Stripe injecte de l’IA à toutes les étapes du cycle de paiement

Dès ses débuts, en 2010, le prestataire de services de paiement (PSP) américain Stripe a intégré des techniques de machine learning pour développer sa plateforme, avec plusieurs objectifs en vue : optimiser les paiements pour maximiser la conversion, lutter contre la fraude ou encore améliorer l’expérience utilisateur. Depuis, Stripe n’a pas dévié de cette feuille de route et les progrès massifs dans l’intelligence artificielle lui permettent désormais de déployer à l’échelle toujours plus de fonctionnalités innovantes basées sur l’IA.

“Notre IA intervient à chaque étape, depuis le passage en caisse des clients de nos utilisateurs, jusqu’à l’authentification, la protection contre la fraude, l’autorisation, et la gestion des remboursements et des litiges”, a rappelé auprès de mind Fintech Emily Glassberg Sands, directrice de l’information chez Stripe, en marge du Stripe Tour 2025, qui s’est déroulé à Paris le 17 juin 2025. Ainsi, sur le volet de l’authentification, Stripe est parvenu, en 2024, à réduire de 20 % les demandes d’authentification superflues, tout en diminuant le taux de fraude de 8 %.

Radar étend sa portée à d’autres PSP

Pour son produit dédié de lutte contre la fraude, baptisé Radar et lancé en 2016, les avancées de l’IA permettent une gestion encore plus proactive du risque. Alors que la fraude e-commerce a augmenté en moyenne pour l’ensemble du secteur de 16 % en 2024, selon Exploding Topics, les utilisateurs de Radar ont vu leurs taux de litiges continuer de baisser, de l’ordre de 17 %. “Compte tenu du succès de Radar, nous élargissons sa portée à d’autres prestataires de services de paiement, comme Adyen [les transactions qui passent par le PSP néerlandais sont ainsi analysées, Ndlr], et à d’autres méthodes de paiement, tels que les paiements ACH et SEPA. La plateforme de communications Zoom a ainsi observé une baisse de 20 % de la fraude au paiement ACH et de 42 % de la fraude au paiement SEPA”, souligne Emily Glassberg Sands.

En aval du cycle de paiement, Stripe a travaillé sur l’optimisation de l’autorisation par les réseaux et les émetteurs de paiements. “Les faux rejets, c’est-à-dire les transactions légitimes qui sont rejetées par erreur du fait d’une suspicion de fraude, constituent un problème majeur pour les entreprises en ligne”, relève la responsable de Stripe. Son produit Adaptive Acceptance, qui permet de réitérer un paiement en temps réel, avant que quiconque ne sache qu’il a été refusé à tort, a permis de récupérer plus de 6 milliards de dollars (5,1 milliards d’euros) de paiements en 2024. “Grâce au passage à une architecture de type transformer [une conception avancée de réseaux de neurones qui repose sur le mécanisme d’attention et permet de traiter de longues séquences, Ndlr], le taux de réussite des retry a bondi de 60 %, puis s’est encore amélioré de 27 % au fur et à mesure que les données s’accumulaient”, précise Emily Glassberg Sands.

Gestion automatisée des litiges

Enfin, la dernière innovation en date, tout au bout du cycle de paiement, est le lancement, en mai 2025 de Smart Disputes, un outil d’automatisation de la gestion des litiges. Issu des progrès dans les modèles de langage de grande taille (LLM), il rassemble automatiquement les dossiers de preuves pour les litiges admissibles concernant les transactions par carte et les soumet avant la date limite, au nom de l’utilisateur. “De nombreux utilisateurs sont des PME ou des start-up qui n’ont pas les ressources nécessaires pour gérer les litiges, note Emily Glassberg Sands. Si nous contestons un litige et que nous perdons, nous couvrons alors les frais [de l’ordre de 30 % du montant contesté, Ndlr]”.

Pour concevoir et améliorer tous ces produits, Stripe a bâti des modèles de machine learning très spécialisés, chacun étant dévolu à une tâche précise. Désormais, le PSP poursuit une approche plus holistique avec le lancement d’un modèle de fondation, un type de modèle d’IA de très grande taille, entraîné sur une quantité massive de données. “Une transaction seule a peu d’intérêt : c’est son contexte qui lui donne tout son sens, c’est-à-dire son lien avec les autres transactions. Les méthodes classiques se contentaient souvent de compter le nombre de tentatives depuis une même adresse IP, sans détecter des signaux plus fins comme des adresses e-mail similaires ou des attaques par énumération [c’est-à-dire en testant de façon répétée et automatisée des combinaisons de données, Ndlr]. Le modèle de fondation, lui, analyse toutes ces subtilités et repère plus efficacement les fraudes en identifiant des clusters”, explique Emily Glassberg Sands.

La dirigeante indique que son modèle de fondation lui permet d’identifier plus de 95 % des attaques par test de carte, soit un gain de 22 % par rapport aux méthodes précédentes. Actuellement, ce modèle est exclusivement exploité pour les différentes applications de la plateforme Stripe. “Nous réfléchissons à une possible exposition plus large, notamment pour la détection de la fraude, où le risque est systémique”, avance Emily Glassberg Sands. Rentable en 2024, Stripe a traité un volume total de paiements de 1 400 milliards de dollars (1 192 milliards d’euros) en 2024 (+ 38 % par rapport à 2023).