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

John Flowers se desempeña como Director Global de Mercados Financieros en eClerx. Con más de 30 años de experiencia en el sector de servicios de tecnología financiera, ha ocupado diversos cargos ejecutivos tanto en la parte tecnológica del negocio como en el lado orientado a clientes.

¡Descubre las principales noticias y eventos de fintech!

Suscríbete al boletín de FinTech Weekly

Leen ejecutivos de JP Morgan, Coinbase, Blackrock, Klarna y más

El riesgo asimétrico representa una amenaza constante para bancos, fintechs y otras empresas altamente reguladas. Una revisión incompleta de la diligencia debida sobre un solo cliente que no detecta su participación en lavado de dinero u otros delitos puede derivar en multas de varios millones de dólares, daños reputacionales y acciones regulatorias en los niveles más altos de la dirección. Debido a que incluso pequeños errores pueden producir estas consecuencias desproporcionadas, eliminar brechas pequeñas en los procesos de verificación de identidad del cliente (KYC) es esencial para proteger tanto a las instituciones como a sus partes interesadas.

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

¿Qué funciones cumple la IA en la reducción del riesgo de KYC/AML?

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

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

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

1. Experiencia de incorporación del cliente

Como parte del proceso de KYC, las firmas proporcionan a los nuevos clientes una lista de los documentos y datos requeridos que no pueden verificar de forma 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, quienes entonces 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 con base en regulaciones específicas de las jurisdicciones aplicables. El resultado es un proceso de incorporación más rápido, menos propenso a errores causados por alguien que marca la casilla equivocada o envía documentos que no corresponden con los requisitos locales e internos. Esto puede detener brechas de datos y errores antes de que entren en el sistema.

2. Detección de fraude de identidad

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

3. Supervisión en tiempo real de KYC y AML

Mantener los datos de los clientes después de la incorporación es un proceso interminable. Supervisar las actividades de los clientes con la institución, escanear noticias adversas sobre ellos y comprender cualquier cambio en sus redes de negocio es fundamental para evitar pasar por alto señales de un cambio en el perfil de riesgo del cliente. Los modelos GenAI pueden orquestar este tipo de supervisión en tiempo real al ingerir datos de múltiples plataformas y fuentes de datos, establecer un perfil base de riesgo para cada cliente y emitir alertas cuando nuevos datos indiquen un cambio en el perfil de riesgo.

4. Cumplimiento y reportes

Las soluciones integrales de incorporación y monitoreo también brindan a los bancos los conocimientos sobre datos que necesitan para evaluar el cumplimiento de AML, identificar áreas de mejora y generar reportes para partes interesadas internas y reguladores. Las soluciones de reporteo con GenAI no se limitan a ingerir grandes cantidades de datos y responder preguntas. También se les puede enseñar a mostrar la información procesada usando gráficos y diagramas intuitivos, en paneles de control y en reportes. Esta visibilidad permite a la alta dirección del banco identificar y detener problemas emergentes antes de que se conviertan en problemas mayores.

** 5. Adaptarse a cambios tecnológicos y regulatorios**

Los sistemas de GenAI y de automatización habilitada por IA aprenden de sus entradas. Eso significa que pueden entrenarse para adaptarse cuando los bancos conectan nuevas fuentes de datos y plataformas tecnológicas, sin necesidad de una reconfiguración importante de la plataforma ni un proceso de integración largo. Esto permite a las instituciones obtener más valor de sus inversiones en IA a lo largo del tiempo.

La capacidad de aprendizaje de la IA también facilita que los bancos actualicen sus requisitos cuando cambian las regulaciones. Entrenar y probar modelos de KYC con IA con nuevas directrices normalmente toma menos tiempo que actualizar manualmente plataformas que no son de IA. Además, es más rápido que entrenar analistas con nuevas directrices. La IA incluso puede ayudar con este entrenamiento, respondiendo preguntas simples o resumiendo los cambios en formatos fáciles de leer. Los analistas pueden obtener rápidamente la información actual que necesitan para seguir y aplicar de forma consistente nuevas políticas.

Reducir el riesgo asimétrico en KYC/AML con IA

Las herramientas de KYC y AML impulsadas por IA representan el futuro de la gestión del riesgo financiero. Pueden limitar con fuerza la exposición de los bancos a riesgos asimétricos hoy, y también adaptarse a entornos tecnológicos y regulatorios en evolución para protegerse frente a amenazas futuras. Dado que los reguladores están aumentando la supervisión sobre el papel de las instituciones financieras en el crimen internacional, y los criminales se están volviendo más hábiles para 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 hacia el futuro.