Documents générés par IA en Belgique : détecter les artefacts visuels de fraude

Un document généré par IA se repère par trois familles d'artefacts visuels : une texture de fond trop régulière ou répétitive là où un vrai papier, un vrai scan ou une vraie impression présentent un grain irrégulier ; un éclairage physiquement incohérent, avec des ombres portées dans des directions contradictoires sur un même document ; et une divergence entre les données lisibles à l'œil et les données encodées dans une zone structurée (MRZ, code-barres, QR code), le modèle génératif ayant produit un champ visuel plausible sans respecter la contrainte de cohérence interne. Ces trois signaux, absents d'une simple relecture visuelle rapide, deviennent détectables dès qu'on sait où et comment les chercher.

Cet article est fourni à titre informatif et ne constitue pas un conseil juridique ou réglementaire.

Qu'est-ce qu'un artefact visuel de génération IA dans un document

Un document généré par IA appartient à l'une de deux catégories. Les documents entièrement synthétiques sont produits de zéro par un modèle génératif — GAN ou modèle de diffusion — entraîné à reproduire l'apparence d'un type de document (carte d'identité, justificatif de domicile, fiche de paie, extrait de compte) sans jamais partir d'un exemplaire réel. Les documents partiellement modifiés partent d'un scan authentique dont certains champs sont remplacés par un contenu généré, technique plus difficile à détecter car elle conserve les éléments de sécurité réels du reste du document.

Un artefact visuel, au sens forensique, est une trace laissée par le processus de génération lui-même — pas par une manipulation manuelle. Un modèle de diffusion construit une image par débruitage progressif à partir d'un bruit aléatoire : ce processus statistique produit des textures dont la distribution de fréquences diffère mesurablement de celle d'un scan optique réel, même quand l'image semble visuellement parfaite. La recherche académique récente en forensique d'image documente cette différence de signature statistique entre pixels générés et pixels capturés optiquement (arXiv, Beyond Natural Images: Rethinking AI-Generated Image Detection in Documents).

La détection des contenus synthétiques s'ajoute en complément des contrôles structurels et métadonnées existants, sous forme de couche complémentaire de signaux de génération IA déployée selon la configuration client et le profil de risque sectoriel — une approche qui rejoint notre guide sur la détection des deepfakes documentaires, qui couvre le panorama plus large des documents d'identité synthétiques.

Pourquoi ce vecteur de fraude progresse et qui est ciblé en Belgique

Le coût de production d'un faux document a chuté avec la démocratisation des outils génératifs grand public depuis 2024, tandis que la détection manuelle reste structurellement lente : selon l'Association of Certified Fraud Examiners, la détection purement manuelle ne capture que 37 % des cas de fraude documentaire, avec un délai moyen de 87 jours — un constat international, non spécifique à la Belgique, mais transposable à tout instructeur traitant des dossiers à distance (ACFE, Report to the Nations 2024). L'ENISA recense de son côté les contenus synthétiques générés par IA comme un vecteur de fraude documentaire en expansion continue depuis 2024 à l'échelle de l'Union, la Belgique n'y faisant pas exception (ENISA, Threat Landscape 2024).

Sur le terrain belge, l'indicateur le plus tangible reste la liste publique des avertissements de la FSMA, mise à jour en continu et consultable avant d'accorder sa confiance à un document se réclamant d'un acteur régulé (FSMA, liste des avertissements). Cette liste ne quantifie pas la part des dossiers appuyés sur des pièces générées par IA, mais illustre la même tendance de fond que l'ENISA.

Les secteurs les plus exposés sont ceux qui traitent un volume élevé de justificatifs à distance : le crédit à la consommation (faux bulletins de salaire, faux extraits de compte gonflant artificiellement des ressources), l'assurance (faux justificatifs de sinistre), la location immobilière et le recrutement (faux diplômes). Dans chacun de ces cas, l'instructeur humain dispose de quelques secondes par dossier pour valider un document qu'un modèle génératif a mis quelques dizaines de secondes à produire.

Comment repérer concrètement ces artefacts : texture, éclairage, motifs

Trois catégories de signaux se recoupent dans une analyse forensique sérieuse, par ordre de fiabilité observée — ces mécanismes s'appliquent identiquement aux documents belges (carte d'identité électronique, extraits BCE) qu'à ceux d'autres juridictions.

La texture et le bruit statistique. Un scan ou une photo d'un document papier authentique porte un bruit de capteur et un grain d'impression aléatoires, physiquement liés au support. Un document généré par diffusion produit au contraire des textures de fond (guilloché, trame de sécurité, papier watermarké) statistiquement trop régulières : les motifs se répètent avec une périodicité que l'œil ne perçoit pas mais qu'une analyse fréquentielle détecte immédiatement. À l'inverse, certains modèles récents sur-corrigent et ajoutent un bruit artificiel uniforme qui ne varie pas selon la zone du document, contrairement à un vrai grain de scan.

L'éclairage et la géométrie des ombres. Une photographie authentique d'un document posé sur une surface respecte une source lumineuse unique et cohérente : les ombres portées par un pli, une agrafe ou un relief d'impression suivent toutes la même direction et la même intensité. Les modèles génératifs peinent encore à maintenir cette cohérence physique, en particulier sur les zones en relief (tampons, hologrammes simulés, signatures) où des ombres contradictoires ou une absence totale d'ombre portée trahissent la synthèse.

La cohérence entre champ visuel et champ encodé. Sur les documents structurés — carte d'identité avec zone MRZ, facture avec QR code —, l'information doit être strictement identique entre ce qui est lisible visuellement et ce qui est encodé dans la zone machine. Un modèle génératif entraîné à reproduire l'apparence visuelle d'un document échoue fréquemment à générer une zone MRZ dont la clé de contrôle est mathématiquement valide, ou produit une date de naissance visuelle incohérente avec la date encodée — un signal quasi impossible à falsifier manuellement sans connaître l'algorithme de contrôle.

Tableau comparatif : document authentique vs document généré par IA

Une analyse isolée d'un seul de ces signaux produit un taux de faux positifs trop élevé pour un usage opérationnel ; c'est le croisement de plusieurs signaux indépendants qui rend la détection actionnable, un principe détaillé dans notre article sur l'analyse en niveau d'erreur (ELA) appliquée à la fraude documentaire, technique complémentaire centrée sur les artefacts de compression.

Ce que demandent les professionnels belges de la conformité

Les forums de conformité et de gestion des risques font remonter des questions récurrentes qui dépassent la seule mécanique technique. La première porte sur la fiabilité perçue : de nombreux instructeurs demandent si un document qui « a l'air parfait » peut malgré tout être un faux généré par IA — la réponse est oui, et c'est précisément le problème : la perfection visuelle apparente est devenue un signal neutre, alors qu'elle constituait auparavant un indice de fiabilité.

Une deuxième question porte sur la différence entre un document retouché avec un éditeur classique et un document entièrement généré : les deux se détectent différemment, la retouche laissant des artefacts de compression localisés sur la zone éditée tandis que la génération intégrale laisse des artefacts statistiques répartis sur toute l'image. Confondre les deux conduit à chercher le mauvais type de signal.

Une troisième interrogation, plus opérationnelle, concerne le volume : comment traiter plusieurs centaines de dossiers par semaine sans qu'un instructeur humain examine individuellement chaque texture de fond au zoom maximal ? C'est la question qui justifie l'automatisation de cette première passe de détection, avant intervention humaine sur les dossiers signalés.

Cadre réglementaire belge : FSMA, BNB, CTIF-CFI et AI Act

Le règlement européen sur l'intelligence artificielle, entré en vigueur le 1er août 2024, encadre les systèmes d'IA à haut risque du secteur financier, catégorie qui inclut le scoring de solvabilité et, selon leur usage, certains dispositifs de détection de fraude documentaire (Règlement (UE) 2024/1689, EUR-Lex). Ce texte s'applique directement en Belgique en tant qu'État membre, sans transposition nationale requise.

La supervision belge repose sur un modèle à deux régulateurs, contrairement au modèle français à régulateur unique (ACPR). La Banque Nationale de Belgique (BNB) exerce la supervision prudentielle des établissements de crédit et des assureurs, tandis que la FSMA (Autorité des services et marchés financiers) supervise les marchés financiers et la protection des consommateurs, et publie à ce titre la liste d'avertissements évoquée plus haut. Un dossier de crédit appuyé sur un faux document généré par IA relève donc des deux angles : la fiabilité du processus d'octroi côté BNB, la protection du client final côté FSMA.

Sur le volet blanchiment, les établissements assujettis appliquent la loi du 18 septembre 2017 relative à la prévention du blanchiment de capitaux et du financement du terrorisme, qui impose un devoir de vigilance renforcé sur les documents produits à l'appui d'une relation d'affaires. En cas de doute documentaire sérieux — y compris fondé sur des artefacts de génération IA — la déclaration de soupçon s'adresse à la CTIF-CFI, l'équivalent belge de TRACFIN, chargée de recevoir et transmettre ces déclarations aux autorités judiciaires (CTIF-CFI).

Sur le plan pénal, la fabrication ou l'usage d'un tel document s'analyse comme un faux en écritures au sens des articles 193 et suivants du Code pénal, qualification indépendante de la technique de fabrication, passible d'emprisonnement. Le SPF Économie complète ce dispositif lorsque le document sert à tromper un consommateur dans une pratique commerciale.

Dans ce contexte, une plateforme comme CheckFile permet aux équipes de conformité de signaler les indices de génération IA en complément de leurs contrôles existants, sans prétendre atteindre une détection exhaustive. Notre page détection des fraudes documentaires et des signaux IA détaille cette couche complémentaire, applicable aux workflows de KYC bancaire comme aux dossiers de financement et de leasing, dans le respect des exigences de sécurité attendues des établissements assujettis.

Questions fréquemment posées

Comment savoir si un document a été généré par IA sans outil spécialisé ?

À l'œil nu, cherchez une texture de fond trop uniforme, des ombres incohérentes sur les tampons ou reliefs, et un texte très fin flou en zoom élevé. Ces indices restent insuffisants seuls : une analyse forensique automatisée croisant texture, métadonnées et cohérence inter-champs reste nécessaire pour un usage fiable.

Un document généré par IA a-t-il forcément des défauts visibles ?

Non, et c'est ce qui rend ce vecteur dangereux : les modèles de diffusion récents produisent des images visuellement convaincantes. Les artefacts détectables se situent souvent au niveau statistique (distribution de bruit, cohérence MRZ) plutôt qu'au niveau visuel évident.

Quelle différence entre un document retouché et un document entièrement généré par IA ?

Un document retouché part d'un scan authentique dont un champ a été modifié, laissant des artefacts de compression localisés sur la zone éditée. Un document entièrement généré n'a jamais existé physiquement et présente des artefacts statistiques répartis sur toute l'image.

Que risque une entreprise qui accepte sans contrôle un document généré par IA dans un dossier de crédit en Belgique ?

Au-delà du risque de perte financière directe, l'établissement s'expose à un manquement à ses obligations de vigilance au titre de la loi anti-blanchiment du 18 septembre 2017 si le doute documentaire n'a pas donné lieu à une déclaration de soupçon à la CTIF-CFI, indépendamment de la responsabilité pénale propre à l'auteur du faux.

En complément de vos contrôles existants

Les artefacts visuels de génération IA ne remplacent pas les signaux traditionnels de fraude documentaire — métadonnées, cohérence inter-documents, vérification à la source — mais s'y ajoutent comme une couche de détection supplémentaire, particulièrement utile face aux documents entièrement synthétiques. Pour évaluer comment cette couche de signaux IA peut s'intégrer à votre processus de vérification, consultez notre page détection des fraudes documentaires et signaux IA ou comparez les formules et tarifs disponibles pour votre volume de dossiers. Pour une vue d'ensemble des méthodes de vérification documentaire, voir notre guide complet de vérification des documents.