Lorsqu'un modèle d'IA prédit incorrectement une classe positive pour un cas qui est en réalité négatif (erreur de Type I).
Un scénario dans lequel le modèle signale des cas bénins comme malveillants — fréquent dans les domaines de la sécurité, de la fraude ou du dépistage médical. Des taux élevés de faux positifs peuvent submerger les équipes de relecture humaine, éroder la confiance et engendrer des coûts inutiles. La gouvernance exige de surveiller la précision, de définir des seuils acceptables et de mettre en œuvre des déclencheurs de revue humaine afin de regrouper ou de prioriser efficacement les alertes.
Une IA de détection de fraude à la carte de crédit présente un taux de faux positifs de 10 %, ce qui signifie qu’1 transaction légitime sur 10 est bloquée. La banque met en place une équipe d’intervention rapide pour examiner les faux positifs en moins de 5 minutes, ajuste les seuils du modèle afin de réduire les fausses alertes pendant les heures de forte affluence commerciale, et communique aux clients les règles de préautorisation afin de limiter les désagréments.
