¿Cómo puede la verificación de identidad impulsada por IA reducir el riesgo asimétrico para los bancos?

John Flowers se desempeña como el Director Global de Mercados Financieros en eClerx. Con más de 30 años de experiencia en el sector de servicios de tecnología financiera, ha ocupado varios roles ejecutivos tanto en la tecnología del negocio como en el lado de atención al cliente.

¡Descubre las principales noticias y eventos fintech!

Suscríbete al boletín de FinTech Weekly

Leído por ejecutivos de JP Morgan, Coinbase, Blackrock, Klarna y más

El riesgo asimétrico representa una amenaza constante para los bancos, fintechs y otras empresas altamente reguladas. Una revisión de debida diligencia incompleta sobre un solo cliente que pase por alto su participación en lavado de dinero u otros delitos puede llevar a multas de millones de dólares, daño reputacional y acciones regulatorias al más alto nivel de liderazgo. Debido a que incluso pequeños errores pueden producir estas consecuencias desproporcionadas, eliminar pequeños vacíos en los procesos de conocimiento del cliente (KYC) es esencial para proteger tanto a las instituciones como a sus partes interesadas.

Tradicionalmente, el cumplimiento efectivo de KYC y la prevención de lavado de dinero (AML) ha requerido una evaluación exhaustiva del riesgo del cliente durante la incorporación, seguida de un monitoreo programado para cambios en el perfil de riesgo o comportamiento, a menudo a través de procesos excepcionalmente manuales que son propensos a retrasos. Ahora, la IA y la automatización hacen posible fortalecer KYC y mejorar la supervisión de AML utilizando datos en tiempo real y permitiendo un enfoque más proactivo para la prevención del crimen financiero.

¿Cuáles son los roles de la IA en la reducción de riesgos KYC/AML?

Los errores operativos y las sanciones están ocurriendo a pesar de la sustancial inversión de los bancos en procesos y soluciones de AML/KYC. Juniper Research estimó que el gasto global en KYC para 2024 fue de $30.8 mil millones el año pasado. Sin embargo, muchas instituciones aún dependen del procesamiento manual y la actualización de datos de clientes, lo que retrasa la incorporación y los cambios que podrían señalar variaciones en el perfil de riesgo.

Automatizar algunos de estos procesos utilizando automatización de procesos robóticos (RPA) basada en reglas puede acelerar las cosas, pero puede generar altas tasas de falsos positivos que requieren más tiempo para revisiones manuales. Mientras tanto, los criminales están utilizando tecnología avanzada para evitar ser atrapados por los procesos de KYC y AML. Con datos de identidad robados o falsos, pueden crear documentos e historiales que parecen lo suficientemente reales como para engañar a los analistas y sistemas automatizados básicos.

Agregar automatización habilitada por IA y GenAI a RPA puede ayudar a los bancos a abordar estos desafíos de múltiples maneras.

1. Experiencia de incorporación del cliente

Como parte del proceso KYC, las empresas proporcionan a los nuevos clientes una lista de documentos y datos requeridos que no pueden verificar de manera independiente. Cuando estos requisitos no se comunican de manera efectiva, puede confundir a los clientes y retrasar las aprobaciones. Esto es especialmente cierto cuando la información solicitada no se alinea claramente con los requisitos regulatorios específicos de la(s) jurisdicción(es), creando trabajo adicional para los analistas que deben resolver las discrepancias.

Con un modelo de procesamiento de lenguaje natural de IA integrado en el proceso de incorporación, los bancos pueden comunicarse de manera efectiva y solicitar la información adecuada según las regulaciones específicas de las jurisdicciones aplicables. El resultado es un proceso de incorporación más rápido que es menos propenso a errores causados por alguien marcando la casilla incorrecta o presentando documentos que no corresponden a los requisitos locales e internos. Esto puede detener vacíos de datos y errores antes de que ingresen al sistema.

2. Detección de fraude de identidad

Los modelos de detección de identidad sintética y visión por computadora impulsados por IA pueden señalar a clientes cuyos documentos o historiales financieros parecen ser falsos o robados, incluso si parecen legítimos para los analistas humanos. Estas herramientas sintetizan datos de múltiples fuentes a lo largo del tiempo y pueden ver conexiones entre los datos que los humanos pasarían por alto, y que los motores de reglas tradicionales no pueden descifrar. Correlacionan rápidamente una identidad de cliente con actividad del mundo real y levantan alertas cuando aparecen discrepancias para que los analistas puedan investigar.

3. Monitoreo KYC y AML en tiempo real

Mantener los datos del cliente después de la incorporación es un proceso interminable. Monitorear las actividades de los clientes con la institución, escaneando noticias adversas sobre ellos y comprendiendo cualquier cambio en sus redes empresariales es crítico para evitar perder señales de un cambio en el perfil de riesgo del cliente. Los modelos de GenAI pueden orquestar este tipo de monitoreo en tiempo real al ingerir datos de múltiples plataformas y fuentes de datos, estableciendo un perfil de riesgo base para cada cliente y levantando alertas cuando nuevos datos indican un cambio en el perfil de riesgo.

4. Cumplimiento e informes

Las soluciones de incorporación y monitoreo integrales también brindan a los bancos las percepciones de datos que necesitan para evaluar el cumplimiento de AML, identificar áreas de mejora y generar informes para partes interesadas internas y reguladores. Las soluciones de informes de GenAI no están limitadas a ingerir grandes cantidades de datos y responder preguntas. También pueden ser entrenadas para mostrar la información procesada utilizando gráficos y cuadros intuitivos, en paneles de control y en informes. Esta visibilidad permite a la dirección del banco identificar y detener problemas emergentes antes de que se conviertan en problemas importantes.

5. Adaptándose a cambios tecnológicos y regulatorios

Los sistemas de automatización habilitados por GenAI y IA aprenden de sus entradas. Eso significa que pueden ser entrenados para adaptarse cuando los bancos conectan nuevas fuentes de datos y plataformas tecnológicas, sin requerir una reestructuración importante o un largo proceso de integración. Esto permite a las instituciones obtener más valor de sus inversiones en IA con el tiempo.

La capacidad de aprendizaje de la IA también facilita a los bancos actualizar sus requisitos cuando cambian las regulaciones. Entrenar y probar modelos de KYC de IA con nuevas directrices generalmente lleva menos tiempo que actualizar manualmente plataformas que no son de IA. También es más rápido que entrenar a los analistas en nuevas directrices. La IA puede ayudar con este entrenamiento también, respondiendo preguntas simples o resumiendo los cambios en formatos fáciles de leer. Los analistas pueden tener rápidamente la información actual que necesitan para seguir y hacer cumplir consistentemente nuevas políticas.

Reduciendo el riesgo asimétrico para KYC/AML con IA

Las herramientas de KYC y AML impulsadas por IA representan el futuro de la gestión de riesgos financieros. Pueden limitar drásticamente la exposición de los bancos a riesgos asimétricos hoy y también adaptarse a entornos tecnológicos y regulatorios en evolución para salvaguardar contra amenazas futuras. Con los reguladores cada vez más escrutando el papel de las instituciones financieras en el crimen internacional, y los criminales volviéndose más hábiles en evadir los controles tradicionales de KYC y AML, integrar IA en los flujos de trabajo de KYC y AML es la forma más efectiva para que las instituciones fortalezcan la protección ahora y en el futuro.