Près de 90 % de précision, GPT-4o et Gemini 3 Pro dépassés, cette IA chinoise traque le Bitcoin illicite en ligne

Des chercheurs de l’université nationale de police chinoise affirment avoir développé une intelligence artificielle capable de repérer des transactions Bitcoin illicites avec une précision proche de 90 %. Baptisé MDGNN-LLM, le modèle est présenté comme plus performant que GPT-4o et Gemini 3 Pro dans cette tâche spécialisée, selon les éléments relayés par Cryptoast le 4 août 2026. L’annonce confirme l’intérêt croissant des autorités pour des outils capables d’analyser la blockchain à grande échelle.

MDGNN-LLM revendique près de 90 % de précision sur Bitcoin

Le cœur de l’annonce tient dans un chiffre, près de 90 % de précision pour identifier des flux considérés comme illicites sur le réseau Bitcoin. Dans un univers où chaque transaction est publique, mais rarement lisible sans expertise, cette promesse technique vise un point sensible. L’outil ne cherche pas seulement une adresse suspecte, il tente de comprendre des enchaînements de mouvements, des regroupements de portefeuilles et des comportements répétitifs.

Le modèle MDGNN-LLM semble combiner deux approches. La première repose sur l’analyse de graphes, adaptée aux réseaux de transactions. La seconde mobilise des capacités proches des grands modèles de langage, utiles pour interpréter des séquences complexes et classer des comportements. Cette hybridation répond à une limite connue des outils classiques, souvent efficaces sur des schémas simples, mais moins robustes quand les fonds passent par de multiples adresses.

Une transaction Bitcoin ne contient pas le nom d’un individu, mais elle laisse des traces techniques. Les enquêteurs travaillent sur des horaires, des montants, des proximités entre portefeuilles, des connexions avec des plateformes d’échange ou des services déjà signalés. L’IA ajoute une couche d’automatisation à cette lecture. Elle peut traiter rapidement des volumes que des analystes humains mettraient des semaines à examiner, avec une capacité de tri qui devient stratégique pour les services spécialisés.

Le taux revendiqué doit néanmoins être lu avec prudence. Une précision élevée dans un cadre de test ne vaut pas automatiquement preuve judiciaire. La qualité des données utilisées pour entraîner le modèle, la définition retenue pour une transaction illicite et la diversité des cas examinés pèsent lourdement dans le résultat. Un outil de ce type peut orienter une enquête, mais il ne remplace ni l’identification formelle d’un suspect, ni le contrôle d’un magistrat, ni la confrontation avec d’autres éléments matériels.

GPT-4o et Gemini 3 Pro dépassés selon les chercheurs chinois

L’autre élément mis en avant concerne la comparaison avec GPT-4o et Gemini 3 Pro. Les chercheurs chinois affirment que MDGNN-LLM obtient de meilleurs résultats dans la détection des transactions suspectes. Cette affirmation illustre une distinction importante entre les modèles généralistes et les systèmes spécialisés. Un grand modèle peut expliquer une adresse, résumer un rapport ou assister un analyste, mais il n’est pas forcément optimisé pour lire la structure d’un graphe financier complexe.

Les modèles généralistes excellent dans le langage, la synthèse et l’aide à la décision. Dans le suivi de flux crypto, la difficulté porte davantage sur la topologie des transactions. Les fonds peuvent être fractionnés, regroupés, déplacés vers des plateformes centralisées, puis renvoyés vers de nouveaux portefeuilles. Un modèle spécialisé peut intégrer ces formes de déplacement dès sa conception. De ce fait, il devient plus pertinent sur une tâche étroite, même si sa valeur reste limitée hors de ce périmètre.

La comparaison demande un accès aux protocoles de test. Les performances d’une IA dépendent fortement des jeux de données, du niveau de bruit, du nombre de cas ambigus et de la méthode de validation. Un modèle peut paraître supérieur sur un échantillon construit autour de schémas connus, puis perdre en efficacité face à des tactiques nouvelles. Les acteurs criminels adaptent vite leurs pratiques quand ils savent qu’une méthode de surveillance se généralise.

Pour les enquêteurs, l’intérêt n’est pas seulement de battre un modèle concurrent dans un classement technique. La question porte sur l’usage opérationnel. Un système fiable doit expliquer pourquoi une transaction est signalée, classer le niveau de risque et éviter d’engloutir les équipes sous des alertes inutiles. Dans la lutte contre les flux illicites, la transparence du raisonnement compte autant que la performance brute, car chaque signalement peut avoir des effets concrets sur une personne, un compte ou une entreprise.

La Chine renforce l’analyse policière des flux Bitcoin

Cette recherche s’inscrit dans la ligne de la politique chinoise à l’égard des cryptomonnaies. Pékin maintient une position très restrictive envers le trading et les activités liées aux actifs numériques privés, tout en développant des compétences avancées dans la surveillance financière. L’arrivée d’un modèle comme MDGNN-LLM donne aux autorités un outil supplémentaire pour suivre des flux qui traversent les frontières sans passer par les circuits bancaires habituels.

Le sujet dépasse la seule question du Bitcoin. Les transactions crypto sont devenues un terrain d’enquête pour des dossiers de fraude, de rançongiciel, de contournement de sanctions, de jeux illégaux ou d’escroqueries en ligne. Les services spécialisés cherchent à relier des adresses à des infrastructures techniques, des plateformes ou des groupes organisés. Une IA capable de repérer des schémas récurrents peut accélérer le début d’une enquête, surtout quand les volumes sont importants.

Sur le plan policier, l’enjeu est aussi celui de la coopération. Une adresse peut être créée en quelques secondes, tandis qu’une demande officielle adressée à une plateforme étrangère prend souvent bien plus de temps. Le traçage algorithmique permet de prioriser les dossiers avant les démarches juridiques. Les autorités peuvent identifier les points de sortie, notamment les plateformes où les cryptos sont converties en monnaie classique, puis concentrer leurs demandes sur ces intermédiaires.

Mais cette montée en puissance pose des questions de libertés publiques. La blockchain étant ouverte, les outils de surveillance peuvent cartographier des comportements financiers même quand aucune infraction n’est établie. Le risque augmente si les alertes produites par l’IA sont traitées comme des certitudes. Dans un pays où le contrôle numérique occupe déjà une place centrale, le développement d’un outil policier spécialisé dans les transactions crypto alimente un débat plus large sur l’équilibre entre sécurité, confidentialité et contrôle politique.

Les plateformes crypto face à une surveillance plus automatisée

Pour les plateformes d’échange, les courtiers et les prestataires crypto, l’annonce chinoise confirme une tendance lourde. La conformité devient de plus en plus automatisée. Les procédures de connaissance client, la détection des adresses à risque et les contrôles de lutte contre le blanchiment mobilisent déjà des logiciels spécialisés. Un modèle plus performant peut renforcer ces dispositifs, mais il peut aussi accentuer la pression réglementaire sur les acteurs qui conservent une approche plus légère.

Le risque principal tient aux faux positifs. Une adresse peut recevoir des fonds contaminés sans que son propriétaire ait participé à une activité illégale. Dans certains cas, quelques fractions de Bitcoin suffisent à déclencher une alerte chez un prestataire prudent. Si les outils deviennent plus puissants mais moins explicables, des utilisateurs peuvent voir leurs retraits bloqués ou leurs comptes examinés sans comprendre l’origine du soupçon. Les plateformes devront donc documenter leurs décisions avec rigueur.

Les défenseurs de la vie privée surveillent aussi ces progrès avec attention. Les solutions de traçage, surtout quand elles croisent données publiques et informations détenues par des plateformes centralisées, peuvent réduire l’anonymat pratique des utilisateurs. Bitcoin n’est pas anonyme au sens strict, il est pseudonyme. Dès qu’une adresse est reliée à une identité, l’historique financier peut devenir lisible sur une longue période. Une IA spécialisée rend cette lecture plus rapide et plus accessible aux organisations dotées de moyens techniques.

Cette évolution place les acteurs crypto devant une tension durable. Les autorités veulent identifier les flux criminels, les entreprises cherchent à éviter les sanctions, les utilisateurs réclament une protection de leurs données. L’outil annoncé par l’université nationale de police chinoise ne règle pas cette tension, il la rend plus visible. À mesure que les modèles d’analyse progressent, les débats porteront moins sur la possibilité de surveiller Bitcoin que sur les limites juridiques, techniques et politiques de cette surveillance.