaperçues, les conséquences sont souvent lourdes :

• - Des entreprises frauduleuses accèdent à vos plateformes, services ou marketplaces
• - Des crédits sont accordés à des entités qui ne rembourseront jamais
• - Du matériel ou des biens sont loués et jamais restitués
• - Des comptes marchands servent à des activités illicites
• - L’exposition aux risques AML et réglementaires augmente

Au-delà des pertes financières, il faut aussi compter les dommages réputationnels et les perturbations opérationnelles, souvent découvertes trop tard, après que la fraude a déjà eu lieu.

Vers une nouvelle approche de la vérification de l’identité corporate
Pour faire face à cette évolution, les entreprises doivent dépasser la vérification documentaire et les limites inhérentes au KYB.

La question n’est plus :« cette entreprise est-elle valide ? »mais plutôt :« est-ce que tout ce qui entoure cette entreprise — et la personne derrière — est cohérent ? »?”

Une question plus longue, certes. Mais absolument essentielle.

Cela implique une nouvelle approche de la vérification de l’identité des entreprises, fondée sur trois piliers :

1 / Vérifier l’entreprise
Au-delà de son existence : son secteur d'activité, si elle fait face à des procédures collectives, sa légitimité.

2 / Vérifier le représentant
Confirmer l’identité de la ou des personnes agissant au nom de l’entreprise.

3 / Analyser le comportement digital
Comprendre les signaux liés aux interactions : appareils, IP, e-mails, comportements, usages.

La véritable valeur réside dans la connexion de ces éléments — et dans la détection des points où ils ne s’alignent pas.

La cohérence comme nouvel indicateur clé
Aujourd'hui, l'identité digitale n’est plus un simple ensemble de données statiques. C’est une combinaison d’attributs, de comportements et d’interactions qui dessinent un profil dans le temps.

La détection de la fraude moderne ne consiste plus à vérifier des informations isolées. Elle consiste à évaluer la cohérence globale : L’entreprise correspond-elle à la personne ? La personne correspond-elle au comportement observé ? L’ensemble ressemble-t-il à une interaction business légitime ?

Passer de la validation à la cohérence permet de détecter des fraudes autrement invisibles.

Combler les failles de l’onboarding B2B
À mesure que l’onboarding devient plus rapide et automatisé, les risques augmentent.

Les contrôles manuels ne sont pas scalables, la vérification documentaire ne suffit plus, et les fraudeurs s’adaptent plus vite que les outils traditionnels.

Pour garder une longueur d’avance, les entreprises doivent repenser la vérification des identités professionnelles : unifier données entreprise, identité et signaux digitaux dans une vision unique et cohérente.

C'est là qu'une nouvelle approche de la vérification de l'identité des entreprises devient indispensable.

Une nouvelle approche de la vérification de l’identité corporate
D‑Risk ID Corporate a été conçu pour répondre à l’ensemble des défis décrits dans cet article. En temps réel, la solution vérifie l’entreprise, la personne qui agit en son nom, ainsi que les nombreux signaux digitaux associés à chaque demande.

En comblant les lacunes du KYB traditionnel, D‑Risk ID Corporate permet aux entreprises de :

• - Détecter la fraude plus tôt dans le parcours d’onboarding
• - Réduire l’exposition aux risques financiers et réglementaires
• - Approuver plus rapidement les entreprises légitimes
• - Instaurer la confiance dans des environnements B2B à fort volume

Découvrez comment fonctionne D‑Risk ID Corporate ici. ici.

En conclusion
Les entreprises ne peuvent plus lutter contre la fraude B2B en se concentrant uniquement sur les fausses données.

L’avenir de la prévention repose sur la capacité à comprendre non seulement ce qu’une entreprise affirme être, mais si l’ensemble de son profil a du sens.

Là où le KYB se limite à l’entreprise, D‑Risk ID Corporate dévoile les incohérences d’identité — même quand tout semble légitime.

The post Why KYB is no longer enough to stop B2B fraud appeared first on Oneytrust.

Ces chiffres illustrent une mutation majeure : la fraude à l’identité devient un phénomène industrialisé, alimenté par l’IA et organisé à grande échelle.

Dans ce contexte, la question centrale pour les institutions financières et les plateformes numériques n’est plus seulement de savoir comment renforcer les contrôles, mais comment détecter des comportements frauduleux dans un environnement où les artefacts d’identité deviennent de plus en plus crédibles.

Le piège des contrôles visibles

Historiquement, la lutte contre la fraude s’est structurée autour de points de contrôle visibles :

• - vérification de documents d’identité
• - reconnaissance faciale
• - procédures KYC lors de l’onboarding

Ces mécanismes restent indispensables. Mais ils possèdent une caractéristique fondamentale : ils sont observables par ceux qui les subissent. Autrement dit, les fraudeurs peuvent les analyser, les tester et apprendre progressivement à les contourner. Un fraudeur confronté régulièrement à un système de face-match cherchera rapidement à comprendre son fonctionnement. Il pourra alors expérimenter différentes méthodes : deepfake, face swap, injection vidéo ou reproduction biométrique.

Ce phénomène n’est pas nouveau. Dans de nombreux domaines de sécurité, les mécanismes visibles finissent toujours par être étudiés et contournés. C’est précisément pour cette raison que la lutte contre la fraude ne peut pas reposer uniquement sur ce que l’on pourrait appeler la « main droite » : le contrôle visible.

La « main gauche » : la détection invisible

Une stratégie antifraude efficace repose en réalité sur deux dimensions complémentaires :

• - La main droite : le contrôle.Ce sont les vérifications visibles qui permettent de confirmer une information ou une identité.
• - La main gauche : la détection.C’est l’analyse de signaux invisibles ou difficilement interprétables par les fraudeurs.

La différence est essentielle. Les contrôles peuvent être observés et contournés. La détection repose sur des patterns de données et des corrélations difficiles à anticiper. Dans ce modèle, les contrôles jouent un rôle important mais secondaire : ils servent à renforcer ou confirmer un signal détecté ailleurs. Cette logique permet d’éviter une escalade technologique permanente entre les fraudeurs et les systèmes de contrôle.

Deepfakes : la nouvelle frontière de la fraude biométrique

L’émergence des deepfakes illustre parfaitement cette évolution. Les systèmes biométriques modernes intègrent désormais des mécanismes de preuve de vie, demandant à l’utilisateur de réaliser une action en temps réel. Ces contrôles rendent la fraude plus complexe, mais ils poussent également les attaquants vers des techniques plus avancées. Selon Entrust, les deepfakes représentent désormais environ 40 % des tentatives de fraude sur les systèmes biométriques vidéo.

Les fraudeurs exploitent notamment :

• - des deepfakes générés par IA
• - des attaques par injection utilisant des caméras virtuelles
• - des flux vidéo manipulés insérés dans les systèmes de capture

Ces techniques permettent d’introduire des données biométriques falsifiées directement dans les systèmes d’identité numérique. La fraude ne consiste donc plus simplement à falsifier un document. Elle consiste à manipuler les flux de données eux-mêmes.

L’essor des identités synthétiques

Parallèlement, l’IA accélère la création d’identités synthétiques. Plutôt que de voler une identité existante, les fraudeurs créent une nouvelle identité en combinant :

• - des données personnelles réelles
• - des informations fabriquées
• - des documents manipulés ou générés

Les outils d’IA permettent de produire ces identités rapidement, à faible coût et à grande échelle. Ce type de fraude est particulièrement dangereux car ces identités peuvent rester longtemps actives dans les systèmes d’une organisation avant d’être exploitées. Les pertes associées à la fraude par identité synthétique devraient atteindre des dizaines de milliards de dollars dans les prochaines années.

L’IA au service de la détection

Face à ces évolutions, la question n’est pas seulement d’utiliser l’IA pour renforcer les contrôles visibles. Une stratégie plus pertinente consiste à déployer l’IA au cœur des mécanismes de détection. La fraude ne se manifeste généralement pas par une anomalie unique. Elle apparaît plutôt à travers une accumulation de signaux faibles :

• - incohérences dans les données
• - comportements atypiques
• - corrélations entre comptes ou identités
• - patterns d’activité similaires

L’analyse de ces signaux nécessite de traiter de grandes quantités de données et de détecter des structures invisibles à l’œil humain. C’est précisément dans ce domaine que l’intelligence artificielle peut apporter le plus de valeur. Cette approche s’inscrit dans le cadre conceptuel DIKW (Data – Information – Knowledge – Wisdom),où l’analyse des données permet progressivement de transformer l’information brute en connaissance exploitable.

Une architecture antifraude multicouche

Pour être efficace, une stratégie antifraude moderne doit combiner plusieurs couches de protection :

• - analyse documentaire
• - biométrie faciale
• - intelligence device et comportementale
• - géolocalisation et analyse de vélocité
• - corrélation entre identités
• - détection de fraude répétée

L’objectif n’est pas de multiplier les contrôles visibles, mais de combiner des signaux multiples qui rendent la fraude détectable sans être facilement observable. Cette approche permet de maintenir un équilibre essentiel : protéger les organisations contre la fraude tout en limitant la friction pour les utilisateurs légitimes.

Renforcer la confiance dans l’identité numérique

Dans un monde de plus en plus digitalisé, la vérification d’identité reste un moment critique du parcours utilisateur. L’onboarding constitue souvent la première opportunité de construire la confiance dans une identité. Les solutions modernes de vérification d’identité numérique combinent aujourd’hui plusieurs sources d’information et plusieurs mécanismes de détection afin d’évaluer le risque global associé à une identité.

Des plateformes telles que D-Risk Commerce et D-Risk ID de Oneytrust s’inscrivent dans cette logique en orchestrant différents signaux de risque afin de renforcer la détection de fraude sans dégrader l’expérience utilisateur.L’objectif n’est pas de remplacer les contrôles, mais de les intégrer dans une stratégie de détection plus large et moins prévisible pour les fraudeurs.

En conclusion

L’essor des deepfakes générés par IA marque une nouvelle étape dans l’évolution de la fraude à l’identité. La fraude n’est plus seulement une question de documents falsifiés ou de données volées. Elle devient un phénomène systémique combinant identités synthétiques, contenus générés par IA et infrastructures automatisées d’attaque. Dans ce contexte, les organisations doivent dépasser une logique centrée uniquement sur les contrôles visibles.

La véritable efficacité repose sur la capacité à détecter les patterns frauduleux à travers l’analyse de données et de signaux faibles.

Autrement dit, la lutte contre la fraude ne se joue pas seulement dans la main droite — celle du contrôle. Elle se joue surtout dans la main gauche — celle de la détection.

The post The Rise of AI-Generated Deepfakes in Identity Theft appeared first on Oneytrust.

Une fraude en pleine mutation grâce à l’IA générative

Les fraudeurs disposent aujourd’hui de technologies autrefois réservées à des experts. Quelques clics suffisent pour générer :

• - des images truquées de produits “censés” être cassés,
• - des justificatifs falsifiés,
• - des identités synthétiques bien travaillées.

Comme l’explique TF1, des vendeurs particuliers voient désormais des litiges ouverts à partir de photos manipulées par IA, avec parfois un traitement automatisé qui se retourne… contre la victime honnête elle-même.

Un utilisateur interviewé raconte ainsi avoir perdu 180 € à cause d'une image générée par IA qui montrait un vinyle soi-disant brisé — un objet qui, de nature, ne se casse pas de cette manière. Le système automatisé de la plateforme a pourtant donné raison au fraudeur, illustrant la vulnérabilité des contrôles classiques.

Ce phénomène s’inscrit dans une tendance mondiale : la fraude aux images truquées explose, avec une croissance de 15 % des clichés falsifiés dans les réclamations depuis début 2025.

Trois grandes évolutions observées par Oneytrust

Chez Oneytrust, nos experts constatent trois transformations majeures :

1. Une fraude plus sophistiquée

L’IA générative permet de produire des images très réalistes, parfois impossibles à distinguer à l’œil nu. Des identités synthétiques ou des factures recréées pixel par pixel peuvent berner les systèmes traditionnels de vérification.

2. Une industrialisation des tentatives

Ce qui relevait autrefois d’un travail manuel devient automatisé. Les fraudeurs lancent désormais de vastes campagnes coordonnées, augmentant drastiquement le volume de tentatives détectées sur les sites e-commerce.
Cette industrialisation est confirmée par le reportage TF1, qui alerte sur des vagues d’escroqueries affectant potentiellement des millions de personnes. 

3. De nouveaux signaux faibles

Les méthodes classiques ne suffisent plus. Lorsque les preuves sont générées par IA, les comportements, les métadonnées et les incohérences contextuelles deviennent les nouveaux terrains d’analyse.

 AI: an essential tool for countering these new attacks

Face à des fraudeurs qui utilisent l’IA, les solutions de lutte contre la fraude doivent évoluer. C’est pour cela qu’Oneytrust a intégré des modèles d’intelligence artificielle avancés au cœur de ses technologies.

Nos systèmes permettent notamment de :

Repérer les incohérences comportementales et contextuelles

Fréquence des retours, historiques inhabituels, adresses ou appareils multiples : les patterns parlent.
Notre solution croise ces signaux pour identifier les abus bien avant qu’ils ne se répètent de manière visible. 

S’adapter en temps réel

Les méthodes de fraude changent chaque semaine. Nos modèles se recalibrent en continu pour suivre ces évolutions et bloquer les attaques émergentes.

Identifier les réseaux organisés

Grâce à l’analyse de la structure de la donnée, la corrélation des éléments d’identité, d’appareils et d’historique réseau, Oneytrust expose les groupes criminels organisés qui opèrent sous différentes identités ou comptes.

Ajuster la détection à vos process de retour

Oneytrust s’adapte finement aux politiques de retour et aux parcours internes de chaque enseigne, en intégrant leurs règles, leurs seuils et leurs spécificités opérationnelles.

Le véritable enjeu : préserver la confiance

Dans ce contexte, la question n’est plus seulement de bloquer la fraude.
Il s’agit de protéger la relation de confiance entre les marchands et leurs clients.

Un excès de suspicion peut dégrader l’expérience d’achat. Une trop grande permissivité peut encourager les abus et fragiliser les modèles économiques. L’équilibre est donc subtil — et l’IA joue un rôle crucial pour différencier avec précision :

• - les acheteurs honnêtes,
• - des fraudeurs opportunistes,
• - des réseaux criminels organisés.

Oneytrust s’engage à maintenir cet équilibre en combinant technologie de pointe et expertise humaine.

Fraude et IA : un défi immense… mais loin d’être insurmontable

L’intelligence artificielle a profondément transformé le paysage de la fraude au remboursement. Elle donne aux fraudeurs de nouveaux outils, mais elle renforce encore plus la capacité des entreprises à les détecter et les stopper.

Avec un investissement continu, des modèles de plus en plus performants et une collaboration renforcée de tout l’écosystème, ce combat est non seulement possible, mais gagnable.

La confiance est l’un des fondements du commerce en ligne. Ensemble, continuons à la protéger.

The post Refund fraud: when AI becomes a tool for fraudsters… appeared first on Oneytrust.

1. La nouvelle définition large d’un « système d’IA »

Le texte définit un système d’IA de manière très large comme un “système basé sur une machine, fonctionnant avec divers degrés d’autonomie, capable de s’adapter après déploiement et qui, pour des objectifs explicites ou implicites, déduit à partir des données comment générer des résultats (prédictions, contenu, recommandations, décisions) influençant des environnements physiques ou virtuels”.

Cette portée technologique large est complexe à décliner opérationnellement mais le marché s’accorde à considérer que cela englobe les approches sophistiquées comme l’apprentissage automatique (ML), les approches hybrides règles experts + machine learning, et l’optimisation avancée.

Avec la prolifération de l’usage de l’IA par les fraudeurs, les entreprises de confiance de lutte contre la fraude comme Oneytrust devront toujours davantage développer leur panoplie de solutions IA afin d’alimenter leurs moteurs de scoring, d’alerte comportementale ou d’analyse d’anomalies afin de rester à l’ère du temps et d’identifier des schémas de fraude de plus en plus sophistiqués.

2. Risques : où se situe la détection de fraude ?

L’AI Act classe certains usages « haut risque » (biométrie critique, emploi, éducation, accès à des services essentiels comme le crédit scoring, la tarification de l’assurance santé…). Ces systèmes sont autorisés mais doivent faire office d’un système de gestion des risques très poussé et d’une évaluation de leur conformité avant mise sur le marché.

Exception notable : l’IA utilisée pour détecter la fraude financière n’est pas automatiquement “haut risque”. Cela réduit la charge réglementaire directe, mais ne supprime pas les attentes de transparence, de qualité des données et de surveillance humaine que les établissements régulés répercutent contractuellement leurs filiales et fournisseurs (comme Oneytrust).

3. Quelles dates clés retenir ?

Les principales entrées en application des exigences de l’AI Act sont séquencées dans le temps. Voici les principales dates à retenir :

• - 2 février 2025: entrée en application des interdictions « risque inacceptable » + exigence d’AI literacy (sensibilisation/formation des personnels impliqués dans l’IA).
• - 2 août 2025: obligations pour modèles d’IA à usage général (GPAI) commencent à s’appliquer (IA générative).
• - 2 février 2026: deadline européenne pour certains actes d’exécution (plans de surveillance post‑marché).
• - 2 août 2026: obligations pour systèmes d’IA à haut risque.
• - Août 2027: application générale de l’ensemble des dispositions du règlement.

4. Pourquoi se préparer même sans être “à haut risque” ?

Les fraudeurs s’industrialisent avec l’IA. Deepfakes, faux documents générés, scripts automatisés d’attaque, automatisation du recours aux identités synthétiques : la fraude se scale. Les acteurs de la lutte contre la fraude doivent s’adapter aussi vite à ces nouvelles tendances.

Bien que la lutte contre la fraude ne soit pas considérée explicitement comme étant à haut risque, il est essentiel de garantir des solutions respectueuses des droits fondamentaux et de la vie privée des clients et utilisateurs finaux, que ce soit en respect du RGPD ou de l’AI Act. De plus, les attentes des partenaires régulés (principalement du secteur bancaire) sont de plus en plus fortes car ils sont soumis à des exigences sectorielles qui nécessitent traçabilité, une bonne documentation et une vigilance renforcée sur la qualité des données utilisées pour satisfaire leur superviseur.

5. La réponse Oneytrust

Oneytrust fournit des solutions de vérification d’identité et de détection de fraude pour e-commerçant, fintechs et banques, s’appuyant sur des solutions IA couplées à notre expertise humaine de la lutte contre la fraude depuis 25 ans pour détecter identités synthétiques, anomalies transactionnelles et signaux de risque en temps réel. Nous sommes membres du Groupe BPCE, ce qui nous pousse à des standards élevés de conformité et de gouvernance des modèles.¹

Tout comme avec le RGPD, nous n’avons pas attendu pour cultiver notre expertise sur l’AI Act et avons depuis plusieurs années sensibilisé et formé notre personnel à ces nouvelles problématiques de conformité. Contactez-nous si vous souhaitez en savoir plus sur la vision d’Oneytrust en matière de conformité et gestion des risques de l’IA !

The post AI Act and Fraud Prevention : why the market must prepare appeared first on Oneytrust.

Ce quelque chose, ce sont les signaux faibles.

Qu’est-ce qu’un signal faible en identité digitale ?

Un signal faible, comme son nom l’indique, n’est pas une alerte rouge. C’est un détail. Une micro-anomalie. Une incohérence presque invisible (où plutôt ignorée) prise isolément, mais qui prend tout son sens lorsqu’elle est corrélée à d’autres éléments.

Par exemple :

• - un appareil connu… mais dont l’empreinte technique a légèrement changé ;
• - une connexion depuis une ville habituelle… à une heure totalement atypique ;
• - une frappe clavier correcte… mais avec un rythme inhabituel ;
• - un parcours utilisateur fluide… mais parcouru à une vitesse trop rapide pour être humaine.

Aucun de ces éléments ne suffit, seul, à légitimer le blocage d’un évènement. Mais ensemble, ils racontent une histoire différente de celle que les données déclaratives laissent croire.

Pourquoi les signaux forts ne suffisent plus

Historiquement, la sécurité reposait sur des éléments binaires : mot de passe correct, code SMS validé, appareil reconnu.

Le problème ? Ces preuves peuvent être volées, interceptées ou simulées.

Les malwares, le phishing, les fuites massives de données et les outils d’automatisation ont transformé les identifiants en simple matière première pour les fraudeurs. Même l’authentification forte n’est plus infaillible face aux attaques par proxy en temps réel ou à la prise de contrôle à distance.

Résultat : un utilisateur peut cocher toutes les cases de la légitimité tout en étant un fraudeur. C’est précisément là que les signaux faibles deviennent déterminants.

Les signaux faibles racontent un comportement, pas une identité déclarée

Une identité déclarée peut être falsifiée. Un comportement, beaucoup plus difficilement.

Les signaux faibles permettent de répondre non pas à la question “Ces informations sont-elles correctes ?” mais à “Cette manière d’agir ressemble-t-elle à celle d’un humain légitime dans ce contexte précis ?”

On entre alors dans une lecture dynamique de l’identité digitale, basée sur la cohérence des habitudes, la continuité des interactions et la logique des enchaînements d’actions.

De l’événement isolé à l’histoire comportementale

Le véritable pouvoir des signaux faibles ne réside pas dans un instantané, mais dans la durée.

Une connexion étrange peut être anodine. Deux anomalies rapprochées commencent à interpeller. Une série de micro-écarts dessine un scénario de fraude.

C’est en reliant ces points que l’on passe d’un contrôle ponctuel à une surveillance comportementale continue. L’identité digitale cesse d’être un état pour devenir une probabilité évolutive.

Le défi : détecter sans dégrader l’expérience

Exploiter les signaux faibles ne signifie pas multiplier les frictions.

L’objectif est d’adapter le niveau de vigilance : demander une vérification supplémentaire uniquement quand le risque augmente, surveiller silencieusement les comportements douteux, déclencher des contrôles renforcés sur les actions sensibles.

Autrement dit : rendre la sécurité proportionnelle au risque réel.

Quand l’adresse email devient un signal faible

Une adresse email est souvent perçue comme un simple identifiant de contact. Pourtant, elle contient une richesse d’informations sous-estimée lorsqu’on l’analyse sous un angle sémantique et comportemental.

Prenons deux exemples : marie.dupont@yahoo.fr et ma.rie_du.pont1567@gmail.com.

Les deux adresses sont techniquement valides. Les deux peuvent passer les contrôles classiques. Mais elles ne racontent pas la même histoire.

L’analyse sémantique consiste à observer la structure, la logique et la cohérence d’une adresse email par rapport au contexte déclaré par l’utilisateur.

Des indices discrets mais parlants peuvent émerger : nom de domaine, composition du username, présence de mots-clés promotionnels, série de chiffres cohérente ou non, complexité inhabituelle, ou récurrence de modèles similaires observés dans des fraudes précédentes.

Pris isolément, aucun de ces éléments ne prouve une fraude. Mais ils peuvent indiquer qu’une adresse a été créée rapidement, en masse, ou dans un objectif purement transactionnel plutôt que relationnel.

Une vraie identité digitale laisse souvent des traces de continuité. À l’inverse, dans de nombreux scénarios de fraude, l’adresse email est un outil jetable conçu pour passer un contrôle technique, pas pour refléter une identité durable.

L’analyse sémantique permet donc de répondre à une question subtile : cette adresse ressemble-t-elle à un point de contact humain ou à un artefact fonctionnel créé pour un scénario précis ?

Encore une fois, la valeur vient de la corrélation : email à structure inhabituelle, création de compte rapide, appareil récemment vu sur d’autres comptes, navigation automatisée. C’est l’agrégation de ces signaux faibles qui fait émerger un risque crédible.

De la donnée brute à l’intelligence contextuelle

Les signaux faibles existent déjà dans vos systèmes : logs techniques, données de navigation, métadonnées des appareils, séquences d’actions.

La différence ne vient pas de la quantité de données, mais de la capacité à les corréler en temps réel, les contextualiser selon le parcours, apprendre des schémas passés et détecter les déviations subtiles.

L’identité digitale n’est plus un dossier, c’est un flux

Pendant des années, nous avons traité l’identité comme un fichier : des informations statiques à vérifier une fois pour toutes.

Les signaux faibles nous obligent à changer de paradigme. L’identité devient un flux continu de comportements, qui se confirme ou se dégrade au fil des interactions.

En conclusion

Les grandes fraudes se cachent rarement derrière de grosses anomalies. Elles se dissimulent dans les détails que l’on ne regarde pas.

Apprendre à lire les signaux faibles, c’est accepter que la vérité ne se trouve plus dans une preuve unique, mais dans l’accumulation de micro-indices. Dans un monde où les identités peuvent être fabriquées, volées ou louées, cette lecture fine devient l’un des piliers de la confiance numérique.

The post Weak signals: those little-noticed details that reveal the authenticity of a digital identity appeared first on Oneytrust.