La vérification d'identité n'est pas le produit. C'est la technologie qui l'est.

Si vous avez déjà évalué des prestataires de services de vérification d'identité, vous avez sans doute entendu maintes fois les mêmes arguments : grande précision, temps de réponse rapides, couverture mondiale. À un moment donné, tout commence à se ressembler.

En effet, à bien des égards, la vérification d'identité est en train de devenir un service standardisé. Aujourd'hui, il est possible de mettre en place un processus de vérification de base à l'aide d'API cloud, d'outils prêts à l'emploi, voire de grands modèles linguistiques. Vu de l'extérieur, de nombreuses solutions semblent très similaires.

Mais en réalité, les différences sont importantes.

La question que tout acheteur finit par se poser

Pendant plusieurs années, j'ai travaillé en contact direct avec des clients qui évaluaient simultanément plusieurs fournisseurs de solutions de vérification d'identité. Il était courant que les entreprises s'entretiennent avec trois, quatre, voire cinq fournisseurs avant de prendre une décision.

Et au final, la même question revenait toujours : « Pourquoi devrions-nous vous choisir ? »

C'est une question légitime, surtout sur un marché où abondent les grands fournisseurs, les fournisseurs de plateformes et les entreprises qui intègrent plusieurs technologies tierces au sein d'une même offre.

Chez Microblink, la réponse a toujours été simple : parce que la technologie sous-jacente est essentielle.

Pourquoi la maîtrise des technologies est-elle importante ?

Chez Microblink, nous développons et assurons en interne la maintenance de notre technologie de base dédiée à la capture, à l'extraction et à la vérification de documents. Nos équipes conçoivent les algorithmes, gèrent les modèles d'apprentissage automatique et optimisent en permanence les performances sur l'ensemble des appareils, dans tous les environnements et dans des conditions d'utilisation réelles.

Cela peut sembler être une distinction purement technique, mais sur le plan opérationnel, cela fait une différence considérable.

Lorsque les entreprises s'appuient fortement sur des modèles d'agrégateurs ou de revendeurs, la résolution des problèmes nécessite souvent une coordination entre plusieurs fournisseurs. Un cas particulier lié à un document, un problème spécifique à un appareil ou une incohérence régionale peut devoir passer par plusieurs niveaux avant que des améliorations puissent être apportées. Cela ralentit naturellement le rythme des itérations et limite la flexibilité.

Le fait de disposer de sa propre pile technologique offre un contrôle bien plus important sur la manière dont les systèmes évoluent et s'adaptent aux conditions réelles. Cela permet aux équipes de réagir plus rapidement aux nouveaux schémas de fraude, de s'adapter à l'évolution des environnements de déploiement et de prendre en compte les retours des clients en priorité dans la feuille de route du produit.

Et en matière de vérification d'identité, les cas limites ne constituent pas des exceptions rares. Ils font partie intégrante de la réalité des environnements de production.

Vérification des produits de base ou véritable différenciation ?

On entend de plus en plus souvent dire que la vérification d'identité est devenue un produit de base. Dans une certaine mesure, je suis d'accord.

Les processus de vérification de base, tels que la numérisation d'un document, l'extraction de texte et la réalisation de contrôles de validation standard, sont de plus en plus accessibles. Cependant, la technologie sous-jacente qui permet le fonctionnement de ces processus n'est pas un produit de grande consommation.

C'est là qu'il existe encore une véritable différenciation.

Par exemple, chez Microblink, nous prenons en charge des modèles de déploiement sur appareil, côté serveur et hybrides, en fonction des besoins de nos clients. Cette flexibilité revêt une importance capitale dans les déploiements concrets, où la connectivité, la qualité du matériel, les exigences en matière de confidentialité et les cadres réglementaires varient considérablement.

Ces choix architecturaux passent souvent inaperçus lors d'une démonstration de produit, mais ils revêtent une importance cruciale à grande échelle.

La fraude a évolué plus rapidement que la plupart des systèmes

La prévention de la fraude est un autre domaine dans lequel la maîtrise des technologies revêt une importance capitale.

Le paysage de la fraude a radicalement changé au cours des dernières années. Les cybercriminels ne se contentent plus principalement de simples attaques par usurpation d’identité, telles que des photos imprimées ou des masques statiques. Aujourd’hui, les outils d’IA générative permettent de créer en quelques secondes des identités synthétiques, des documents falsifiés, des flux de selfies injectés et des « deepfakes » extrêmement convaincants.

Cela pose un défi technique fondamentalement différent.

Pour s'adapter à cet environnement, il faut disposer de systèmes capables d'évoluer en permanence, au rythme des nouvelles méthodes d'attaque. Cela implique de pouvoir tester en interne de nouveaux scénarios de fraude, de réentraîner rapidement les modèles, d'évaluer les cas limites et d'intégrer les informations sur la fraude directement dans les processus de développement des produits.

Lorsque les organisations dépendent entièrement d'outils externes, leur capacité d'adaptation est limitée par la feuille de route et les priorités d'un tiers. Lorsque la technologie de base est développée en interne, les cycles d'itération s'accélèrent considérablement.

Les limites des modèles de langage de grande envergure (LLM) dans la vérification d'identité

On s'interroge de plus en plus sur la capacité des grands modèles linguistiques à remplacer complètement les systèmes traditionnels de vérification d'identité.

Dans des scénarios contrôlés, les modèles de langage à grande échelle (LLM) peuvent afficher des performances étonnamment bonnes. Mais les environnements réels de vérification d'identité révèlent très rapidement leurs limites.

Lors de mes propres tests, j'ai constaté des temps de réponse irréguliers, des résultats fantaisistes (le modèle générant des informations qui n'existent pas) et des difficultés à traiter de manière cohérente les cas limites ou les données d'entrée de moindre qualité.

Plus important encore, les modèles de langage de grande envergure (LLM) sont difficiles à mettre en œuvre de manière à répondre aux exigences réelles en matière de vérification d'identité. Ils sont très gourmands en ressources informatiques, difficiles à déployer sur les appareils, et leurs résultats ne sont pas toujours déterministes ni vérifiables.

En matière de vérification d’identité, la cohérence revêt une importance capitale. Si un même document est traité à plusieurs reprises, les organisations doivent obtenir le même résultat à chaque fois. Or, les grands systèmes génératifs ont encore du mal à garantir ce niveau de reproductibilité de manière fiable.

La situation actuelle de Microblink

C'est pourquoi je pense que la maîtrise de la technologie sous-jacente restera un enjeu majeur, même si les processus de vérification d'identité se généralisent.

Chez Microblink, notre priorité reste de faire évoluer en permanence notre technologie de base en matière de documents, de garantir une flexibilité de déploiement concrète sur tous les appareils et dans tous les environnements, et de nous adapter rapidement aux nouvelles techniques de fraude, en particulier celles faisant appel à l'IA générative.

Nous ne voulons pas pour autant laisser entendre qu'un système quelconque soit parfait. Toute technologie d'identification présente des limites. Mais c'est en comprenant ces limites, en effectuant des tests continus dans des conditions réelles et en concevant des systèmes capables d'évoluer au fil du temps que l'on parvient, en fin de compte, à instaurer la confiance.