L’intelligence artificielle, 

nouveau front de la lutte contre la fraude financière

Mme. Mariam Hasan

responsable de la conception

des produits chez Idenfo

L’intelligence artificielle (IA) renforce simultanément les capacités des fraudeurs et celles des dispositifs de conformité bancaire. Cet article examine comment les banques du monde arabe peuvent mobiliser ces outils contre la criminalité financière sans affaiblir la responsabilité humaine qu’exige la réglementation. Il soutient que l’IA générative ne crée pas de typologies nouvelles, mais accélère des schémas connus à trois moments du cycle de vie du client : l’entrée en relation, la relation d’affaires et la circulation des fonds. Sur cette base, l’article distingue les tâches de reconnaissance de formes à grande échelle, où l’automatisation apporte un avantage net, des décisions ambiguës, qui relèvent de l’analyste. L’analyse s’appuie sur les textes publiés par les banques centrales des Émirats arabes unis, de Jordanie et d’Égypte, sur les travaux du GAFI et du GAFIMOAN, ainsi que sur l’expérience d’un éditeur de solutions de conformité. Elle met en évidence une convergence régionale vers une supervision humaine proportionnée au risque, malgré des niveaux de maturité hétérogènes. L’article en conclut que l’enjeu relève moins de la technologie que de la gouvernance, et formule cinq recommandations, dont la mutualisation régionale des typologies.

Pendant longtemps, la criminalité financière dans les systèmes bancaires arabes a suivi un cycle identifiable : durcissement de la réglementation, adaptation des fraudeurs, puis rattrapage des établissements. La diffusion de l’IA générative rompt ce rythme, car elle profite au même moment aux attaquants et aux défenseurs. Les fonctions de conformité, dont la charge s’est fortement alourdie ces dernières années, y voient souvent un levier de réduction des coûts. Le GAFI (2021) relevait déjà que les nouvelles technologies peuvent accroître l’efficacité de la lutte contre le blanchiment et le financement du terrorisme (LBC/FT), à condition d’en maîtriser les risques.

Les pays du Conseil de coopération du Golfe (CCG) illustrent cette tension. Leur positionnement comme pôles de services financiers numériques repose sur l’ouverture rapide de comptes et sur d’importants flux transfrontaliers. Or ce sont précisément les conditions qu’exploitent les fraudes assistées par l’IA. En août 2026, la société de cybersécurité Group-IB a ainsi averti que des escroqueries à l’investissement fondées sur des hypertrucages, observées aux États-Unis et en Australie, pourraient s’étendre aux marchés du Golfe (Biometric Update, 2026).

Une question se pose dès lors : à quels maillons de la chaîne de contrôle l’IA doit-elle intervenir, et où le jugement humain doit-il demeurer décisif ? Nombre de travaux décrivent principalement les usages de l’intelligence artificielle dans la conformité bancaire. À leur différence, cet article propose une grille d’analyse pour répartir les responsabilités entre les systèmes automatisés et les analystes humains des établissements financiers du monde arabe.

L’article défend la thèse suivante. Les banques les plus performantes ne seront pas celles qui automatisent le plus, mais celles qui sauront répartir les responsabilités entre les modèles d’IA et les analystes humains, conformément aux attentes des superviseurs. L’enjeu relève donc moins de la technologie que de la gouvernance.

L’analyse, de nature qualitative, croise les textes réglementaires régionaux, les publications du GAFI et du GAFIMOAN, des données sectorielles sur la fraude à l’identité et l’expérience opérationnelle d’un éditeur de solutions de conformité. La section 2 cartographie les vulnérabilités, la section 3 propose une répartition des tâches, la section 4 dresse un état des cadres régionaux et la section 5 en dégage les implications pour les banques.

Des typologies anciennes,  une vitesse nouvelle

Il serait tentant de présenter la fraude assistée par l’IA comme une catégorie criminelle inédite. Il est plus exact d’y voir des typologies établies qui évoluent désormais à une autre vitesse et à une autre échelle. Usurpation d’identité, identités synthétiques, faux documents, blanchiment, contournement des sanctions et dissimulation des bénéficiaires effectifs n’ont pas changé de nature. Ce qui se modifie, c’est la localisation des points de faiblesse et la rapidité avec laquelle ils cèdent.

Les outils génératifs à la disposition des fraudeurs

Trois familles d’outils dominent les tentatives dirigées contre les établissements financiers :

– la génération d’images et de documents, qui permet de fabriquer ou d’altérer des pièces jusqu’à tromper un contrôle visuel ;

– la synthèse vocale et vidéo, employée pour contourner les contrôles de vivacité (liveness) et usurper une identité en temps réel ;

– les grands modèles de langage, qui produisent l’environnement documentaire d’un dossier frauduleux : courrier d’employeur, récit transactionnel cohérent, voire réponses lors d’un échange d’ouverture de compte en ligne.

Aucun de ces outils n’a été conçu à des fins criminelles. Leur accessibilité fait toutefois que la sophistication technique ne constitue plus une barrière à l’entrée. Les réseaux criminels en tirent même une agilité supérieure à celle des banques, puisqu’ils ne sont soumis à aucune exigence de transparence ni de responsabilité.

L’entrée en relation

C’est à ce stade que la fraude assistée par l’IA est la plus visible, et aussi la mieux combattue. Le rapport d’Entrust (2025), fondé sur plus d’un milliard de vérifications d’identité effectuées dans 195 pays entre septembre 2024 et septembre 2025, en donne la mesure. Les hypertrucages y sont associés à une tentative de fraude biométrique sur cinq. Les selfies falsifiés par ce procédé ont progressé de 58% en 2025.

Les attaques par injection, qui introduisent un flux vidéo fabriqué directement dans le processus de vérification, ont augmenté de 40% sur un an. Les faux numériques représentent désormais 35% des fraudes documentaires, contre 29% en moyenne sur la période 2022-2024. Ces données sont de portée mondiale et ne permettent pas d’isoler la situation propre aux pays arabes.

L’identité synthétique — l’assemblage de données réelles, souvent volées, et d’éléments fictifs — pose un problème plus insidieux encore. Aucune victime identifiable ne vient en effet la signaler, de sorte que le schéma peut perdurer longtemps sans alerte.

La relation d’affaires

Une fraude qui franchit l’entrée en relation ne se signale pas d’elle-même. Une identité synthétique ou usurpée sert fréquemment à constituer un historique d’opérations d’apparence normale avant d’être exploitée. Ce schéma met en échec, par construction, toute vérification ponctuelle.

C’est aussi à ce stade que se logent les fraudes liées aux commerçants et aux bénéficiaires effectifs. Des personnes morales entrent en relation comme commerçants ou clients professionnels, tandis que des structures de détention en cascade masquent le véritable centre de contrôle. La connaissance des entreprises clientes (KYB) ne peut donc reposer sur un contrôle unique, puisque l’actionnariat peut évoluer après l’ouverture du compte.

Le GAFIMOAN (2025) confirme l’ampleur du phénomène à l’échelle régionale. Son rapport identifie la dissimulation des bénéficiaires effectifs comme la principale vulnérabilité des personnes morales, les sociétés écrans étant le véhicule le plus souvent détourné. Plus de la moitié des cas étudiés combinent plusieurs procédés d’opacification, tels que les prête-noms, les actions au porteur ou les montages impliquant plusieurs juridictions. Six des dix pays de la région évalués doivent encore améliorer substantiellement leurs dispositifs dans ce domaine

La circulation des fonds

Une fois les fonds introduits dans le système, l’objectif devient leur blanchiment ou le contournement du filtrage, souvent entre juridictions de maturité réglementaire inégale. Ce trait ancien de la criminalité financière pourrait être amplifié par l’IA, qui aide les réseaux à structurer leurs opérations et à repérer plus vite les failles du filtrage. Cette hypothèse est plausible au regard des capacités décrites plus haut. Elle reste toutefois peu documentée empiriquement dans la région.

Vues sous cet angle, les différentes formes de fraude ne constituent pas des risques séparés. Elles correspondent à trois points de rupture dans le cycle de vie du client. Les défenses actuelles protègent surtout le premier, alors que les deux suivants ne peuvent rester exposés.

Répartir les tâches entre la machine et l’analyste

La question n’est pas de savoir si l’IA peut remplacer le jugement humain, mais de déterminer à quel endroit ce jugement doit s’exercer. Parasuraman et al. (2000) ont montré que l’automatisation ne se décide pas en bloc. Elle se module fonction par fonction, de l’acquisition de l’information jusqu’à la décision et à l’action. Appliquée à la conformité bancaire, cette grille conduit à distinguer quatre situations.

La reconnaissance de formes à grande échelle

La solution de référence consiste à vérifier l’identité auprès de sources externes faisant autorité. Lorsque ces connexions font défaut, l’IA offre un avantage net sur l’examen manuel pour plusieurs tâches. Elle peut détecter les artefacts qu’un outil génératif laisse au niveau du pixel, ou analyser les signaux de vivacité sur une séquence d’images plutôt que sur un cliché isolé. Elle permet aussi de filtrer des noms à un volume qu’aucune équipe ne pourrait absorber.

Ces tâches relèvent de la reconnaissance de formes, pour laquelle l’apprentissage automatique est adapté. Comme le soulignaient déjà Bolton et Hand (2002), les méthodes statistiques de détection produisent des scores de suspicion et non des preuves. Leur fonction est de hiérarchiser les dossiers à examiner, non de conclure à la fraude.

La surveillance continue

Le même raisonnement vaut pour la relation d’affaires. Un modèle peut relever qu’un volume d’opérations s’écarte progressivement du profil d’activité déclaré, ou que des modifications d’actionnariat suivent un schéma inhabituel. Ces problèmes de détection d’anomalies se prêtent à une surveillance permanente plutôt qu’à un contrôle ponctuel.

Reste à décider si l’anomalie constitue un manquement. Cette qualification appartient à un responsable de la conformité capable de la justifier. Elle ne peut être déléguée à un tableau de bord dont il se contenterait d’accepter le verdict.

La résolution de l’ambiguïté

L’IA ne devrait pas trancher les situations ambiguës. Une correspondance approximative avec une liste de sanctions, une personne politiquement exposée (PPE) aux opérations atypiques ou une structure de détention inhabituelle, mais pas nécessairement illicite, appellent un raisonnement contextuel. Celui-ci relève d’analystes formés. L’outil doit alors rendre l’analyste plus rapide et mieux informé, en restituant l’historique pertinent, en signalant les anomalies et en structurant les éléments de preuve.

Cette exigence suppose que le raisonnement du modèle soit lisible. Burrell (2016) distingue à cet égard trois sources d’opacité des algorithmes d’apprentissage : le secret industriel, la technicité du code et la complexité propre aux modèles de grande dimension. Un responsable incapable de reconstituer la logique d’une alerte ne peut ni la défendre devant le superviseur ni la contester.

Vérifier plutôt que valider

Une dernière distinction mérite d’être posée. La validation consiste à juger de la vraisemblance d’une pièce à partir de ses caractéristiques visuelles ou statistiques. La vérification consiste à la confronter à une source faisant autorité. La première engage une course sans fin avec les outils génératifs, tandis que la seconde change la nature de l’obstacle.

La lecture de la puce sans contact des passeports électroniques, normalisée par l’Organisation de l’aviation civile internationale (OACI, 2021), en offre un exemple. Les données qu’elle contient sont signées électroniquement par l’État émetteur, ce qu’une image générée ne peut reproduire. Dans la même logique, le GAFI (2020) invite à apprécier les systèmes d’identité numérique selon leur niveau de garantie (assurance level).

Un cadre réglementaire régional en voie de convergence

Une partie du débat oppose adoption de l’IA et conformité, comme s’il fallait sacrifier l’une à l’autre. Les évolutions récentes du monde arabe invitent à une lecture différente. Ce qui relevait hier des bonnes pratiques devient progressivement une attente des superviseurs.

Les textes examinés dans cette section relèvent de trois logiques distinctes. Les Émirats arabes unis et la Jordanie ont adopté des cadres propres à l’IA : une note d’orientation de la CBUAE publiée le 11 février 2026 et un cadre de la Banque centrale de Jordanie publié en août 2025. L’Égypte aborde l’IA principalement sous l’angle de l’inclusion financière, à travers un modèle de notation développé avec I-Score.

L’Irak et le Liban, enfin, sont engagés dans la réforme de leur dispositif de LBC/FT. Tous deux figurent sur la liste de surveillance renforcée du GAFI, depuis juin 2026 pour le premier et octobre 2024 pour le second. Les sous-sections qui suivent examinent successivement ces trois situations.

Les Émirats arabes unis : une supervision humaine graduée

Le 11 février 2026, la Banque centrale des Émirats arabes unis (CBUAE) a publié une note d’orientation sur la protection du consommateur et l’usage responsable de l’IA et de l’apprentissage automatique (CBUAE, 2026a). Ce texte non contraignant formalise des attentes précises et distingue trois modèles de supervision humaine :

– human-in-the-loop : l’IA formule des recommandations, mais un décideur humain conserve l’entière autorité pour les approuver ou les rejeter ;

– human-on-the-loop : l’IA traite de façon autonome les tâches courantes, sous la surveillance d’un humain habilité à intervenir ;

– human-out-of-the-loop : l’IA opère sans intervention humaine directe, ce mode étant réservé aux processus à faible risque et non significatifs.

Le niveau d’intervention humaine doit être proportionné aux risques que le système fait peser sur le consommateur. La note invite en outre les établissements à recourir à l’IA, lorsque c’est possible, pour détecter la fraude, les activités criminelles et les opérations suspectes. Elle attend enfin des établissements qu’ils soient en mesure d’expliquer le fonctionnement de leurs systèmes et mentionne, à titre d’exemple, des méthodes d’interprétabilité telles que SHAP.

Cette note s’inscrit dans un durcissement plus large du cadre de LBC/FT. Le décret-loi fédéral n° 10 de 2025, entré en vigueur le 14 octobre 2025, a remplacé la loi fédérale n° 20 de 2018 (Émirats arabes unis, 2025 ; White & Case, 2025). Il porte les amendes applicables aux personnes morales à un montant compris entre 5 et 100 millions de dirhams. Il étend aussi la responsabilité pénale des dirigeants et vise expressément les systèmes numériques, les actifs virtuels et les technologies de chiffrement.

Le 16 avril 2026, la CBUAE a complété ce dispositif par un ensemble de lignes directrices portant notamment sur la vigilance à l’égard de la clientèle et sur l’approche fondée sur les risques (CBUAE, 2026b). Pour le responsable de la déclaration des opérations suspectes (MLRO), le calcul change sensiblement. Une lacune dans le raisonnement d’un modèle n’est plus seulement un risque technologique. Elle devient un risque de conformité pour celui qui en valide les conclusions.

La Jordanie et l’Égypte : gouvernance et inclusion

En août 2025, la Banque centrale de Jordanie a publié un cadre réglementaire pour l’usage de l’IA dans le secteur bancaire (Central Bank of Jordan, 2025 ; Jordan Times, 2025). Celui-ci couvre la gouvernance, la gestion des risques, la protection des données et l’adoption responsable des technologies. Un comité de pilotage consacré à l’IA et aux technologies financières émergentes accompagne sa mise en œuvre.

La Banque centrale d’Égypte suit une trajectoire parallèle, davantage orientée vers l’infrastructure et l’inclusion financière. Elle a développé avec le bureau de crédit I-Score un modèle comportemental de notation fondé sur des données alternatives et sur l’apprentissage automatique (Zawya, 2025). Selon la même source, le taux d’inclusion financière des particuliers atteignait 76,3% en juin 2025, contre 27,4% en 2016.

La priorité égyptienne porte donc moins, à ce stade, sur une gouvernance propre à la fraude. L’orientation d’ensemble reste néanmoins commune aux trois pays : l’IA devient un domaine formalisé, doté de sa propre supervision.

Les juridictions en réforme

D’autres systèmes bancaires de la région se trouvent à un stade différent. Le 19 juin 2026, le GAFI a replacé l’Irak sous surveillance renforcée, statut qu’il avait déjà connu de 2013 à 2018 (GAFI, 2026 ; ComplyAdvantage, 2026). La liste comprend aussi le Liban, inscrit depuis octobre 2024, ainsi que le Koweït, la Syrie et le Yémen. L’Irak et le Liban se sont tous deux engagés sur des plans d’action destinés à corriger leurs déficiences stratégiques.

Les priorités fixées à l’Irak portent notamment sur la détection des services informels de transfert de fonds, l’application des sanctions financières ciblées et la qualité des déclarations de soupçon. Parallèlement, la Banque centrale d’Irak conduit une réforme du secteur (Prasad, 2026). Celle-ci comprend le relèvement du capital minimum des banques à 400 milliards de dinars et la restructuration des grandes banques publiques. Elle vise aussi l’alignement des dispositifs de LBC/FT sur les normes du GAFI.

On peut s’attendre à ce que ces pays intègrent à terme l’IA dans leurs référentiels prudentiels. Cette évolution demeure toutefois une hypothèse, que les textes disponibles ne permettent pas encore de confirmer.

Le niveau régional : un espace de mutualisation

Le GAFIMOAN, organisme régional de type GAFI pour le Moyen-Orient et l’Afrique du Nord, fournit une infrastructure commune. Son rapport de 2025 sur les personnes morales recoupe étroitement les schémas décrits à la section 2.3. L’hétérogénéité des situations nationales n’a rien d’accessoire : elle détermine l’échelle à laquelle le problème doit être traité.

Les réseaux criminels franchissent les frontières plus vite qu’un régulateur national ne peut les suivre. Il existe donc de solides arguments pour traiter la conformité assistée par l’IA comme une priorité régionale partagée, plutôt que comme une juxtaposition d’efforts nationaux. Des enceintes telles que le GAFIMOAN ou l’Union des Banques Arabes se prêtent à ce partage de renseignements entre établissements. Aucune approche nationale isolée, même bien conçue, ne peut en reproduire les effets.

Implications opérationnelles : principes de conception et gouvernance

Les principes exposés plus haut n’ont de portée que s’ils se traduisent dans l’organisation des contrôles. Idenfo, éditeur de solutions de vérification d’identité, de filtrage et d’évaluation des risques auquel l’auteure est affiliée, en offre une illustration à travers trois outils, décrits ici d’après la documentation de l’éditeur et sans évaluation indépendante de leurs performances. Son moteur Intelligent Search fait remonter les correspondances avec les bases de PPE et de presse défavorable en motivant chacune d’elles, tandis que son agent de vigilance renforcée, Vera, assemble les éléments d’un dossier et formule une recommandation soumise à un circuit humain de validation. Sa solution de vérification lit en outre la puce sans contact des passeports et en confronte les données à une base mondiale de référence.

Trois principes de conception

Le premier principe consiste à séparer la détection de la qualification. Un moteur de filtrage peut confronter des profils aux bases de presse défavorable et de PPE, faire remonter les correspondances potentielles et en exposer les motifs. La qualification finale du profil doit toutefois revenir à l’analyste. Ce partage correspond au modèle human-in-the-loop décrit par la CBUAE.

Le deuxième principe consiste à adapter le degré de supervision à chaque phase du dossier. La collecte et le rapprochement des informations peuvent être confiés à des traitements autonomes, suivis en temps réel par le responsable de la conformité (human-on-the-loop). La décision relève en revanche d’un circuit humain à trois intervenants distincts : un préparateur, un contrôleur et un approbateur. La recommandation du système n’y est recevable que si chacune de ses étapes est motivée et vérifiable.

Le troisième principe consiste à privilégier la vérification chaque fois qu’elle est possible. La lecture de la puce des passeports, complétée par l’interrogation de bases externes, substitue une preuve cryptographique à une appréciation visuelle. De telles connexions sont plus faciles à établir dans les espaces où les cadres réglementaires sont harmonisés. Elles opposent aux fraudeurs un obstacle que les outils génératifs ne suffisent pas à franchir.

Gouvernance et gestion du risque de modèle

Le recours à un fournisseur ne transfère pas la responsabilité de l’établissement. La note de la CBUAE (2026a) attend des établissements qu’ils se dotent de cadres de gouvernance de l’IA documentés et proportionnés à leur taille, à leur nature et à leur complexité. Elle préconise une gestion des risques associant la conformité, l’audit et les fonctions informatiques. Elle place en outre la responsabilité des systèmes d’IA et de leurs résultats au niveau de la direction générale et du conseil d’administration.

Le même texte recommande de soumettre les systèmes à des tests de résistance afin d’identifier les biais et les effets non désirés. Il appelle aussi une diligence appropriée à l’égard des solutions fournies par des tiers. À l’égard de la clientèle, les établissements sont invités à fournir des informations claires, en arabe et en anglais, sur la logique des systèmes, et à prévoir des voies de clarification, de contestation et de recours.

Il en résulte une conséquence pratique. La documentation du raisonnement d’un modèle devient une pièce du dossier de conformité, au même titre que les justificatifs d’identité. Un circuit préparateur-contrôleur-approbateur n’a de valeur que si chacun de ses maillons peut effectivement inspecter ce raisonnement.

Conclusion

Principaux enseignements

Trois enseignements se dégagent de l’analyse. En premier lieu, l’IA générative accélère des typologies de fraude connues plus qu’elle n’en crée de nouvelles. En deuxième lieu, les vulnérabilités se répartissent en trois points du cycle de vie du client, dont seul le premier est aujourd’hui correctement défendu. En troisième lieu, les superviseurs de la région convergent vers une supervision humaine graduée selon le risque, malgré des niveaux de maturité très inégaux.

Recommandations

Cinq recommandations en découlent, à l’intention des établissements comme des autorités de supervision:

1. Concentrer l’IA sur la reconnaissance de formes à grande échelle et à la surveillance continue de la relation d’affaires, là où elle apporte un avantage net sur l’examen manuel.
2. Maintenir un décideur humain pour les cas ambigus ou complexes, et refuser que l’automatisation s’étende aux arbitrages pour lesquels elle n’est pas conçue.
3. Documenter systématiquement le raisonnement des modèles, afin que chaque maillon du circuit de décision puisse l’inspecter et le défendre devant le superviseur.
4. Mutualiser les typologies de fraude au niveau régional, au sein d’enceintes telles que le GAFIMOAN ou l’Union des Banques Arabes.
5. Doter les modèles d’IA d’une gouvernance spécifique, fondée sur la responsabilité du conseil d’administration, les tests de résistance et la diligence envers les fournisseurs.

Ces recommandations convergent vers une même idée. L’efficacité d’un dispositif de lutte contre la fraude dépend moins de la puissance des modèles que de la clarté avec laquelle les responsabilités sont réparties. Les proximités linguistiques et institutionnelles du monde arabe constituent à cet égard un atout, car elles permettent de comparer les méthodes avant qu’elles ne se figent dans des cadres nationaux cloisonnés.

Limites de l’analyse

Cette contribution présente plusieurs limites. Elle adopte le point de vue d’un praticien, dont l’entreprise commercialise certains des dispositifs décrits, ce qui appelle une lecture critique de la section 5. Les données chiffrées sur la fraude à l’identité sont mondiales et ne permettent pas de mesurer la situation propre aux pays arabes. Le rôle de l’IA dans la circulation des fonds relève encore de l’hypothèse. Enfin, les cadres réglementaires décrits évoluent rapidement et reflètent l’état des textes en septembre 2026. Une étude empirique comparant les taux de détection et de faux positifs selon le degré d’automatisation permettrait de prolonger ce travail.

Traduction et adaptation française:

M.Jad Chamas, Économiste senior et doctorant en économie

À propos d’Idenfo:

 Idenfo accompagne les banques, les institutions financières et les entreprises réglementées au Moyen-Orient dans la lutte contre la criminalité financière. Sa plateforme de conformité couvre notamment la vérification d’identité, la connaissance du client (KYC), le filtrage des sanctions et des personnes politiquement exposées, la surveillance continue et la gestion des alertes. L’entreprise propose également des services de conseil en lutte contre le blanchiment de capitaux

Bibliographie

Biometric Update. (2026, 27 août). Group-IB warns GCC investors of deepfake investment fraud risk. https://www.biometricupdate.com/202608/group-ib-warns-gcc-investors-of-deepfake-investment-fraud-risk

Bolton, R. J., & Hand, D. J. (2002). Statistical fraud detection: A review. Statistical Science, 17(3), 235–255. https://doi.org/10.1214/ss/1042727940

Burrell, J. (2016). How the machine “thinks”: Understanding opacity in machine learning algorithms. Big Data & Society, 3(1). https://doi.org/10.1177/2053951715622512

CBUAE [Central Bank of the United Arab Emirates]. (2026a, 11 février). Guidance note on the consumer protection and responsible adoption and use of artificial intelligence and machine learning by licensed financial institutions in the U.A.E. https://rulebook.centralbank.ae/en/rulebook/guidance-note-consumer-protection-and-responsible-adoption-and-use-artificial-intelligence

CBUAE [Central Bank of the United Arab Emirates]. (2026b, 16 avril). CBUAE updates AML/CFT/CPF guidance for licensed financial institutions [Communiqué de presse]. https://www.centralbank.ae/media/njvnahyo/cbuae-updates-amlcftcpf-guidance-for-licensed-financial-institutions-en.pdf

Central Bank of Jordan. (2025). Artificial intelligence framework for banking sector in Jordan. https://www.cbj.gov.jo/EBV4.0/Root_Storage/AR/FinCert/Ai-Framework_English_Version.pdf

ComplyAdvantage. (2026). FATF plenary June 2026: Grey list changes, a payment transparency consultation, and the incoming UK Presidency. https://complyadvantage.com/insights/fatf-plenary-june-2026-outcomes/

Émirats arabes unis. (2025). Federal Decree by Law No. (10) of 2025 regarding anti-money laundering, and combating the financing of terrorism and proliferation financing. https://uaelegislation.gov.ae/en/legislations/3314/download

Entrust. (2025, 18 novembre). Deepfakes, social engineering, and injection attacks on the rise: Entrust 2026 Identity Fraud Report reveals surging attacks and diversifying tactics [Communiqué de presse]. https://www.entrust.com/company/newsroom/deepfakes-social-engineering-and-injection-attacks-on-the-rise

GAFI [Groupe d’action financière]. (2020). Guidance on digital identity. FATF. https://www.fatf-gafi.org/content/dam/fatf-gafi/guidance/Guidance-on-Digital-Identity.pdf

GAFI [Groupe d’action financière]. (2021). Opportunities and challenges of new technologies for AML/CFT. FATF. https://www.fatf-gafi.org/content/dam/fatf-gafi/guidance/Opportunities-Challenges-of-New-Technologies-for-AML-CFT.pdf.coredownload.pdf

GAFI [Groupe d’action financière]. (2026, 19 juin). Jurisdictions under increased monitoring – 19 June 2026. FATF. https://www.fatf-gafi.org/en/publications/High-risk-and-other-monitored-jurisdictions/increased-monitoring-june-2026.html

GAFIMOAN [Groupe d’action financière du Moyen-Orient et de l’Afrique du Nord]. (2025). Typologies report on ML/TF through legal persons and legal arrangements in MENA region. MENAFATF. https://www.menafatf.org/index.php/information-center/menafatf-publications/typologies-report-mltf-through-legal-persons-and-legal

Jordan Times. (2025, 5 août). CBJ issues “regulatory” framework for use of AI in banking sector. https://jordantimes.com/news/business/cbj-issues-regulatory-framework-for-use-of-ai-in-banking-sector

OACI [Organisation de l’aviation civile internationale]. (2021). Doc 9303 : Machine readable travel documents (8e éd.). ICAO. https://www.icao.int/publications/doc-series/doc-9303

Parasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). A model for types and levels of human interaction with automation. IEEE Transactions on Systems, Man, and Cybernetics – Part A: Systems and Humans, 30(3), 286–297. https://doi.org/10.1109/3468.844354

Prasad, V. (2026, 3 janvier). Iraq banking reform: CBI modernization & what businesses need to know. HHL. https://hhl-iq.com/iraq-banking-sector-reform-cbi-modernization-business-guide/

White & Case. (2025). The UAE enacts a new AML law: What are the key changes and what does this mean for your business? https://www.whitecase.com/insight-alert/uae-enacts-new-aml-law-what-are-key-changes-and-what-does-mean-your-business

Zawya. (2025). Central Bank of Egypt’s digital transformation push lifts financial inclusion to 76.3% in June 2025. https://www.zawya.com/en/business/banking-and-insurance/central-bank-of-egypts-digital-transformation-push-lifts-financial-inclusion-to-763-in-june-2025-o9ytdkh8