¿Cómo puede el KYC impulsado 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 varios cargos ejecutivos tanto en el área de tecnología del negocio como en la atención al cliente.

¡Descubra las mejores noticias y eventos fintech!

Suscríbase 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, las fintechs y otras empresas fuertemente reguladas. Una revisión de diligencia debida incompleta de un solo cliente que pase por alto su implicación en el lavado de dinero u otros delitos puede dar lugar a multas multimillonarias, daños a la reputación y acciones regulatorias en los niveles más altos de liderazgo. Debido a que incluso pequeños errores pueden producir consecuencias desproporcionadas, eliminar las pequeñas brechas 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 lucha contra el lavado de dinero (AML) ha requerido una evaluación integral del riesgo del cliente durante la incorporación, seguida de un monitoreo programado de cambios en el perfil de riesgo o comportamiento, a menudo a través de procesos excepcionalmente manuales propensos a demoras. Ahora, la IA y la automatización permiten fortalecer KYC y mejorar la supervisión AML mediante el uso de datos en tiempo real y posibilitando un enfoque más proactivo para la prevención del delito financiero.

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

Los errores operativos y las sanciones ocurren a pesar de la inversión sustancial de los bancos en procesos y soluciones AML/KYC. Juniper Research estimó que el gasto global en KYC en 2024 fue de 30,8 mil millones de dólares el año pasado. Sin embargo, muchas instituciones aún dependen del procesamiento y actualización manual de los datos de los clientes, lo que ralentiza la incorporación y retrasa las actualizaciones que podrían señalar cambios en el perfil de riesgo.

Automatizar algunos de estos procesos mediante la automatización robótica de procesos (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 delincuentes utilizan tecnología avanzada para evitar ser detectados por los procesos KYC y AML. Con IA y datos de identidad robados o falsos, pueden crear documentos e historiales que parecen lo suficientemente reales como para engañar a los analistas y a los 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 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 que luego 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, menos propenso a errores causados por alguien que marca la casilla incorrecta o envía documentos que no corresponden a los requisitos locales e internos. Esto puede detener las brechas de datos y errores antes de que ingresen al sistema.

2. Detección de fraude de identidad

Los modelos de visión por computadora impulsados por IA y detección de identidad sintética pueden señalar a clientes cuyos documentos o historiales financieros parecen 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 la identidad de un cliente con la actividad del mundo real y generan alertas cuando aparecen discrepancias para que los analistas investiguen.

3. Monitoreo en tiempo real de KYC y AML

Mantener los datos del cliente después de la incorporación es un proceso interminable. Monitorear las actividades del cliente con la institución, buscar noticias adversas sobre ellos y comprender cualquier cambio en sus redes comerciales es fundamental para no perder señales de un cambio en el perfil de riesgo del cliente. Los modelos GenAI pueden orquestar este tipo de monitoreo en tiempo real al ingerir datos de múltiples plataformas y fuentes de datos, establecer un perfil de riesgo base para cada cliente y generar 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 la información de datos que necesitan para evaluar el cumplimiento AML, identificar áreas de mejora y generar informes para las partes interesadas internas y los reguladores. Las soluciones de informes GenAI no se limitan a ingerir grandes cantidades de datos y responder preguntas. También se les puede enseñar a mostrar la información procesada mediante gráficos y tablas intuitivos, en paneles de control y en informes. Esta visibilidad permite que la dirección del banco identifique y detenga problemas emergentes antes de que se conviertan en problemas importantes.

** 5. Adaptación a los cambios tecnológicos y regulatorios**

Los sistemas de automatización habilitados por IA y GenAI 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 re-plataforma importante ni un proceso de integración prolongado. 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 que los bancos actualicen sus requisitos cuando cambian las regulaciones. Capacitar y probar modelos de KYC de IA con nuevas directrices generalmente toma menos tiempo que actualizar manualmente plataformas no basadas en IA. También es más rápido que capacitar a analistas en nuevas directrices. La IA también puede ayudar con esta capacitación, respondiendo preguntas simples o resumiendo los cambios en formatos fáciles de leer. Los analistas pueden tener rápidamente la información actualizada que necesitan para seguir y hacer cumplir las nuevas políticas de manera consistente.

Reducción del 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 protegerse contra amenazas futuras. Con los reguladores examinando cada vez más el papel de las instituciones financieras en el crimen internacional, y los delincuentes volviéndose más hábiles para evadir los controles tradicionales de KYC y AML, integrar la 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.