¿Cómo puede el KYC impulsado por IA reducir el riesgo asimétrico para los bancos?

John Flowers se desempeña como Global Head of Financial Markets en eClerx. Con más de 30 años de experiencia en el sector de servicios de tecnología financiera, ha ocupado diversos cargos ejecutivos tanto en el lado tecnológico del negocio como en el que atiende directamente a clientes.

¡Descubre las principales noticias y eventos de 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, las fintech y otras empresas altamente reguladas. Una revisión incompleta de la diligencia debida sobre un solo cliente que no detecta su participación en el blanqueo de capitales u otros delitos puede derivar en multas de varios millones de dólares, daño reputacional y medidas regulatorias en los niveles más altos del liderazgo. Como incluso pequeños errores pueden producir estas consecuencias desproporcionadas, eliminar pequeñas brechas en los procesos de conozca a su cliente (KYC) es esencial para proteger tanto a las instituciones como a sus partes interesadas.

Tradicionalmente, el cumplimiento eficaz de KYC y la lucha contra el blanqueo de capitales (AML) han requerido una evaluación integral del riesgo del cliente durante la incorporación, seguida de un monitoreo programado de cambios en el perfil de riesgo o en el comportamiento, a menudo mediante procesos excepcionalmente manuales que son propensos a provocar 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.

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

Están ocurriendo errores operativos y sanciones a pesar de la importante inversión de los bancos en procesos y soluciones de AML/KYC. Juniper Research fijó el gasto global en KYC de 2024 en $30,8 mil millones el año pasado. Aun así, muchas instituciones siguen dependiendo del procesamiento manual y 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 mediante 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 utilizan tecnología avanzada para evitar ser detectados por los procesos de KYC y AML. Con IA y datos robados o falsos de identidad, pueden crear documentos e historiales que parecen lo bastante reales como para engañar a analistas y sistemas automatizados básicos.

Añadir 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 de clientes

Como parte del proceso KYC, las empresas proporcionan a los clientes nuevos 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 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 eficazmente y solicitar la información adecuada en función de regulaciones específicas de las jurisdicciones aplicables. El resultado es un proceso de incorporación más rápido, con menos propensión 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 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 señalar a clientes cuyos documentos o historiales financieros parecen falsos o robados, incluso si para los analistas humanos se ven legítimos. 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 en el mundo real y levantan alertas cuando aparecen discrepancias para que los analistas puedan investigar.

3. Supervisión KYC y AML en tiempo real

Mantener los datos de los clientes después de la incorporación es un proceso que no termina. 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 perder 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 los nuevos datos indiquen un cambio en el perfil de riesgo.

4. Cumplimiento y reporte

Las soluciones integrales de incorporación y monitoreo también brindan a los bancos las perspectivas de datos que necesitan para evaluar el cumplimiento AML, identificar áreas de mejora y generar informes para las partes interesadas internas y para los reguladores. Las soluciones de reporte con GenAI no se limitan a ingerir grandes cantidades de datos y responder preguntas. También pueden enseñarse para mostrar la información procesada mediante gráficos y diagramas intuitivos, en paneles y en reportes. Esta visibilidad permite que el liderazgo bancario identifique y detenga problemas emergentes antes de que se conviertan en problemas mayores.

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

Los sistemas de automatización habilitada por GenAI y 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 requerir una reestructuración importante ni un proceso de integración largo. Esto permite a las instituciones obtener más valor de sus inversiones en IA con el paso 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 en 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 disponer rápidamente de la información actual que necesitan para seguir y hacer cumplir consistentemente las 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 de forma drástica 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 cada vez más escrutando el papel de las instituciones financieras en el delito internacional, y los criminales se vuelven 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 refuercen su protección ahora y en el futuro.