Session d’ouverture de compte KYC-2026-55120Contrôle du selfie
Selfie d’une femme pris pour une vérification d’identité
selfie_capture.jpg, 02/04/2026, 14:37Données de prise de vue : aucune
Traces d’IATraces de manipulations
Session d’ouverture de compte KYC-2026-55120Contrôle du selfie
selfie_capture.jpg, 02/04/2026, 14:37Données de prise de vue : aucune
Ce que nous lisonsCe que vous voyez
Versé à la sessionAnalyse conservée, motif précisé
ConclusionSuspect
Justifications
Traces d’IAÉlevé
Traces de manipulations, zone du visage
Aucune donnée de prise de vue
Aucune signature de générateur trouvée

Un visage à l’écran,
et quelques secondes pour lui faire confiance.

Une vérification d’identité enchaîne un selfie et une comparaison avec la pièce d’identité le temps qu’un client lève son téléphone, et le visage comparé peut désormais être produit par un modèle encore plus vite que cela.

Ce que ça fait

Vérifie les selfies, vidéos de preuve de vie et images de pièces d’identité qui passent par votre chaîne de vérification, et indique à votre moteur de décision si l’IA les a générés ou modifiés.

Pourquoi c’est utile

Un visage produit par un modèle ressemble désormais à n’importe quel selfie, et une fois passé l’ouverture de compte, il ouvre un compte au service de toutes les fraudes qui suivent.

Pour qui

Les prestataires de vérification d’identité (KYC), qui peuvent l’intégrer sous leur propre marque, et les équipes fraude et sécurité des banques, fintechs et plateformes qu’ils accompagnent.

Le problème

La preuve de vie a été conçue pour les masques, les impressions et les écrans

La comparaison faciale et la preuve de vie ont été conçues pour repérer quelqu’un qui présente une photo, un masque ou un téléphone à la caméra, et le visage généré d’aujourd’hui ne passe souvent jamais devant une caméra : il est injecté directement dans le flux via une caméra virtuelle ou un émulateur, et il bouge, cligne des yeux et correspond à la pièce d’identité avec laquelle il a été fabriqué.

L’échange de visage

Une vraie personne devant la caméra, avec un autre visage superposé au sien, image par image. Les gestes demandés pour la preuve de vie sont authentiques, et c’est pour cela que la session paraît si naturelle.

Le visage qui n’appartient à personne

Un selfie et une photo d’identité générés ensemble pour correspondre parfaitement, au nom d’une identité qui n’a jamais existé ailleurs.

Selfie d’un homme tenant une carte d’identité marquée spécimenCe que vous voyez
Ce que nous détectons

Le visage et la photo de la carte portent les traces du même modèle.

La série

Des centaines d’ouvertures de compte réparties sur des semaines et plusieurs pays, avec le même modèle derrière chaque visage. Chaque session passe seule, et le lien apparaît dès que l’on sait lire comment les images ont été fabriquées.

En chiffres

Les deepfakes sont devenus une attaque quotidienne contre les vérifications d’identité

1 sur 5

tentative de fraude biométrique est désormais un deepfake, et les selfies truqués ont augmenté de 58 % en 2025.

Source : Entrust, 2026 Identity Fraud Report
+96 %

de tentatives de fraude par deepfake en France en 2025, et 94 % de plus au Royaume-Uni.

Source : Sumsub, Identity Fraud Report 2025-2026
+2 665 %

d’attaques par caméra virtuelle contre les vérifications d’identité à distance, qui injectent un visage généré directement dans la session.

Source : iProov, Threat Intelligence Report 2025

Notre réponse

La place de Label4.ai dans votre processus

Label4.ai ajoute une question aux contrôles que vous menez déjà, et laisse le reste de votre processus tel qu’il est.

Session démarrée

Application, parcours web ou tablette en agence : votre dispositif de capture, quel qu’il soit.

Vos contrôles existants

Authenticité du document, comparaison faciale et preuve de vie. Inchangées.

Analyse Label4.ai

Ce visage est-il bien ce qu’il prétend être ? Vérifié automatiquement à son arrivée, en quelques secondes, avec ses raisons.

Décision

Valider, demander une nouvelle capture ou passer en revue manuelle, avec le motif consigné.

Un résultat lisible par toute l’équipe

L’analyste voit d’abord la conclusion, puis trois phrases écrites dans les mots du métier, comme celles-ci.

  • Ce selfie porte les traces d’un modèle génératif, plus marquées sur le visage.
  • La zone du visage a été modifiée séparément du reste de l’image, ce qui est typique d’un échange de visage.
  • Aucune signature de générateur n’a été trouvée : la conclusion repose donc uniquement sur l’analyse des traces.

À côté de vos contrôles de preuve de vie et d’injection, jamais à leur place

Une vérification d’identité dispose déjà de deux lignes de défense contre un faux visage, et Label4.ai en ajoute une troisième qui examine le contenu lui-même, pour qu’un visage généré soit repéré quel que soit le chemin par lequel il est arrivé dans votre flux.

Attaques par présentation

Une photo imprimée, un masque ou un second écran présenté à la caméra.

Preuve de vieDéjà dans votre chaîne, elle vérifie qu’une vraie personne se trouve devant l’objectif.Évaluée selon la norme ISO/IEC 30107-3

Attaques par injection

La caméra est contournée et un flux est injecté via une caméra virtuelle, un émulateur ou une application modifiée.

Contrôles de l’appareil et du canalDéjà dans votre chaîne ou celle de votre prestataire, ils vérifient que le flux provient bien de la caméra de l’appareil.Évalués selon la spécification CEN/TS 18099

Contenu généré ou modifié

Un échange de visage, un visage qui n’appartient à personne, une photo d’identité produite pour lui correspondre.

Label4.aiLit les traces que le processus de génération laisse dans l’image, la vidéo ou la voix, que le contenu soit passé par la caméra ou l’ait contournée.

Nous ne nous appuyons ni sur le clignement des yeux, ni sur la synchronisation des lèvres, ni sur la texture de la peau, car chaque nouvelle génération de modèles les corrige. Ce que nous lisons vient de la façon dont le contenu a été produit, et reste présent même quand le visage paraît parfait.

Les appels, messages vocaux et visioconférences relèvent de la solution Deepfakes et usurpation, avec la même analyse appliquée aux voix et aux visages qui parviennent à vos équipes.

Notre méthode

Ce qu’il y a derrière chaque conclusion

  • Une analyse adaptée à votre processus Chaque projet est configuré selon votre façon de travailler, avec les contrôles qui comptent pour vos contenus, votre seuil et l’action que nous recommandons. Chaque analyse cherche d’abord une signature laissée par le générateur, puis les traces qu’un modèle laisse et les signes de retouche.
  • Une détection qui laisse tourner le processus La plupart des personnes devant la caméra sont bien qui elles disent être : avant le contrat, nous analysons vos propres contenus et convenons avec vous du taux de fausses alertes adapté à votre processus. C’est pourquoi nous n’annonçons aucun taux de détection générique : nous montons un projet et le réglons pour obtenir le meilleur taux de détection sur votre propre cas d’usage.
  • Une conclusion qui tient Un même contenu, analysé deux fois, donne deux fois le même rapport, ce qui fait passer une série d’ouvertures de compte du soupçon à la preuve.

Il fonctionne dans notre cloud ou sur vos propres serveurs, via la console Anomaly Engine ou l’API.

Découvrir la technologie en détail

Vos contenus

Découvrez ce que révèlent vos sessions

Vous nous envoyez un lot de captures dont vous connaissez déjà l’issue, y compris les attaques que vous avez détectées et celles que vous avez découvertes trop tard. Nous vous rendons un résultat pour chaque capture, vos taux de fausses alertes et de fraudes manquées, et la liste claire de ce que nous n’avons pas vu.

Nous répondons à chaque demande sous deux jours ouvrés, sous accord de confidentialité si vous le souhaitez.