Détection de fraude documentaire : l'IA au service des agences

Un gestionnaire locatif ne peut pas authentifier deux cents dossiers à la main. Il ouvre, il lit, il saisit — et quand le faux est parfaitement imité, il ne le voit passer. Le problème n’est pas le manque de vigilance : c’est que la vérification documentaire à l’échelle d’un portefeuille de candidatures est mécaniquement impossible à faire à l’œil. C’est précisément le terrain où un agent IA apporte quelque chose de mesurable — non pas en « détectant la fraude » comme un juge, mais en repérant les incohérences qu’un humain pressé ne verra jamais, et en les documentant pour que la décision reste humaine.

La fraude documentaire, angle mort du filtrage de candidatures

Les agences ont beaucoup investi sur le tri des candidatures : classement, complétude, relance des pièces manquantes, scoring de solvabilité. Ces briques traitent un dossier tel qu’il est fourni. La question en amont — ces pièces sont-elles authentiques et cohérentes entre elles ? — est presque toujours laissée au jugement de celui qui ouvre le dossier, c’est-à-dire à la personne qui a le moins de temps pour le faire.

Or la fraude documentaire locative n’est plus artisanale. Les outils de retouche sont gratuits, les modèles de bulletins de salaire circulent en ligne, et une capture d’écran de relevé bancaire se falsifie en quelques minutes. Le Défenseur des droits, la CNIL et les fédérations professionnelles documentent de longue date les dossiers retouchés ; côté agence, le sujet reste pourtant traité comme une fatalité — un risque qu’on découvre après la signature, sous forme d’impayé ou de litige.

Le vrai coût est là. Un dossier accepté sur pièces falsifiées ne se contente pas de « faire perdre du temps » : il génère des loyers impayés, une procédure d’expulsion, une vacance, et parfois un préjudice direct pour le propriétaire qui a mandaté l’agence pour la sécuriser. La fraude documentaire est donc moins un problème de conformité qu’un problème de risque financier — ce qui justifie d’y consacrer une étape dédiée dans le flux candidats.

Les faux les plus fréquents dans un dossier locataire

Toutes les pièces ne se falsifient pas de la même façon, et toutes ne se détectent pas au même endroit. Trois familles reviennent en pratique :

Le faux par retouche. Le montant d’un bulletin de salaire est modifié, une ligne de revenu ajoutée, une date changée. Le document reste globalement authenticité apparente, mais son contenu est faux.
Le faux par fabrication. Le document est entièrement recréé à partir d’un modèle : faux contrat de travail, faux avis d’imposition, fausse attestation de garant.
Le faux par emprunt. Le candidat fournit la pièce réelle d’une autre personne — un bulletin au nom d’un tiers, une pièce d’identité qui n’est pas la sienne, un RIB détourné.

Chaque famille laisse des traces différentes. Ce que l’IA détecte n’est presque jamais « la falsification » elle-même, mais l’incohérence qu’elle produit : un chiffre qui ne tombe pas juste, une date impossible, deux pièces qui racontent deux histoires différentes.

Type de faux	Signal détectable	Pièce concernée
Montant retouché	Net mensuel incohérent avec le cumul annuel, le taux horaire ou l’avis d’imposition	Bulletin de salaire
Date modifiée	Période de paie impossible (cumul, jours travaillés, week-ends)	Bulletin de salaire
Document recréé	Police, alignements ou logo incohérents ; absence de mentions légales obligatoires	Contrat de travail, attestation
Emprunt d’identité	Nom ou adresse différents entre pièces d’identité, bulletin, RIB et avis	Dossier entier
Revenu inventé	Revenu fiscal de référence sans rapport avec les bulletins fournis	Avis d’imposition
Pièce expirée ou incohérente	Date de validité dépassée, adresse obsolète	Pièce d’identité, justificatif de domicile

Ce tableau est le cœur du sujet : il montre que la détection ne repose jamais sur un seul document, mais sur le croisement entre les pièces d’un même dossier. C’est exactement ce qu’un contrôle humain fait mal, parce qu’il faudrait ouvrir six documents en parallèle et comparer chaque champ — pour chaque candidat.

Ce que l’OCR apporte : extraction et contrôle de cohérence

La brique technique qui rend cela possible s’appelle l’OCR — reconnaissance optique de caractères. Elle transforme un PDF ou une photo en données exploitables : montants, dates, raison sociale, adresse, numéro de sécurité sociale, revenu fiscal de référence. L’OCR seul ne détecte pas la fraude : c’est un extracteur. Mais une fois les champs extraits, le contrôle de cohérence devient calculable et systématique.

Concrètement, l’agent enchaîne quatre vérifications sur chaque dossier :

Cohérence interne. Le net imposable d’un bulletin correspond-il au cumul annuel et à la période ? Un salaire déclaré au contrat est-il compatible avec les montants des bulletins ?
Cohérence croisée. Le revenu fiscal de référence de l’avis d’imposition est-il plausible au regard des bulletins ? L’employeur du contrat est-il bien celui qui figure sur les bulletins ? Le nom et l’adresse sont-ils identiques sur toutes les pièces ?
Plausibilité documentaire. Le document contient-il les mentions légales attendues ? La mise en page est-elle cohérente avec celle d’un document émis par cet organisme ? La pièce est-elle expirée ?
Contrôle temporel. Les pièces sont-elles récentes, la période de paie est-elle continue, la date d’embauche est-elle antérieure aux bulletins fournis ?

Aucune de ces vérifications ne « prouve » une fraude. Chacune produit un signal : un écart chiffré, une incohérence datée, une anomalie de mise en page. Le rôle de l’agent s’arrête là — et c’est précisément ce qui le rend utilisable. Un outil qui prétendrait trancher l’authenticité d’un document s’exposerait à un double risque : le faux négatif (laisser passer un faux) et le faux positif (accuser un candidat honnête), tous deux coûteux.

Détecter sans discriminer : variables autorisées et RGPD

Le sujet touche à la fois au droit pénal et à la protection des données. Falsifier un document pour obtenir un logement relève du faux et de l’usage de faux, sanctionnés par le code pénal — notamment l’article 441-1. Mais la riposte ne peut pas être un contrôle sans limites : le traitement des pièces d’un candidat est un traitement de données personnelles, encadré par le RGPD et surveillé par la CNIL.

Trois règles structurent un dispositif conforme :

Minimisation. On n’extrait que ce qui sert à la finalité de vérification du dossier de location. Pas de collecte de données sans rapport, pas de conservation au-delà du nécessaire.
Pas de décision entièrement automatisée. L’analyse produit une alerte et des motifs ; elle ne refuse pas un candidat. Un refus fondé uniquement sur un score ou une détection automatique expose l’agence à une contestation, et le RGPD encadre les décisions produisant un effet significatif sur une personne.
Absence de variables sensibles. L’analyse porte sur la cohérence documentaire, jamais sur l’origine, l’âge, la situation familiale, la santé ou le handicap. Le point est d’autant plus sensible que certains signaux « neutres » — un code postal, un type de contrat, une adresse d’origine — peuvent corréler avec des caractéristiques protégées.

La distinction est nette : authentifier des pièces n’est pas évaluer une personne. Un dispositif bien conçu vérifie la cohérence de documents, avec des critères objectivables et auditables, et documente chaque alerte. Il ne cherche pas à profiler le candidat.

Humain dans la boucle : ce que fait l’agent, ce que décide le gestionnaire

C’est la règle de conception qui rend le dispositif défendable devant un candidat comme devant un régulateur. La répartition est simple :

L’agent collecte, extrait, croise, classe et signale. Il produit une file de dossiers avec, pour chacun, les anomalies détectées, leur nature et les pièces concernées.
Le gestionnaire examine les alertes, demande les justificatifs complémentaires et décide. Une pièce douteuse n’est jamais écartée par la machine : elle est remontée à un humain.

Cette architecture évite deux écueils symétriques. D’un côté, l’automatisation aveugle qui rejette sur un signal trop faible. De l’autre, le tri manuel qui laisse passer faute de temps. L’agent ne remplace pas le jugement : il fait en sorte que le jugement porte sur les bons dossiers, au bon moment, avec les bonnes informations.

En pratique, le gestionnaire n’examine pas 200 dossiers : il examine la poignée de dossiers pour lesquels une incohérence a été détectée, avec le motif déjà rédigé et la pièce en cause. Sa décision devient plus rapide et mieux documentée — ce qui constitue, en cas de litige, une trace utile.

Mesurer l’impact : taux de fraude détectée et temps gagné

Sur les déploiements que nous opérons chez Homies, la vérification documentaire est un poste où les gains sont d’abord qualitatifs, puis chiffrables :

Indicateur	Avant vérification automatisée	Après
Dossiers contrôlés pièce à pièce	Échantillon aléatoire, faute de temps	100 % des dossiers
Détection d’incohérences	Tardive, après acceptation parfois	En amont, avant décision
Temps de contrôle par dossier	Considérable et non systématique	Quelques secondes de machine, minutes d’humain sur les seules alertes
Traçabilité	Verbale	Motif et pièce horodatés
Taux d’anomalies remontées	Sous-estimé	Visible et priorisé

Le chiffre qui compte n’est pas le « taux de fraude détectée » seul — il dépend du portefeuille et du marché. C’est le taux de contrôle : passer d’un contrôle par échantillon à un contrôle exhaustif de toutes les pièces change la nature du risque. On ne cherche plus à tomber par hasard sur un faux ; on sait, dossier par dossier, si les pièces concordent.

L’honnêteté impose de nommer les limites. Un document authentique falsifié dans son contenu par un procédé indétectable — par exemple un original réel dont l’image a été recomposée très proprement — peut passer. Les documents étrangers, les pièces manuscrites et les cas atypiques restent difficiles. L’IA réduit l’exposition, elle ne la supprime pas : elle déplace le contrôle de l’échantillon vers l’exhaustif, et le temps humain du tri vers la décision.

Mettre en place la détection dans son flux candidats

Le déploiement ne demande pas de bouleverser l’organisation. Quatre étapes suffisent :

Centraliser les candidatures sur un flux unique, quel que soit le canal d’arrivée (portail, site, e-mail, messagerie).
Activer l’extraction et le contrôle sur chaque dossier reçu, avec les règles de cohérence définies par l’agence.
Routage des alertes : les dossiers sans anomalie poursuivent le parcours normal ; ceux qui présentent une incohérence sont mis en attente et affectés à un gestionnaire.
Boucle d’amélioration : chaque correction apportée par le gestionnaire (faux positif, faux négatif) enrichit les règles et réduit le bruit au fil du temps.

Le plus important est le troisième point. Un outil qui remonte trop d’alertes devient vite ignoré, exactement comme un contrôle manuel trop lourd. Le dispositif doit donc être calibré : signaler peu, mais signaler juste, et laisser le gestionnaire trancher.

La fraude documentaire est l’angle mort logique du filtrage de candidatures : on a industrialisé le tri et le scoring, mais la vérification des pièces est restée artisanale, donc aléatoire. L’IA ne remplace ni la vigilance ni la décision de l’agence — elle rend simplement exhaustive une vérification qui ne l’était pas, en croisant les pièces d’un dossier et en remontant les incohérences avec leurs motifs.

C’est le rôle que nous donnons à l’agent dans le dispositif Homies : il lit, il croise, il alerte et il documente ; le gestionnaire garde la décision et la relation. Voir aussi notre guide du scan automatique des pièces justificatives et notre guide de conformité du scoring locataire.

Vous voulez voir la détection tourner sur vos vrais dossiers — pièces réelles, incohérences remontées avec motif, décision laissée à votre gestionnaire ? Demandez une démo — 20 minutes, sans engagement.

Sources : Code pénal, article 441-1 — Légifrance · CNIL — Intelligence artificielle · Retours d’expérience Homies