Le 1er septembre 2026, Visa a annoncé une version enrichie de A2A Protect, sa solution de détection de la fraude sur les paiements de compte à compte. La nouveauté est importante à double titre : Visa introduit un score de risque unifié en temps réel et utilise, pour la première fois dans une offre commercialisée, la technologie de Featurespace, l’entreprise britannique acquise par le groupe en décembre 2024.
L’objectif est simple à formuler, mais difficile à atteindre : donner aux institutions financières suffisamment d’informations pour identifier une transaction suspecte avant que l’argent ne quitte le compte du client.
La solution associe intelligence artificielle, apprentissage transféré, apprentissage continu et, pour les institutions qui le souhaitent, des signaux provenant d’un périmètre plus large que leur propre activité.
Annonce officielle de Visa — 1er septembre 2026
A2A Protect : de quoi parle-t-on exactement ?
A2A signifie Account-to-Account : un paiement ou un transfert directement effectué d’un compte vers un autre, sans nécessairement passer par un réseau de cartes.
A2A Protect n’est donc ni un nouveau rail de paiement ni un système de paiement instantané. C’est une couche de détection du risque qui vient s’intégrer aux dispositifs d’une institution financière.
Selon Visa, l’intégration s’effectue au moyen d’une API unique.
Lorsqu’une transaction doit être évaluée, A2A Protect analyse les informations disponibles et retourne un score de risque unifié en temps réel. L’alerte est accompagnée d’une explication en langage courant indiquant les principaux éléments qui ont conduit au signalement.
Le rôle de la solution est donc d’enrichir la décision antifraude. L’établissement financier conserve ses propres règles et processus pour décider de la suite à donner à l’opération.
Visa A2A Protect — présentation produit
Ce que Featurespace apporte à la nouvelle version
Visa a finalisé l’acquisition de Featurespace le 19 décembre 2024. L’entreprise est spécialisée dans les technologies d’intelligence artificielle appliquées à la détection de fraude et à l’analyse comportementale des paiements en temps réel.
La version annoncée en septembre 2026 constitue, selon Visa, la première intégration mise sur le marché combinant directement les capacités de Featurespace et celles de Visa.
L’un des éléments mis en avant est le transfer learning, ou apprentissage par transfert.
Dans un dispositif antifraude classique, une institution peut avoir besoin d’un historique suffisamment important pour que ses modèles apprennent progressivement ce qui constitue un comportement normal ou anormal dans son environnement.
Avec le transfer learning, une partie de l’intelligence acquise par le modèle peut être réutilisée dans un nouvel environnement. Visa affirme ainsi pouvoir fournir des signaux utiles dès le démarrage, sans attendre plusieurs mois de données propres à chaque banque.
Cela ne signifie pas que le modèle connaît immédiatement toutes les particularités d’un marché. Visa précise d’ailleurs que la performance continue ensuite de s’améliorer grâce à l’apprentissage dans l’environnement propre de l’institution.
Autrement dit, la proposition repose sur deux temps : démarrer avec une intelligence déjà exploitable, puis continuer à apprendre localement.
Visa — acquisition de Featurespace
Un score enrichi par des signaux plus larges, mais sur option
La deuxième évolution importante concerne la visibilité dont dispose le moteur de risque.
Une institution peut utiliser A2A Protect sans attendre que d’autres banques rejoignent un consortium. Mais celles qui choisissent de participer au partage d’intelligence au niveau du réseau peuvent intégrer des signaux supplémentaires provenant de l’écosystème.
Visa explique que cette vision élargie peut aider à identifier des foyers d’arnaques émergents et des activités frauduleuses coordonnées qui seraient plus difficiles à détecter à partir des seules données d’un établissement.
C’est particulièrement pertinent lorsque plusieurs transactions qui semblent banales séparément appartiennent en réalité à une même campagne.
Par exemple, une banque peut voir un client effectuer un transfert inhabituel vers un nouveau bénéficiaire. Une autre peut observer plusieurs paiements vers un autre compte. Pris individuellement, les signaux restent faibles. Mais si les comptes bénéficiaires sont reliés à un même dispositif frauduleux ou à des schémas de redistribution similaires, une vision plus large peut faire apparaître une relation qui n’était pas visible localement.
L’intérêt de la technologie n’est donc pas seulement de calculer un score plus rapidement. Il est aussi de donner davantage de contexte au score.
Pourquoi les paiements instantanés rendent l’exercice plus difficile
Le facteur temps change profondément la lutte antifraude.
Lorsqu’un transfert est exécuté et crédité presque immédiatement, la fenêtre disponible pour détecter une anomalie, appliquer un contrôle supplémentaire ou tenter de retenir les fonds se réduit fortement.
Visa insiste particulièrement sur les APP scams — Authorized Push Payment scams. Dans ce type d’arnaque, le client est souvent correctement authentifié et initie lui-même le transfert, mais il le fait parce qu’un fraudeur l’a manipulé : faux fournisseur, fausse urgence familiale, usurpation d’identité, faux investissement ou autre scénario d’ingénierie sociale.
Le système ne doit donc plus seulement répondre à la question : « est-ce bien le titulaire du compte qui effectue le paiement ? »
Il doit aussi chercher à déterminer si une transaction pourtant autorisée par le client présente les caractéristiques d’une arnaque.
C’est l’une des raisons pour lesquelles Visa cherche à combiner analyse comportementale, apprentissage continu et signaux plus larges sur les bénéficiaires ou les schémas de transaction.
Ce que Visa annonce comme résultats
Visa avance plusieurs chiffres pour illustrer les performances d’A2A Protect.
L’entreprise affirme que la solution a permis d’augmenter la détection de fraude de 75 % durant les six premiers mois de déploiement. Visa indique également qu’elle peut contribuer à réduire de plus de 40 % les alertes inutiles.
Sur sa page produit, Visa cite aussi son travail avec Pay.UK : l’intégration des données Visa aurait permis d’identifier 54 % de valeur de fraude et d’APP scams supplémentaires par rapport à ce qui avait déjà été détecté par les systèmes bancaires concernés, avec une réduction de 40 % des faux positifs.
Ces résultats sont intéressants, mais doivent rester correctement qualifiés : ils sont communiqués par Visa et ne constituent pas une évaluation indépendante ni une garantie de performance identique dans chaque marché.
Les résultats réels dépendront notamment des données disponibles, des règles de décision de chaque institution, des comportements de fraude rencontrés et de la manière dont la solution est intégrée au dispositif existant.
Ce que cela change pour une équipe fraude
Pour une banque ou un prestataire de paiement, l’intérêt opérationnel de cette évolution peut être résumé en quatre points.
Premièrement, réduire le temps nécessaire au démarrage du modèle grâce au transfer learning.
Deuxièmement, produire un score unique en temps réel exploitable dans le processus de décision.
Troisièmement, rendre l’alerte plus compréhensible grâce à une explication en langage courant, ce qui peut faciliter le travail des équipes chargées de l’investigation.
Enfin, lorsqu’une institution choisit d’utiliser l’intelligence réseau, enrichir l’analyse locale avec des signaux qui peuvent révéler des schémas coordonnés.
Le défi restera toutefois le même : augmenter la détection sans générer une quantité excessive de faux positifs qui ralentiraient les paiements légitimes ou satureraient les équipes fraude.
En Afrique, certaines briques de coopération existent déjà
La solution annoncée par Visa est mondiale et l’entreprise ne fournit pas, dans son communiqué, de liste détaillée des marchés où la nouvelle version est actuellement disponible.
Il serait donc prématuré de la présenter comme une solution déjà déployée à grande échelle en Afrique.
En revanche, le principe consistant à centraliser ou partager certains signaux antifraude n’est pas nouveau sur le continent.
🇿🇦 En Afrique du Sud, SABRIC — South African Banking Risk Information Centre travaille avec les banques et d’autres acteurs sur le partage d’informations, l’analyse des menaces et la coordination des réponses face à la criminalité financière. L’organisation se présente aujourd’hui comme une structure visant à renforcer la défense collective du système financier grâce à une meilleure intelligence sur les menaces.
🇳🇬 Au Nigeria, NIBSS dispose d’un Central Fraud Management System (CFMS) et d’un portail de signalement antifraude. Sa documentation présente également la fraude comme l’un de ses services centraux, avec une plateforme de surveillance et de mitigation à l’échelle de l’industrie.
NIBSS — Central Fraud Management System
NIBSS — Anti-Fraud Reporting Portal
AfricaNenda recommande également, dans son rapport SIIPS 2025, que les opérateurs de systèmes de paiement instantané investissent dans des infrastructures partagées de prévention de la fraude et des plateformes d’intelligence pouvant servir l’ensemble du réseau.
AfricaNenda — State of Inclusive Instant Payment Systems in Africa 2025
Ces exemples ne sont pas des équivalents techniques d’A2A Protect. Ils montrent simplement qu’une partie du problème identifié par Visa — la nécessité d’avoir une meilleure visibilité sur la fraude au-delà d’une transaction isolée — est déjà prise en compte sous différentes formes sur certains marchés africains.
La technologie ne règle pas seule la question du partage
L’utilisation de signaux provenant de plusieurs institutions pose immédiatement des questions de gouvernance.
Quels éléments peuvent être mutualisés ? Qui peut signaler un compte ou un bénéficiaire ? Combien de temps un signal reste-t-il valable ? Comment éviter qu’un faux positif se propage d’un établissement à l’autre ? Quelle information doit rester locale et quelle information peut être pseudonymisée ou transformée en indicateur de risque ?
Ces questions deviennent particulièrement sensibles lorsqu’il s’agit de comptes mules, utilisés pour recevoir ou redistribuer les fonds issus d’une fraude.
Une infrastructure efficace ne peut pas se limiter à créer une liste noire commune. Elle doit aussi prévoir des règles de création, de mise à jour, de contestation et de suppression des signaux.
Et les modèles devront prouver leur pertinence localement
Le transfer learning répond au problème du démarrage à froid, mais il ne supprime pas le besoin d’apprentissage local.
Les comportements de paiement diffèrent fortement selon les marchés. En Afrique, la coexistence de banques, mobile money, fintechs, réseaux d’agents et comptes de différents types crée des habitudes qui ne ressemblent pas nécessairement à celles observées ailleurs.
Un modèle mondial peut apporter une base utile. Il devra néanmoins être mesuré sur les comportements réellement observés : fraude détectée, fraude manquée, faux positifs, performance par canal et évolution au fil du temps.
C’est probablement l’un des tests les plus importants pour A2A Protect lorsqu’il sera utilisé dans de nouveaux environnements.
Une première démonstration de ce que Visa veut faire de Featurespace
L’intérêt de cette annonce tient finalement autant au produit qu’à la stratégie de Visa.
Moins de deux ans après avoir finalisé l’acquisition de Featurespace, Visa commence à intégrer cette technologie dans ses propres solutions de risque. A2A Protect devient ainsi un premier exemple concret de la manière dont le groupe entend combiner ses données, sa présence dans les paiements et les capacités d’intelligence artificielle acquises avec Featurespace.
Le produit cherche à répondre à trois contraintes très actuelles : prendre une décision en temps réel, disposer d’un modèle utile rapidement et améliorer la visibilité lorsque la fraude dépasse le périmètre d’un seul établissement.
Pour les acteurs africains, la question n’est pas de reproduire automatiquement le modèle Visa. L’intérêt est plutôt d’observer ce que cette approche permet réellement, comment elle fonctionne dans différents environnements et quelles briques de coopération ou d’intelligence partagée peuvent améliorer les dispositifs déjà en place.
Sur ce point, les prochains déploiements d’A2A Protect seront probablement plus instructifs que les chiffres annoncés au lancement.
