Fraude au paiement à la livraison, abus de retours et paiements IA sur Shopify

La fraude en ecommerce paraissait autrefois plus simple. Un marchand se préoccupait surtout des cartes volées, des adresses de facturation suspectes et des chargebacks. Ces risques comptent toujours, mais le problème s’est élargi.

Pour les boutiques Shopify, la fraude peut désormais apparaître avant le checkout, pendant le checkout, à la livraison et après l’expédition de la commande. Les commandes en paiement à la livraison peuvent sembler légitimes jusqu’au moment où le transporteur n’arrive pas à joindre le client. Les demandes de retour peuvent inclure des preuves convaincantes mais trompeuses. Les chargebacks peuvent venir d’une confusion sincère, d’un regret d’achat ou d’un abus délibéré. Les paiements IA et les agents d’achat changent aussi la façon dont les commandes peuvent être créées, autorisées et examinées.

L’enjeu n’est pas seulement d’arrêter la fraude. Le vrai défi consiste à la bloquer sans nuire à la conversion. Quand les contrôles antifraude sont trop larges, ils peuvent créer exactement les problèmes qu’ils sont censés éviter. Des étapes supplémentaires au checkout peuvent faire baisser la conversion, une gestion trop stricte des retours peut affaiblir la confiance des clients, et des règles trop prudentes sur le paiement à la livraison peuvent bloquer de vrais acheteurs sur des marchés où ce mode de paiement reste important pour rassurer au moment de l’achat.

La bonne réponse, c’est une vérification ciblée : ajouter les bons contrôles uniquement là où le niveau de risque le justifie. Ce guide explique comment les marchands Shopify peuvent gérer la fraude au paiement à la livraison, les abus de retours, les chargebacks et les risques liés aux paiements IA avec des mesures concrètes qui protègent la marge tout en laissant avancer les clients honnêtes.

Pourquoi le risque de paiement et d’après-achat évolue

Le risque en ecommerce devient de plus en plus interconnecté sur l’ensemble du cycle de commande. Une fausse commande en paiement à la livraison affecte la préparation, le coût d’expédition, le temps du transporteur, la disponibilité du stock et les coûts de retour à l’expéditeur. Une réclamation abusive sur un retour affecte la politique de remboursement, la charge du support, le contenu produit, l’examen antifraude et la rentabilité.

En 2026, trois évolutions comptent particulièrement pour les équipes Shopify.

D’abord, les abus après achat deviennent plus sophistiqués. Practical Ecommerce a indiqué que l’IA générative peut servir à créer de fausses photos de produits endommagés, de faux justificatifs d’expédition et d’autres preuves falsifiées pour des demandes de remboursement. Cela ne veut pas dire que chaque retour inhabituel est frauduleux, mais cela signifie que les marchands ont besoin de processus de preuve plus solides pour les réclamations les plus risquées.

Ensuite, la fraude au retour devient plus organisée et plus difficile à gérer avec des politiques uniformes. La discussion de la NRF sur la fraude au retour avec Happy Returns décrit un passage d’abus isolés à des schémas plus adaptatifs et coordonnés, tout en soulignant la nécessité d’équilibrer prévention de la fraude et fidélité client.

Enfin, l’IA et les paiements agentiques poussent le commerce vers des parcours d’achat plus automatisés. Les réseaux de paiement et les prestataires construisent déjà des infrastructures pour des transactions assistées par IA ou initiées par des agents, notamment Visa Intelligent Commerce, Mastercard Agent Pay et PayPal Agentic Commerce Services. Pour les marchands, cela soulève des questions très concrètes autour de l’identité, du consentement, de l’autorisation de paiement, de l’origine de la commande et des contrôles de remboursement.

La question centrale n’est plus seulement : « Cette commande est-elle frauduleuse ? » Elle devient plus opérationnelle : « Quel niveau de vérification cette commande mérite-t-elle avant que nous engagions des coûts pour l’exécuter ? »

Commencez par cartographier les risques

Avant d’ajouter de nouveaux outils ou de durcir vos politiques, identifiez où le risque apparaît dans votre boutique. Pour les marchands Shopify, il se manifeste généralement à cinq endroits.

• Avant le checkout : trafic de bots, faux comptes clients, envois répétés de formulaires, abus de réductions ou comportement de navigation suspect.
• Au checkout : informations client incohérentes, tentatives de paiement risquées, montant de commande inhabituel, adresses de livraison suspectes, paiements refusés à répétition ou commandes en paiement à la livraison à haut risque.
• Avant l’expédition : numéros de téléphone non vérifiés, clients injoignables, codes postaux risqués, commandes en double, schémas d’adresse suspects ou commandes nécessitant une confirmation manuelle.
• Après la livraison : chargebacks, réclamations « article non reçu », déclarations de produit endommagé, abus de retours, réclamations de colis vide ou retours excessifs d’un même client.
• Sur les parcours assistés par IA : comportement de commande automatisé, autorisation peu claire, création de panier par un agent, combinaisons de produits inhabituelles ou demandes de remboursement formulées à l’aide de messages ou de preuves générés par IA.

Une cartographie des risques aide l’équipe à éviter les réactions excessives. Toutes les commandes n’ont pas besoin du même niveau de contrôle. Un client fidèle qui achète un produit familier depuis une zone connue ne devrait pas subir la même friction qu’un nouveau client en paiement à la livraison qui passe une commande de forte valeur depuis une région où les échecs de livraison sont fréquents.

Utilisez une échelle de vérification basée sur le risque

Une vérification basée sur le risque consiste à adapter le contrôle au niveau de risque. Une échelle simple peut aider.

• Commandes à faible risque
  Approuvez automatiquement. Gardez un checkout et une exécution rapides. N’ajoutez pas de vérification inutile.
• Commandes à risque moyen
  Ajoutez des contrôles légers. Utilisez la confirmation par téléphone, la vérification OTP, des messages clairs de confirmation du paiement à la livraison ou des règles d’examen automatisées.
• Commandes à haut risque
  Mettez-les en attente avant l’expédition. Exigez une confirmation plus forte, limitez le paiement à la livraison, proposez uniquement des options prépayées, demandez des détails de livraison supplémentaires ou envoyez la commande en revue manuelle.
• Schémas abusifs ou risques répétés
  Appliquez des tags client, limitez les moyens de paiement, exigez un prépaiement, restreignez les remboursements instantanés ou examinez les demandes de retour avant approbation.

Cette approche protège les bons clients. Elle rend aussi les contrôles antifraude plus faciles à expliquer en interne, car l’équipe n’applique pas la même règle à tous les acheteurs.

La NRF et Happy Returns défendent une idée similaire dans leur discussion sur la fraude au retour : la meilleure stratégie n’est ni sans friction pour tout le monde ni restrictive pour tout le monde, mais fluide pour les acheteurs fiables et plus exigeante de façon sélective pour les retours risqués.

Fraude au paiement à la livraison : contrôlez l’accès avant l’expédition

Le paiement à la livraison n’est pas le problème. Le problème, c’est un paiement à la livraison sans contrôle. Il peut améliorer la conversion sur les marchés où les clients préfèrent payer à la porte ou là où la confiance dans le prépaiement en ligne est encore en construction. Mais comme la boutique paie l’exécution avant d’encaisser l’argent, les commandes échouées en paiement à la livraison peuvent rapidement rogner la marge.

Les risques courants liés au paiement à la livraison incluent :

• faux noms ou faux numéros de téléphone
• clients injoignables
• commandes en double
• refus de livraison intentionnel
• commandes malveillantes ou pour plaisanter
• codes postaux à haut risque
• clients qui échouent régulièrement à la livraison
• commandes contenant des produits coûteux à expédier ou difficiles à remettre en stock
• commandes en paiement à la livraison passées sans réelle intention d’achat

La première ligne de défense, c’est la vérification de commande. Une boutique Shopify doit collecter suffisamment d’informations pour confirmer que l’acheteur est réel et joignable : nom, numéro de téléphone, adresse, ville, code postal et toute précision de livraison nécessaire sur ce marché. Pour les commandes les plus risquées, une vérification par téléphone ou par OTP peut confirmer que le client contrôle bien le moyen de contact associé à la commande.

La deuxième ligne de défense, c’est le contrôle de visibilité du paiement à la livraison. Ce mode de paiement ne doit pas forcément être disponible pour chaque produit, région, montant de panier, client ou mode d’expédition. Certaines commandes se prêtent mieux à un checkout prépayé, surtout si elles sont de forte valeur, lourdes, souvent refusées ou difficiles à revendre après retour.

Règles utiles pour le paiement à la livraison :

• afficher le paiement à la livraison uniquement dans certains pays ou certaines régions
• masquer le paiement à la livraison pour les codes postaux à haut risque
• restreindre le paiement à la livraison pour certains produits
• exiger un checkout prépayé au-delà d’un certain montant de panier
• proposer le paiement à la livraison uniquement aux clients avec un historique de commande sain
• masquer le paiement à la livraison pour les clients identifiés comme à risque de livraisons échouées répétées
• attribuer des tarifs d’expédition spécifiques aux commandes en paiement à la livraison
• ajouter des frais de paiement à la livraison lorsque c’est pertinent sur le plan opérationnel
• exiger une confirmation avant l’expédition

C’est là qu’un outil comme Progus COD Form s’intègre naturellement au workflow. Progus COD Form prend en charge des formulaires de commande rapides pour le paiement à la livraison et des règles intelligentes de visibilité, afin d’aider les marchands à contrôler qui peut utiliser ce mode de paiement selon le client, la localisation, le panier, le produit et les conditions de checkout. Pour voir pas à pas comment configurer ces conditions par pays, code postal, montant de panier et tag client, consultez notre guide sur les règles intelligentes de paiement à la livraison.

Rendre la vérification OTP claire et sûre

La vérification OTP est utile, mais elle doit être communiquée avec soin. Les clients doivent comprendre pourquoi on leur demande de confirmer une commande. Le message doit être court, à l’image de la marque et clairement lié à l’achat. Évitez les messages vagues qui pourraient être confondus avec une arnaque.

Une bonne formulation de confirmation est directe : « Confirmez votre commande en paiement à la livraison avec ce code à usage unique avant son expédition. »

Évitez les messages qui demandent aux clients de partager un code avec un livreur, un numéro inconnu ou un canal non officiel. Sur les marchés où les arnaques à l’OTP sont fréquentes, il est utile d’ajouter une consigne simple dans les messages de commande : « Saisissez ce code uniquement dans notre parcours officiel de confirmation de commande. Notre équipe ne vous demandera jamais de le communiquer par téléphone. »

Cela protège à la fois le marchand et le client. Et cela évite que la vérification paraisse suspecte. Pour aller plus loin sur les cas où l’OTP vaut la friction, la façon de le configurer et les indicateurs à suivre, consultez notre guide sur la manière dont la vérification OTP sécurise les commandes en paiement à la livraison.

Abus de retours : distinguer les retours légitimes des schémas à risque

Les politiques de retour existent parce que les clients honnêtes en ont parfois besoin. La taille ne convient pas. Le produit arrive endommagé. Les attentes ne correspondent pas à la réalité. Des erreurs de livraison se produisent.

Un processus de retour sain doit protéger la confiance des clients. Mais l’abus de retours, c’est autre chose. Il s’agit de comportements répétés ou de réclamations malhonnêtes qui transforment une politique pensée pour le client en fuite de marge.

Formes courantes d’abus de retours :

• wardrobing, c’est-à-dire utiliser un produit puis le retourner
• fausses déclarations de produit endommagé
• réclamations de colis vide
• demandes de remboursement sans retour de l’article
• réclamations répétées de type « article non reçu »
• retour d’un article différent
• comportement de retours en série
• manipulation des politiques via plusieurs comptes
• preuves générées ou modifiées par IA

L’abus de retours peut aussi prendre des formes coordonnées. Un même client, un même schéma de compte ou un même réseau peut exploiter la politique sous plusieurs angles à la fois : réclamations répétées, écarts suspects entre produits, preuves incohérentes ou comportement de retour qui paraît normal pris isolément mais devient risqué lorsqu’on l’examine sur l’historique complet des commandes. C’est pourquoi les workflows de retour doivent regarder à la fois la réclamation individuelle et le profil global du client.

L’erreur de nombreux marchands consiste à répondre par une politique plus dure pour tout le monde. Cela peut réduire les abus, mais aussi faire baisser la conversion et le réachat. Une meilleure approche consiste à garder des retours simples pour les clients de confiance et à n’ajouter de la vérification que lorsque la réclamation ou l’historique client le justifie.

Par exemple :

• Retour à faible risque : client récurrent, motif de retour normal, produit retourné dans l’état attendu.
  Action : traiter rapidement.
• Retour à risque moyen : nouveau client, produit coûteux, déclaration de dommage vague.
  Action : demander des photos, le contexte de la commande et une autorisation de retour.
• Retour à haut risque : demandes de remboursement répétées, preuves incohérentes, comptes multiples, produit de forte valeur ou timing inhabituel.
  Action : examiner manuellement, exiger une inspection du retour, limiter le remboursement instantané ou proposer un avoir lorsque c’est pertinent.

Cela permet de conserver une expérience de retour favorable au client tout en protégeant l’entreprise.

Mettre en place un meilleur processus de preuve pour les retours

Les preuves générées par IA changent le traitement des retours, car les images, les messages et les explications justificatives peuvent être fabriqués ou modifiés plus facilement. Cela ne signifie pas que les marchands doivent rejeter les preuves fournies par les clients. Cela signifie qu’ils doivent demander des éléments plus difficiles à falsifier et plus faciles à relier à la commande concernée.

Un processus de preuve plus solide pour les retours peut inclure :

• numéro de commande et confirmation de l’identité du client
• codes motif clairs
• photo du produit avec son emballage
• photo de l’étiquette d’expédition
• photo ou vidéo montrant le problème sous plusieurs angles
• numéro de série, numéro de lot ou marquage unique du produit lorsque c’est pertinent
• délai limite pour les déclarations de dommage après la livraison
• notes d’inspection du retour
• notes du support liées à la fiche de commande

Pour les catégories à haut risque, une vidéo peut être plus utile qu’une simple image. Pour les produits avec numéro de série ou identifiant unique, reliez le retour à l’article exact qui a été expédié. Pour l’habillement, collectez des codes motif liés à la coupe et à la taille afin que ces données puissent aussi améliorer les pages produit.

L’objectif n’est pas de compliquer tous les retours. L’objectif est de créer une trace de preuve lorsque le risque est plus élevé.

Éviter certains retours avant qu’ils n’arrivent

Une stratégie contre les abus de retours ne doit pas se concentrer uniquement sur la détection de fraude. Beaucoup de retours coûteux commencent par une information produit peu claire. Si les clients comprennent mal la taille, la couleur, la compatibilité, le délai de livraison, le contenu du produit ou les conditions d’abonnement, le volume de retours augmente même sans fraude.

Les boutiques Shopify peuvent réduire les retours légitimes en améliorant :

• les images produit
• les guides des tailles
• les noms de variantes
• les notes de compatibilité
• les promesses de livraison
• les dimensions du produit
• les détails sur les matériaux et l’entretien
• le contenu des bundles
• les conditions d’abonnement
• la visibilité de la politique de retour
• les avis clients et les preuves produit

Cela se relie directement à l’optimisation des pages produit. Une page produit plus claire n’améliore pas seulement la conversion. Elle peut aussi réduire les retours évitables.

L’IA peut aussi aider ici, mais seulement si les données produit sont fiables. Si votre catalogue, vos variantes, vos politiques et votre disponibilité sont déjà prêts pour le shopping assisté par IA, cette même clarté peut aussi réduire les achats mal compris et améliorer les workflows du support.

Chargebacks : préparez les preuves avant d’en avoir besoin

Les chargebacks deviennent souvent pénibles parce que la boutique essaie de rassembler les preuves après le début du litige. Une meilleure approche consiste à capturer des preuves propres tout au long du cycle de commande.

Preuves utiles en cas de chargeback :

• confirmation de commande
• coordonnées de facturation et de livraison
• données d’autorisation du paiement
• communications avec le client
• confirmation de livraison
• historique de suivi
• preuve d’exécution de la commande
• acceptation de la politique de retour
• historique des remboursements ou remplacements
• historique du compte client
• signaux liés à l’appareil, à l’IP ou à l’analyse antifraude lorsque disponibles

Le propre guide de Shopify sur la gestion de la fraude en ecommerce présente la prévention de la fraude comme une discipline opérationnelle à l’ère de l’IA, qui inclut l’analyse de fraude, la protection contre les chargebacks, l’automatisation et les workflows de revue. Pour les marchands, la leçon pratique est simple : n’attendez pas qu’un litige commence pour décider quelles preuves comptent.

Pour les commandes prépayées, les marchands Shopify doivent surveiller l’analyse de fraude, les signaux de la passerelle de paiement, les tentatives de paiement échouées, les schémas de commande inhabituels et les incohérences d’adresse. Pour les commandes à haut risque, l’expédition peut être retardée jusqu’à ce que l’équipe ait examiné la commande.

L’objectif n’est pas de contester chaque litige à l’aveugle. L’objectif est d’avoir suffisamment de preuves pour prendre rapidement une bonne décision : accepter, rembourser, contester, bloquer un risque futur ou améliorer la politique.

Paiements IA : préparez-vous à de nouveaux signaux de commande

Les paiements IA et le commerce agentique sont encore en développement, mais la direction est claire : davantage de transactions pourraient être influencées, préparées ou initiées par des agents IA.

Pour les marchands, cela crée de nouvelles questions opérationnelles :

• Le client a-t-il donné une autorisation claire ?
• Quelle plateforme ou quel agent a initié le parcours ?
• Quel moyen de paiement a été utilisé ?
• La commande a-t-elle été créée par un humain, un assistant ou un flux automatisé ?
• Les remboursements, remises ou substitutions sont-ils autorisés sans validation humaine ?
• Le client peut-il comprendre et confirmer les détails de l’achat ?
• Les systèmes antifraude reconnaîtront-ils un comportement d’agent légitime ?
• Une automatisation abusive pourrait-elle exploiter le checkout, les remises ou les politiques de retour ?

Visa explique que ses travaux sur le commerce intelligent visent à prendre en charge des transactions initiées par IA de manière sécurisée grâce à des identifiants de paiement, des contrôles, de l’authentification et des protections. Mastercard présente Agent Pay comme une infrastructure pour des paiements agentiques de confiance, avec notamment des notions de visibilité et de « Know your agent ». Les contenus de PayPal sur le commerce agentique positionnent ses services autour des expériences d’achat par IA, de la découverte du catalogue, de la gestion du panier, du checkout et de la confiance dans le paiement.

Les marchands n’ont pas besoin de résoudre seuls tout l’écosystème des paiements agentiques. En revanche, ils ont besoin de règles internes claires sur ce que les commandes assistées par IA peuvent ou ne peuvent pas faire.

Point de départ pratique :

• ne laissez pas les systèmes d’IA approuver des remboursements sans seuils de contrôle
• ne laissez pas les agents IA appliquer des remises illimitées
• surveillez une vélocité de commande inhabituelle
• repérez l’utilisation répétée des mêmes données client sur plusieurs comptes
• gardez des politiques produit, paiement, livraison et retour claires
• rendez les règles de remboursement et d’annulation lisibles par machine lorsque c’est possible
• distinguez les clients de confiance des comportements inconnus ou risqués
• examinez les nouveaux moyens de paiement avant de les activer pour tous les types de produits

Les paiements IA ne doivent pas être considérés comme automatiquement risqués. Ils doivent être traités comme une nouvelle source de commandes qui exige visibilité, authentification et contrôles de politique.

Utilisez les tags et les données pour rendre le risque visible

Les contrôles de risque ne fonctionnent que si les équipes voient les mêmes informations.

Les marchands Shopify devraient envisager de taguer ou d’enregistrer des signaux de risque clés, par exemple :

• client paiement à la livraison vérifié
• échec de vérification paiement à la livraison
• refus de livraison répétés
• code postal à haut risque
• client fidèle de confiance
• revue manuelle requise
• revue pour abus de retours
• historique de chargebacks
• commande de forte valeur
• remplacement déjà émis
• preuves de retour collectées
• client prépaiement uniquement

Ces signaux doivent être utilisés avec précaution. Un tag ne doit pas pénaliser un client indéfiniment à cause d’un seul incident. Mais des signaux structurés aident les équipes support, logistique et revue antifraude à prendre des décisions cohérentes.

Ils rendent aussi l’automatisation plus sûre. Un workflow peut mettre en attente les commandes dont la vérification a échoué, alerter l’équipe sur des demandes de retour répétées ou restreindre la visibilité du paiement à la livraison pour les clients ayant plusieurs tentatives de livraison échouées.

Sans données structurées, les décisions de risque reposent sur la mémoire humaine. Ce n’est pas scalable.

Indicateurs à suivre

La prévention de la fraude doit être mesurée comme une fonction business, pas seulement comme une tâche de sécurité.

Suivez des indicateurs comme :

• taux de vérification des commandes en paiement à la livraison
• taux d’échec de vérification des commandes en paiement à la livraison
• taux de retour à l’expéditeur
• taux d’annulation des commandes en paiement à la livraison
• taux de conversion du prépaiement
• taux de chargebacks
• taux de gain sur les contestations de chargeback
• taux de retour par produit
• motif de retour par SKU
• taux d’approbation des remboursements instantanés
• tickets support liés au paiement à la livraison ou aux retours
• annulations dues à des faux positifs

Les faux positifs comptent. Si les règles de risque bloquent trop de bons clients, la boutique peut protéger sa marge à un endroit tout en perdant du chiffre d’affaires ailleurs.

Un bon playbook de risque doit réduire les mauvaises commandes sans rendre les bonnes plus difficiles.

Checklist pratique de préparation au risque

Utilisez cette checklist comme un test de maturité, pas seulement comme une liste d’outils.

Le risque lié au paiement à la livraison est sous contrôle lorsque :

• Chaque commande en paiement à la livraison a un statut de vérification clair avant l’expédition.
• Le paiement à la livraison n’est disponible que là où la boutique accepte d’absorber le risque de livraison.
• Les régions, produits, montants de panier ou tags client à haut risque déclenchent des règles différentes.
• L’équipe peut voir pourquoi une commande en paiement à la livraison a été acceptée, mise en attente ou restreinte.
• Les coûts liés aux échecs de livraison et aux retours à l’expéditeur sont examinés régulièrement.
• Les messages de confirmation destinés aux clients sont clairs, cohérents avec la marque et sûrs.

L’abus de retours est sous contrôle lorsque :

• Chaque retour a un code motif qui peut être analysé par SKU et par catégorie.
• Les clients de confiance conservent un parcours de retour rapide.
• Les réclamations plus risquées ont des exigences de preuve avant l’approbation du remboursement.
• Les déclarations de dommage peuvent être reliées à la commande, au colis et à l’article précis.
• Les données de retour servent à améliorer les pages produit, les guides de taille, les images et la clarté des politiques.
• Les équipes support savent quand approuver, escalader, inspecter ou retarder un remboursement.

Le risque de paiement et de chargeback est sous contrôle lorsque :

• Les commandes prépayées à haut risque sont examinées avant l’expédition, pas après le chargeback.
• Les preuves utiles en cas de chargeback sont capturées pendant le parcours de commande.
• Les pouvoirs de remboursement, de remise et d’annulation ont des seuils clairs.
• Les nouveaux moyens de paiement sont examinés avant un déploiement large.
• Les commandes assistées par IA sont taguées ou surveillées comme une source distincte lorsque c’est possible.
• L’équipe examine à la fois les pertes dues à la fraude et l’impact des faux positifs.

Le playbook fonctionne lorsque :

• Les pertes liées à la fraude baissent sans chute majeure du taux de finalisation du checkout.
• La vérification des commandes en paiement à la livraison s’améliore sans générer un volume de support inutile.
• L’abus de retours est examiné de manière sélective, sans suspicion généralisée.
• Les clients fidèles ne sont pas pénalisés à cause du comportement de comptes risqués.
• Les équipes support, logistique et finance utilisent les mêmes définitions du risque.

En conclusion

La fraude au paiement à la livraison, l’abus de retours, les chargebacks et les paiements IA ne doivent pas être gérés comme des problèmes séparés. Ils font tous partie d’un même système de risque : qui achète, comment la personne paie, si la commande doit être expédiée et ce qui se passe si le client demande à être remboursé.

Pour les marchands Shopify, la meilleure défense reste une meilleure prise de décision. Laissez les clients de confiance avancer rapidement, ajoutez une vérification légère lorsque la commande présente un risque modéré, et ne bloquez ou ne restreignez que les commandes qui montrent des signaux de risque plus forts. Un playbook de risque solide protège à la fois la marge et la confiance.

Si le paiement à la livraison est un élément important de votre checkout Shopify, Progus COD Form peut vous aider à avancer plus vite sur les fondamentaux abordés ici : formulaires de commande vérifiés, confirmation OTP et règles de visibilité qui n’ajoutent des contrôles supplémentaires que là où le risque le justifie.