Les banques avaient une visibilité limitée au-delà de leurs propres données internes, ce qui entraînait une mauvaise évaluation des clients légitimes et une analyse des risques fragmentée. Les réglementations strictes sur la confidentialité et le secret bancaire empêchaient le partage des historiques de transactions, ce qui limitait la précision des modèles de détection de la fraude.

Grâce au Hub AML Interbancaire d'AIDatacy, le système agrège les données chiffrées des montants de transactions provenant de plusieurs banques et établit des seuils de valeur accumulée sur des périodes prédéfinies pour calculer un score de risque interbancaire, permettant une distinction plus précise entre les activités authentiques et frauduleuses. Il identifie également les chaînes de transactions suspectes sans exposer de détails sensibles, réduisant ainsi les faux positifs causés par des comportements clients rares mais légitimes au sein des banques individuelles.

Les banques ne pouvaient analyser les transactions qu'au sein de leurs propres systèmes, ce qui limitait leur capacité à détecter la fraude entre les institutions. Les réglementations strictes en matière de confidentialité et de secret bancaire interdisaient tout partage de données, créant des zones d'ombre dans la surveillance de la fraude. Cependant, le système devait toujours déclencher des alertes en temps réel dès qu'une transaction paraissait suspecte.

Avec le moteur SQL chiffré d'AIDatacy, les banques peuvent interroger en toute sécurité une base de données centralisée et chiffrée exploitée par la Banque d'État. Chaque requête, exécutée à l'aide d'un IBAN chiffré, vérifie l'existence d'un compte suspect sans jamais exposer d'informations sensibles. Le système ne renvoie qu'un résultat booléen (OUI/NON), garantissant une détection de la fraude interbancaire en temps réel tout en préservant la confidentialité, la souveraineté numérique et la pleine conformité réglementaire.