L'architecture de la confiance à l'ère de la tromperie synthétique : leçons de la fraude deepfake d'Arup et transition vers la souveraineté Deep AI

L'entreprise moderne traverse actuellement une crise fondamentale d'authenticité, caractérisée par l'armement rapide de l'intelligence artificielle générative contre les protocoles établis de gouvernance d'entreprise. En février 2024, le cabinet d'ingénierie multinational Arup est devenu le point focal de cette crise lorsque son bureau de Hong Kong a été floué de 25,6 millions de dollars (200 millions de HK$) par l'une des opérations assistées par deepfake les plus sophistiquées documentées à ce jour.¹ Cet incident n'était pas simplement un échec de la cybersécurité traditionnelle, mais une preuve de concept définitive de l'« ingénierie sociale augmentée par la technologie » — une méthodologie qui exploite la psychologie humaine et la confiance inhérente accordée aux indices visuels et auditifs.⁴ En utilisant une IA haute fidélité pour usurper l'identité d'un directeur financier (CFO) et de toute une équipe de dirigeants lors d'une visioconférence en direct, les attaquants ont réussi à contourner l'authentification multifacteur, les contrôles financiers internes et l'intuition humaine.¹

L'escroquerie Arup constitue un point d'inflexion stratégique pour les organisations du monde entier. Elle démontre que la dépendance actuelle aux « wrappers LLM » — de minces interfaces logicielles qui connectent les processus métier à des API d'IA publiques tierces — est fondamentalement inadéquate face aux exigences de sécurité et de souveraineté de l'entreprise moderne.⁷ Alors que le coût et les barrières techniques à la génération de médias synthétiques hyperréalistes continuent de chuter, le modèle traditionnel de « défense périmétrique » s'effondre.¹ Ce rapport analyse les détails forensiques de l'incident Arup, l'évolution technique des deepfakes en temps réel, et l'impératif architectural d'une transition vers le Deep AI : le déploiement de systèmes d'IA souverains, privés et neuro-symboliques au sein de l'infrastructure sécurisée de l'organisation elle-même.⁷

Reconstruction forensique : anatomie de l'escroquerie à 25 millions de dollars

L'opération contre Arup était une campagne multiphase qui privilégiait la reconnaissance et la manipulation psychologique plutôt que l'intrusion réseau traditionnelle.¹ L'enquête confirme que l'infrastructure numérique d'Arup est restée entièrement intacte tout au long de l'incident ; il n'y avait aucune preuve de malware, de vol d'identifiants ou d'accès non autorisé à une base de données.⁴ Au lieu de cela, les attaquants ont compromis la logique opérationnelle de l'entreprise en fabriquant une réalité que l'employé cible ne pouvait raisonnablement distinguer de la vérité.⁴

Phase I : Reconnaissance et collecte de matériel

L'efficacité des deepfakes utilisés dans l'attaque reposait sur des données d'entraînement de haute qualité.² Les attaquants ont passé des mois à collecter des vidéos et des enregistrements audio publiquement disponibles de dirigeants d'Arup, principalement sur YouTube, lors de présentations de conférences et de réunions d'entreprise.² Ce matériel a permis aux auteurs d'entraîner des réseaux antagonistes génératifs (GAN) et des modèles de synthèse vocale neuronale capables de reproduire non seulement l'apparence des dirigeants, mais aussi leurs schémas de parole spécifiques, leurs intonations et leurs micro-expressions idiosyncrasiques.¹ Ce niveau de préparation a permis la création de ce que les experts forensiques appellent des « jumeaux synthétiques haute fidélité », conçus pour résister au regard de collègues dans un cadre professionnel.¹

Phase II : L'hameçonnage ciblé et l'établissement du récit

L'incident a débuté en janvier 2024 par un e-mail d'hameçonnage ciblé paraissant provenir du CFO basé à Londres.¹ L'e-mail demandait de l'aide pour une « transaction confidentielle », un récit courant dans les escroqueries de compromission de messagerie professionnelle (BEC), mais renforcé ici par le ton professionnel et un contexte interne exact.² Bien que l'employé du service financier de Hong Kong ait d'abord été sceptique face à l'e-mail, les attaquants ont mobilisé une couche secondaire, plus puissante, de preuve sociale pour neutraliser ce doute.¹

Étape de l'incident	Action menée par l'attaquant	Mécanisme technique / psychologique
Contact initial	E-mail usurpé du CFO concernant un transfert « secret » 1	Levier d'autorité et urgence 2
Escalade	Invitation à une visioconférence multipartite 1	Preuve sociale et transparence perçue 4
Vérification	Apparition de plusieurs cadres dirigeants deepfakés 2	Visualisation de la hiérarchie pour surmonter le scepticisme 1
Exécution	Instruction de transférer des fonds vers des comptes spécifiques 1	Ordre hiérarchique direct dans un cadre « en direct » 3
Découverte	Suivi post-transaction avec le siège britannique 1	Piste d'audit financier standard 2

Phase III : La visioconférence synthétique

Le moment déterminant de l'incident Arup a été l'appel vidéo.¹ Contrairement aux précédentes escroqueries deepfake qui reposaient sur un simple clone vocal ou un clip vidéo basse résolution, cette attaque présentait un environnement interactif en direct avec plusieurs participants générés par l'IA.² L'employé a rejoint une conférence où des visages familiers — collègues et supérieurs — semblaient participer à une discussion légitime.¹ Ce contexte environnemental est une forme de « guerre asymétrique », où l'attaquant connaît la structure de l'organisation mieux que l'employé ne connaît les limites de la technologie.⁴

Pendant l'appel, le CFO deepfaké a ordonné à l'employé d'effectuer 15 virements distincts totalisant environ 25,6 millions de dollars.¹ Ces fonds ont été dispersés sur cinq comptes bancaires différents basés à Hong Kong.¹ L'employé s'est exécuté, convaincu par les preuves visuelles et auditives de la réunion.¹ La fraude n'a été découverte que lorsque l'employé a contacté le véritable bureau du CFO au Royaume-Uni, moment auquel l'entreprise a réalisé qu'aucune telle réunion n'avait eu lieu et qu'aucun fonds n'avait été autorisé.¹

L'évolution technique de la fraude générative en temps réel

L'incident Arup a été rendu possible par une convergence de méthodologies d'IA avancées qui sont passées des laboratoires de recherche aux mains d'organisations cybercriminelles sophistiquées.¹ Comprendre la menace exige une analyse des deux types principaux de modèles utilisés : les réseaux antagonistes génératifs (GAN) et les modèles de diffusion.¹

Les réseaux antagonistes génératifs (GAN) dans la synthèse vidéo

Les GAN représentent une percée dans la capacité à générer des visages et des voix réalistes.¹ Un GAN se compose de deux réseaux de neurones en compétition : le générateur et le discriminateur.¹ Le générateur crée du contenu en utilisant des images ou des vidéos réelles comme point de référence, tandis que le discriminateur tente de détecter si le contenu est généré par l'IA.¹ À travers des millions d'itérations, ces modèles s'« entraînent » mutuellement, le générateur devenant de plus en plus compétent pour créer des images que le discriminateur — et par extension, l'œil humain — ne peut distinguer de la réalité.¹ Dans le cas Arup, les GAN ont permis un « face swapping » en temps réel, où le flux de la webcam d'un attaquant était intercepté et remplacé image par image par un masque hyperréaliste du CFO.¹¹

Modèles de diffusion et cohérence temporelle

Les modèles de diffusion fonctionnent en ajoutant du « bruit » (données aléatoires) à une image, puis en entraînant une IA à inverser le processus, reconstruisant une image claire à partir du bruit.¹ Cette approche excelle dans la création de textures et d'éclairages haute résolution et nuancés avec lesquels les GAN peinent parfois.¹ Appliqués à la vidéo, les modèles de diffusion assurent une « cohérence temporelle » — c'est-à-dire que le visage généré par l'IA ne scintille ni ne se déforme pendant le mouvement.¹¹ Cette cohérence est critique pour maintenir l'illusion de réalité lors d'une interaction en direct, car la perception humaine est très sensible aux subtils « bugs » associés aux technologies deepfake de moindre qualité.¹¹

Attaques par injection : contourner la couche physique

Un détail technique pivot de l'incident Arup est l'utilisation de l'« injection vidéo » plutôt que de simples « attaques par présentation ».¹⁵

1. Attaques par présentation : Un attaquant tient un écran haute résolution (tablette ou moniteur) devant une véritable webcam.¹⁵ Celles-ci sont souvent détectables par des contrôles de vivacité qui analysent la profondeur, les réflexions au niveau des pixels et la présence de bordures physiques.¹⁵
2. Attaques par injection : Cette méthode implique l'utilisation d'un logiciel de caméra virtuelle ou de tactiques de type man-in-the-middle (MITM) pour injecter des paquets vidéo synthétiques directement dans le flux de données du logiciel de visioconférence.¹⁰ L'application (Zoom, Teams, etc.) traite ce flux numérique comme s'il provenait d'un dispositif matériel physique.¹⁷

Type d'attaque	Méthode de livraison	Difficulté de détection
Présentation (2D/3D)	Artefact physique (photo/masque/écran) 18	Modérée ; des anomalies de profondeur/texture sont souvent présentes 15
Face Swapping (temps réel)	Logiciel GAN/diffusion sur webcam en direct 12	Élevée ; nécessite une analyse temporelle 11
Injection vidéo	Flux numérique contournant le matériel de la caméra 20	Extrême ; nécessite des contrôles d'intégrité au niveau système 17
Clonage vocal neuronal	Flux audio remplacé par une voix synthétique 2	Très élevée ; nécessite une analyse biométrique du spectrogramme 16

La recherche indique que les attaques par injection ciblant les fournisseurs de vérification d'identité ont augmenté de 255 % en 2023, tandis que les attaques de « face swap » ont progressé de 704 %.²⁴ Cela suggère que les cybercriminels s'éloignent des usurpations physiques facilement détectables pour se tourner vers des manipulations au niveau numérique qui neutralisent les contrôles de vivacité traditionnels.²¹

Pourquoi le paradigme du « wrapper LLM » échoue pour l'entreprise

De nombreuses organisations, dans leur précipitation à adopter l'IA générative, se sont appuyées sur des « wrappers » — de fines couches logicielles construites au-dessus d'API publiques comme GPT-4 d'OpenAI ou Claude d'Anthropic.⁷ Bien que fonctionnel pour des tâches à faible enjeu, ce modèle introduit des vulnérabilités systémiques qui rendent des incidents comme la fraude Arup plus probables.⁷ Veriprajna soutient que l'ère du wrapper est incompatible avec la sécurité de niveau entreprise pour trois raisons principales : la sortie de données (data egress), l'absence de raisonnement contextuel, et le problème du « conseiller désincarné ».⁷

Le théâtre de la sécurité des API publiques

Dans un déploiement basé sur un wrapper, les données les plus sensibles d'une organisation — tableurs financiers, notes internes et communications de dirigeants — doivent quitter le périmètre de l'entreprise pour être traitées par un cloud tiers.⁷ Même si le fournisseur promet de ne pas entraîner ses modèles sur les données, la présence de ces données dans un environnement externe crée une vulnérabilité au CLOUD Act américain, à des relations opaques avec des sous-traitants, et à une exfiltration potentielle basée sur le modèle.⁹ De plus, les wrappers sont hautement vulnérables à l'« injection de prompt », où un utilisateur (ou un attaquant) peut concevoir des entrées qui trompent le modèle pour qu'il ignore ses garde-fous de sécurité et exécute des actions non autorisées.⁸

Le fossé contextuel et de fiabilité

Les LLM sont probabilistes, non déterministes.⁸ Ils prédisent le « prochain token » le plus probable sur la base de corrélations statistiques dans leurs données d'entraînement, plutôt que d'une compréhension ancrée de la réalité de l'entreprise.⁸ Cela conduit au « fossé de fiabilité », où un agent d'IA peut promettre une remise, renoncer à des frais, ou interpréter une politique d'une manière juridiquement contraignante pour l'entreprise mais factuellement incorrecte.⁸ Dans les environnements à enjeux élevés, un wrapper n'a pas la capacité intrinsèque de vérifier ses propres sorties par rapport à la « vérité terrain » des bases de données propriétaires de l'organisation.⁷

Le « conseiller désincarné » et les falaises d'activité

Pour les cabinets industriels ou d'ingénierie comme Arup, la limitation du « conseiller désincarné » est particulièrement dangereuse.²⁵ Un wrapper LLM textuel peut générer des conseils apparemment plausibles mais manque des boucles de rétroaction intégrées pour vérifier la sécurité physique ou biologique.²⁵ En chimie médicinale ou en ingénierie structurelle, un changement mineur dans une formule ou un calcul de charge — une « falaise d'activité » — peut entraîner un changement disproportionné du résultat (par ex., d'un composé sûr à une toxine létale).²⁵ Un wrapper, qui opère sur la distance sémantique plutôt que sur les lois de la physique, est notoirement mauvais pour identifier ces écarts critiques.²⁵

Deep AI : le cadre Veriprajna pour une intelligence souveraine

Veriprajna se positionne non pas comme un constructeur de wrappers, mais comme un fournisseur de solutions Deep AI — des architectures conçues pour restaurer la souveraineté et la fiabilité de l'entreprise.⁷ Ce cadre opère la transition de l'« IA en tant que service » vers l'« IA en tant qu'infrastructure ».⁷

Pilier I : Propriété de l'infrastructure et LLM d'entreprise privés

Le fondement du Deep AI est le déploiement de LLM d'entreprise privés au sein du cloud privé virtuel (VPC) de l'organisation ou de clusters Kubernetes on-premises.⁷ Veriprajna déploie des piles d'inférence complètes (utilisant des technologies comme vLLM ou TGI) directement sur le matériel contrôlé par le client.⁷ Cela garantit que l'« intelligence souveraine » ne quitte jamais le périmètre, offrant une immunité aux risques de transfert international de données et aux politiques de rétention des tiers.⁹

Pilier II : RAG 2.0 privé avec récupération sensible au RBAC

Le Deep AI construit un « cerveau sémantique » pour l'entreprise grâce à la génération augmentée par récupération (RAG) nativement intégrée à la sécurité interne.⁷ Contrairement aux systèmes RAG génériques, l'architecture de Veriprajna est sensible au contrôle d'accès basé sur les rôles (RBAC).⁷ Si un employé n'a pas la permission de consulter un document spécifique dans SharePoint, le système d'IA ne le récupérera pas pour répondre à sa question.⁷ Cela prévient l'escalade de privilèges interne et les fuites de données via l'interface d'IA.⁷

Pilier III : L'architecture « sandwich » neuro-symbolique

Pour combler le fossé de fiabilité, Veriprajna préconise un « sandwich neuro-symbolique ».⁸ Cette conception encadre le réseau de neurones créatif (le LLM) entre deux couches de logique symbolique déterministe.⁸

• La couche inférieure (logique d'entrée) : Prétraite les prompts utilisateur pour assainir les entrées et prévenir les attaques par injection avant qu'elles n'atteignent le modèle.⁸
• La couche intermédiaire (réseau de neurones) : Fournit la compréhension du langage et la capacité de raisonnement.⁸
• La couche supérieure (garde symbolique) : Intercepte l'intention du modèle et l'exécute via des fonctions rigides et prédéfinies (par ex., interroger une base de données SQL ou un ERP).⁸

Cela garantit que lorsqu'un agent d'IA rapporte un prix ou un statut d'autorisation, il récupère une valeur déterministe depuis une base de données, et non une valeur prédite sur la base de la probabilité des tokens.⁸

Fonctionnalité	Wrapper LLM public	Solution Deep AI Veriprajna
Résidence des données	Cloud public partagé ; sortie de données 7	Entièrement au sein du VPC client 7
Modèle de raisonnement	Purement probabiliste 8	Neuro-symbolique (neuronal + déterministe) 8
Contexte de sécurité	Données générales/publiques 7	Corpus privé ; sensible au RBAC 7
Personnalisation	Ingénierie de prompt uniquement 7	Fine-tuning complet (LoRA/CPT) 7
Vulnérabilité	Vulnérable à l'injection de prompt 8	Gardes logiques multicouches 8

La nouvelle authentification multifacteur : biométrie et intelligence comportementale

L'échec du « contrôle » visuel dans le cas Arup nécessite un nouveau paradigme pour vérifier l'identité dans les interactions numériques.⁴ L'approche de Veriprajna intègre des signaux multimodaux significativement plus difficiles à usurper en temps réel pour les modèles génératifs actuels.²³

Vérification des signaux physiologiques

La détection deepfake haut de gamme inclut désormais l'analyse des changements de couleur faciale « induits par le battement cardiaque ».¹⁴ Des technologies comme FakeCatcher d'Intel surveillent ces micro-signaux — invisibles à l'œil humain — pour vérifier qu'un participant est un être humain vivant avec une activité cardiovasculaire fonctionnelle.²³ Dans une vidéo synthétique, ces signaux sont typiquement absents ou temporellement incohérents avec les mouvements visuels.¹¹

Biométrie comportementale : le gardien « silencieux »

Si un visage peut être remplacé et une voix clonée, les schémas neurobiologiques de la façon dont un individu interagit avec sa technologie restent uniques et presque impossibles à falsifier.²⁹

• Dynamique de frappe : La vitesse, le rythme et la pression de frappe créent une « cadence » reconnaissable unique à un individu.³⁰
• Comportement de la souris et de l'écran tactile : La fréquence et la fluidité des mouvements de souris, ou la vitesse et la pression spécifiques du balayage sur un appareil mobile, construisent un profil comportemental difficile à imiter pour les bots ou les usurpateurs.²⁹
• Comportement cognitif : La biométrie comportementale peut détecter si un utilisateur agit sous contrainte ou coercition, ce qui se manifeste souvent par des hésitations ou des écarts par rapport aux schémas de navigation habituels.³¹

En construisant une ligne de base comportementale pour les cadres dirigeants, une organisation peut mettre en œuvre une « authentification continue » pendant les appels vidéo.³¹ Si le « CFO » lors d'un appel commence à demander une transaction inhabituelle tandis que son comportement de frappe ou de navigation s'écarte de son profil historique, le système peut automatiquement signaler l'interaction pour un examen manuel.²⁹

Provenance cryptographique et Content Credentials

Au lieu de se contenter de détecter les faux, l'entreprise doit passer à la vérification de l'authentique.³⁵ La norme C2PA (Coalition for Content Provenance and Authenticity) permet l'intégration de métadonnées cryptographiques au moment de la capture vidéo.²³ Cela crée un historique « à preuve de falsification » du média, documentant l'appareil, l'heure et le lieu de la source.³⁵ Si un flux vidéo dans un appel Microsoft Teams ou Zoom est dépourvu de ces credentials, il peut être traité avec le même niveau de suspicion qu'un paquet logiciel non signé.³⁵

Implications juridiques, réglementaires et de gouvernance

La perte financière chez Arup n'est que la partie émergée de l'iceberg ; l'incident a des implications de grande portée pour la responsabilité des entreprises et les devoirs fiduciaires du leadership.²

Le devoir fiduciaire du CIO et du CTO

À la suite des fraudes assistées par deepfake, les CIO et CTO sont de plus en plus tenus à un standard de diligence plus élevé.³⁸ En tant que dirigeants d'entreprise, ils ont un devoir fiduciaire d'identifier les « signaux d'alerte » et de mettre en œuvre des « procédures de sécurité raisonnables » — telles que celles exigées par le California Consumer Privacy Act (CCPA) ou le règlement européen sur l'IA (AI Act).³⁸ Le défaut de mettre en œuvre des contrôles sensibles aux deepfakes pourrait entraîner une responsabilité personnelle des dirigeants si l'entreprise est poursuivie par des actionnaires ou des clients pour négligence.³⁸

La « règle de l'imposteur » et l'allocation des pertes

Les orientations jurisprudentielles sur la fraude aux virements suivent souvent la « règle de l'imposteur » (Impostor Rule), selon laquelle les pertes doivent être supportées par la partie la mieux placée pour avoir empêché la fraude.⁴¹ Dans le cas Arup, bien que l'employé ait été trompé, le défaut de l'entreprise de mettre en œuvre une vérification multicanal pour les transactions de haute valeur pourrait être considéré comme le principal point de défaillance.⁴ Les tribunaux estiment de plus en plus que les employeurs sont négligents lorsqu'ils omettent d'avertir les employés des risques spécifiques ou de fournir les protections techniques nécessaires.³⁷

Conformité aux normes internationales

Pour atténuer ces risques, les organisations doivent aligner leurs opérations sur les normes mondiales émergentes en matière de sécurité biométrique et d'IA :

• ISO/IEC 30107-3 : La référence internationale pour la détection des attaques par présentation (PAD).⁴² Une certification de niveau 2 ou 3 démontre la résilience d'un système face aux usurpations avancées comme les masques en silicone et les deepfakes IA.¹⁵
• NIST AI Risk Management Framework (RMF) : Fournit un processus structuré en 4 étapes — Gouverner, Cartographier, Mesurer, Gérer — pour identifier et atténuer les risques spécifiques à l'IA.³⁹
• CEN/TS 18099 : La première norme dédiée à la détection des « attaques par injection », critique pour sécuriser les flux de visioconférence.¹⁵

Feuille de route stratégique pour la résilience d'entreprise (2025-2026)

L'incident Arup a été un échec des « yeux et des oreilles » en tant que forme d'authentification.⁴ Pour prévenir une récurrence, Veriprajna recommande une stratégie de résilience multicouche centrée sur la défense des personnes, des processus et du concept même d'authenticité.⁴

Étape 1 : Établir une culture de « scepticisme responsabilisé »

Les organisations doivent passer d'une culture du « se conformer immédiatement » à un état d'esprit du « vérifier d'abord ».⁴ Cela implique de récompenser les employés qui contestent les demandes suspectes, même celles paraissant provenir de la direction.⁴ La formation doit dépasser les e-mails d'hameçonnage statiques pour inclure des attaques deepfake simulées en direct sur des plateformes vidéo et audio, afin de démystifier la technologie pour le personnel.⁴

Étape 2 : Mettre en œuvre une vérification hors bande obligatoire

La visioconférence ne peut plus être le « standard de référence » pour l'authentification d'identité dans les transactions financières.⁴ Les instructions à haut risque ou de haute valeur doivent exiger une confirmation indépendante hors bande :

• Appel direct : Vérification via un numéro de téléphone pré-vérifié ou une plateforme de messagerie chiffrée (par ex., Signal).⁴
• Codes de vérification préétablis : Utilisation d'un canal secondaire non numérique pour partager les clés d'authentification.⁴
• Double autorisation : Exiger un second approbateur qui n'était pas participant à l'appel vidéo d'origine.⁴

Étape 3 : Transition vers une infrastructure Deep AI souveraine

Les entreprises doivent récupérer leurs données et leur intelligence du cloud public.⁷ La transition vers des LLM d'entreprise privés au sein d'un VPC contrôlé par le client garantit que le contexte sensible reste sécurisé.⁷ Ce n'est pas seulement une mesure de sécurité ; c'est un avantage concurrentiel, car cela permet la création d'actifs de modèles sur mesure qui appartiennent sans équivoque au client.⁷

Étape 4 : Déployer des outils de vivacité et de détection multimodaux

Intégrer la détection deepfake de niveau entreprise dans les outils de collaboration comme Zoom et Microsoft Teams.¹⁰ Ces outils doivent analyser chaque image et chaque paquet audio en temps réel à la recherche de signes de manipulation par l'IA — tels que des mouvements de lèvres asynchrones, un éclairage incohérent, ou l'absence de signaux physiologiques.¹²

Conclusion : la nouvelle frontière de la confiance

L'escroquerie Arup de février 2024 a été un appel clair à la fin de l'ère de l'« authentification interne informelle ».⁴ Lorsque le visage et la voix du CFO peuvent être parfaitement fabriqués pour 15 $ et 45 minutes d'effort, les signaux traditionnels de confiance sont brisés.⁵ L'avenir de la résilience d'entreprise dépendra de la capacité à distinguer un « jumeau synthétique » d'un être humain vivant grâce à des couches de défense biologique, comportementale et architecturale.⁴

Veriprajna préconise un départ du monde fragile des wrappers LLM et une transition vers le monde robuste et souverain du Deep AI.⁷ En combinant la propriété de l'infrastructure, la fiabilité neuro-symbolique et l'intelligence comportementale, les organisations peuvent construire une « architecture de la confiance » résiliente face à la menace croissante de la fraude générative.⁷ La perte de 25 millions de dollars a été un prix élevé à payer pour cette leçon, mais elle fournit le plan pour la prochaine génération de sécurité d'entreprise : une où l'authenticité est vérifiée par la physique et la logique, et non seulement par la vue et le son.⁴

Composante de résilience	Objectif actionnable	Résultat souhaité
Personnes	Formation comportementale et simulations 4	Résistance à l'ingénierie sociale « en direct » 4
Processus	Confirmation hors bande multicanal 4	Neutralisation des points de défaillance uniques 4
Données	LLM basés sur VPC privé et RAG 2.0 7	Souveraineté totale et confidentialité des données 7
Technologie	Analyse de vivacité et physiologique en temps réel 18	Défaite des GAN et des attaques par injection 17
Gouvernance	Alignement sur le NIST AI RMF et l'ISO 30107 43	Réduction du risque réglementaire et fiduciaire 38

Dans les années à venir, la capacité à vérifier l'identité et l'intention dans un monde synthétique sera l'exigence déterminante de l'ère numérique.²⁰ L'incident Arup prouve que le coût de l'inaction n'est plus un risque hypothétique, mais une réalité de 25 millions de dollars.¹ Les organisations qui agissent maintenant pour mettre en œuvre des architectures Deep AI souveraines protégeront non seulement leur capital, mais aussi leur actif le plus précieux : l'intégrité de leurs communications et la confiance de leurs parties prenantes.⁴

---

Ouvrages cités

1. Arup Deekfake Scam Forensic Analysis – Cyber - University of Hawai'i–West O'ahu, consulté le 9 février 2026, https://westoahu.hawaii.edu/cyber/forensics-weekly-executive-summmaries/arup-deekfake-scam-forensic-analysis/
2. Arup Deepfake: How An AI-Generated Deepfake Stole $25M, consulté le 9 février 2026, https://purplesec.us/breach-report/arup-deepfake/
3. Incident 634: Alleged Deepfake CFO Scam Reportedly Costs Multinational Engineering Firm Arup $25 Million, consulté le 9 février 2026, https://cdn.lawreportgroup.com/acuris/files/ACR-New/AI%20Incidents%20%E2%80%A2%20Incident%20634_%20Alleged%20Deepfake%20CFO%20Scam%20Reportedly%20Costs%20Multinational%20Engineering%20Firm%20Arup%20%2425%20Million.pdf
4. The Arup Deepfake Fraud - PRMIA, consulté le 9 février 2026, https://prmia.org/common/Uploaded%20files/eCyber/PRMIA%20Case%20study%20-%20ARUP.pdf
5. Cybercrime: Lessons learned from a $25m deepfake attack - The World Economic Forum, consulté le 9 février 2026, https://www.weforum.org/stories/2025/02/deepfake-ai-cybercrime-arup/
6. $25 Million Deepfake Scam: The Ultimate Con? - Trustpair, consulté le 9 février 2026, https://trustpair.com/blog/25-million-deepfake-scam-the-ultimate-con/
7. The Illusion of Control: Securing Enterprise AI with Private LLMs - Veriprajna, consulté le 9 février 2026, https://Veriprajna.com/technical-whitepapers/enterprise-ai-security-private-llms
8. The Authorized Signatory Problem: Why Enterprise AI Demands a Neuro-Symbolic "Sandwich" Architecture - Veriprajna, consulté le 9 février 2026, https://Veriprajna.com/technical-whitepapers/authorized-signatory-problem-neuro-symbolic-ai
9. The Illusion of Control: Shadow AI & Private Enterprise LLMs | Veriprajna, consulté le 9 février 2026, https://Veriprajna.com/whitepapers/illusion-of-control-shadow-ai-private-enterprise-llms
10. Deepsight: World's Most Accurate Deepfake Detection - Incode, consulté le 9 février 2026, https://www.incode.com/platform/deepsight
11. The Sentinel's Dilemma: An In-Depth Analysis of Real-Time Deepfake Detection Services in the Era of Generative AI Fraud | Uplatz Blog, consulté le 9 février 2026, https://uplatz.com/blog/the-sentinels-dilemma-an-in-depth-analysis-of-real-time-deepfake-detection-services-in-the-era-of-generative-ai-fraud/
12. Deepfake Video Call Security: How to Spot and Stop Scams, consulté le 9 février 2026, https://www.adaptivesecurity.com/blog/deepfake-video-call-security-guide
13. DeepFake Detection for Human Face Images and Videos: A Survey - Monash, consulté le 9 février 2026, https://researchmgt.monash.edu/ws/portalfiles/portal/570474609/560518436_oa.pdf
14. Securing Social Media Against Deepfakes using Identity, Behavioral, and Geometric Signatures - arXiv, consulté le 9 février 2026, https://arxiv.org/pdf/2412.05487?
15. Deepfake Presentation & Injection Attacks: Risks in ID Authentication, consulté le 9 février 2026, https://risk.lexisnexis.com/global/en/insights-resources/article/deepfake-duo-presentation-injection-attacks
16. Deepfake Detection: What is Phishing 3.0 and How Can You Prepare? - Ironscales, consulté le 9 février 2026, https://ironscales.com/blog/deepfake-detection-what-is-phishing-3.0-and-how-can-you-prepare
17. Virtual camera detection: Catching video injection attacks in remote biometric systems, consulté le 9 février 2026, https://arxiv.org/html/2512.10653v1
18. Liveness detection: protect yourself against fraud - Veridas, consulté le 9 février 2026, https://veridas.com/en/liveness-detection/
19. Facial Liveness Detection: How It Works & Why It Matters - Mitek Systems, consulté le 9 février 2026, https://www.miteksystems.com/blog/facial-liveness-detection
20. Unmasking Cybercrime: Strengthening Digital Identity Verification against Deepfakes - World Economic Forum, consulté le 9 février 2026, https://reports.weforum.org/docs/WEF_Unmasking_Cybercrime_Strengthening_Digital_Identity_Verification_against_Deepfakes_2026.pdf
21. Native Virtual Camera Attacks: The Invisible Threat to Remote Identity Verification | iProov, consulté le 9 février 2026, https://www.iproov.com/blog/native-virtual-camera-attacks-invisible-threat-biometric-solution
22. Cyber Risks Associated with Deepfakes - Monetary Authority of Singapore, consulté le 9 février 2026, https://www.mas.gov.sg/-/media/mas-media-library/regulation/circulars/trpd/cyber-risks-associated-with-deepfakes.pdf
23. What Tools Can Detect Deepfakes in Live Meetings? - Resemble AI, consulté le 9 février 2026, https://www.resemble.ai/deepfake-detection-tools-live-video-calls/
24. Deepfake Attacks: How they Work and How to Stop Them - Nametag, consulté le 9 février 2026, https://getnametag.com/newsroom/deepfake-attacks-how-they-work-how-to-stop-them
25. Structural AI Safety: Latent Space Governance in Bio-Design - Veriprajna, consulté le 9 février 2026, https://Veriprajna.com/technical-whitepapers/bio-design-ai-safety-latent-space
26. Cognitive Armor: Robustness Against Adversarial AI - Veriprajna, consulté le 9 février 2026, https://Veriprajna.com/technical-whitepapers/adversarial-ai-defense-cognitive-armor
27. How to Use Large Language Models (LLMs) with Enterprise and Sensitive Data, consulté le 9 février 2026, https://www.startupsoft.com/llm-sensitive-data-best-practices-guide/
28. What Is LLM (Large Language Model) Security? | Starter Guide - Palo Alto Networks, consulté le 9 février 2026, https://www.paloaltonetworks.com/cyberpedia/what-is-llm-security
29. What is Behavioral Biometrics - LexisNexis Risk Solutions, consulté le 9 février 2026, https://risk.lexisnexis.com/insights-resources/article/what-is-behavioral-biometrics
30. What is Behavioral Biometrics? - OneSpan, consulté le 9 février 2026, https://www.onespan.com/topics/behavioral-biometrics
31. Behavioral Biometrics: The Game-Changer in Fighting Synthetic Identity Fraud - Innovify, consulté le 9 février 2026, https://innovify.com/insights/behavioral-biometrics-fraud-detection/
32. What is Behavioral Biometrics? | IBM, consulté le 9 février 2026, https://www.ibm.com/think/topics/behavioral-biometrics
33. Continuous Behavioral Biometric Authentication for Secure Metaverse Workspaces in Digital Environments - MDPI, consulté le 9 février 2026, https://www.mdpi.com/2079-8954/13/7/588
34. What Is Behavioral Biometrics? - BioCatch, consulté le 9 février 2026, https://www.biocatch.com/blog/what-is-behavioral-biometrics
35. Unmasking the Fakes: How AI is Powering Deepfake Detection and Video Authentication | by Nunsi Shiaki | Rectlabs Inc | Medium, consulté le 9 février 2026, https://medium.com/rectlabs/unmasking-the-fakes-how-ai-is-powering-deepfake-detection-and-video-authentication-999fe4a0f5ff
36. NIST: Reducing Risks Posed by Synthetic Content An Overview of Technical Approaches to Digital Content Transparency - AI Governance Library, consulté le 9 février 2026, https://www.aigl.blog/nist-reducing-risks-posed-by-synthetic-content-an-overview-of-technical-approaches-to-digital-content-transparency/
37. Who Is Liable In A Workplace Deepfake Fraud Incident? - - Saunders Law, consulté le 9 février 2026, https://www.saunders.co.uk/news/who-is-liable-in-a-workplace-deepfake-fraud-incident/
38. Deepfakes: Why Legal Liability Now Lies with the CIO, consulté le 9 février 2026, https://nationalcioreview.com/articles-insights/information-security/deepfakes-why-legal-liability-now-lies-with-the-cio/
39. NIST AI RMF 2025 Updates: What You Need to Know About the Latest Framework Changes, consulté le 9 février 2026, https://www.ispartnersllc.com/blog/nist-ai-rmf-2025-updates-what-you-need-to-know-about-the-latest-framework-changes/
40. The State of Information Security Report 2025 | Resilience, Compliance & AI - ISMS.online, consulté le 9 février 2026, https://www.isms.online/the-state-of-information-security-report-2025/
41. Lawyer Liability for Wire Transfer Fraud - American Bar Association, consulté le 9 février 2026, https://www.americanbar.org/groups/tort_trial_insurance_practice/resources/brief/2025-spring/lawyer-liability-wire-transfer-fraud/
42. How to Choose a Liveness Solution That Actually Works? - Oz Forensics, consulté le 9 février 2026, https://www.ozforensics.com/id/blog/articles/how-to-choose-a-liveness-solution-that-actually-works
43. Biometric Security Guide : Understanding ISO/IEC 30107 Standards - Pacific Certifications, consulté le 9 février 2026, https://blog.pacificcert.com/biometric-security-guide-understanding-iso-iec-30107/
44. ISO/IEC 30107 (Biometric Presentation Attack Detection) - DuckDuckGoose AI, consulté le 9 février 2026, https://www.duckduckgoose.ai/glossary/iso-iec-30107--biometric-presentation-attack-detection
45. Identy.io Facial Biometric Technology Receives NIST ISO 30107-3 Level 2 PAD Certification with Perfect Score, consulté le 9 février 2026, https://www.identy.io/identy-io-facial-biometric-technology-receives-nist-iso-30107-3-level-2-pad-certification-with-perfect-score/
46. AI Risk Management Framework - NIST, consulté le 9 février 2026, https://www.nist.gov/itl/ai-risk-management-framework
47. US Expands Artificial Intelligence Guidance with NIST AI Risk Management Framework, consulté le 9 février 2026, https://cdp.cooley.com/us-expands-artificial-intelligence-guidance-with-nist-ai-risk-management-framework/
48. iProov Shows Deepfake Resilience Under NIST Digital ID Rules - AI-Tech Park, consulté le 9 février 2026, https://ai-techpark.com/iproov-shows-deepfake-resilience-under-nist-digital-id-rules/
49. Building Deepfake-Resilient Conferencing Procedures - Reality Defender, consulté le 9 février 2026, https://www.realitydefender.com/insights/building-deepfake-resilient-conferencing-procedures
50. Deepfake Doppelgangers: Scammers Hijack Zoom Calls To Drain Bitcoin Wallets, consulté le 9 février 2026, https://cyberpress.org/deepfake-zoom-scams-drain-wallets/
51. Deepfake Attacks Hit Two-Thirds of Businesses - Infosecurity Magazine, consulté le 9 février 2026, https://www.infosecurity-magazine.com/news/deepfake-attacks-hit-twothirds-of/