Bagaimana AI-Driven KYC Dapat Mengurangi Risiko Asimetris bagi Bank?

John Flowers menjabat sebagai Kepala Global Pasar Keuangan di eClerx. Dengan lebih dari 30 tahun pengalaman di sektor layanan teknologi keuangan, ia telah memegang berbagai peran eksekutif di kedua sisi teknologi bisnis dan sisi yang berhubungan langsung dengan klien.

Temukan berita dan acara fintech teratas!

Langganan newsletter FinTech Weekly

Dibaca oleh eksekutif di JP Morgan, Coinbase, Blackrock, Klarna, dan lainnya

Risiko asimetris merupakan ancaman konstan bagi bank, fintech, dan bisnis lainnya yang sangat diatur. Tinjauan due diligence yang tidak lengkap pada satu pelanggan yang melewatkan keterlibatan mereka dalam pencucian uang atau kejahatan lainnya dapat mengakibatkan denda multimiliar dolar, kerusakan reputasi, dan tindakan regulasi di tingkat tertinggi kepemimpinan. Karena bahkan kesalahan kecil dapat menghasilkan konsekuensi yang luar biasa ini, menghilangkan celah kecil dalam proses kenali pelanggan (KYC) sangat penting untuk melindungi baik institusi maupun pemangku kepentingannya.

Secara tradisional, kepatuhan KYC dan anti-pencucian uang (AML) yang efektif memerlukan evaluasi menyeluruh terhadap risiko pelanggan selama proses onboarding, diikuti dengan pemantauan terjadwal untuk perubahan dalam profil risiko atau perilaku, seringkali melalui proses manual yang sangat rentan terhadap keterlambatan. Sekarang, AI dan otomatisasi memungkinkan untuk memperkuat KYC dan meningkatkan pengawasan AML dengan menggunakan data waktu nyata dan memungkinkan pendekatan yang lebih proaktif terhadap pencegahan kejahatan keuangan.

Apa peran AI dalam pengurangan risiko KYC/AML?

Kesalahan operasional dan penalti terjadi meskipun bank telah melakukan investasi substansial dalam proses dan solusi AML/KYC. Juniper Research memperkirakan pengeluaran global KYC 2024 mencapai $30,8 miliar tahun lalu. Namun banyak institusi masih bergantung pada pemrosesan manual dan pembaruan data pelanggan, yang memperlambat onboarding dan menunda pembaruan yang dapat menunjukkan perubahan dalam profil risiko.

Mengotomatiskan beberapa proses ini menggunakan otomatisasi proses robot berbasis aturan (RPA) dapat mempercepat proses, tetapi mungkin menghasilkan tingkat positif palsu yang tinggi yang memerlukan lebih banyak waktu untuk ulasan manual. Sementara itu, para penjahat menggunakan teknologi canggih untuk menghindari terperangkap oleh proses KYC dan AML. Dengan AI dan data identitas yang dicuri atau palsu, mereka dapat membuat dokumen dan riwayat yang tampak cukup nyata untuk menipu analis dan sistem otomatis dasar.

Menambahkan otomatisasi yang didukung AI dan GenAI ke RPA dapat membantu bank mengatasi tantangan ini dengan beberapa cara.

1. Pengalaman onboarding pelanggan

Sebagai bagian dari proses KYC, perusahaan memberikan kepada pelanggan baru daftar dokumen dan data yang diperlukan yang tidak dapat mereka verifikasi secara independen. Ketika persyaratan ini tidak dikomunikasikan secara efektif, dapat membingungkan pelanggan dan menunda persetujuan. Ini terutama benar ketika informasi yang diminta tidak jelas sesuai dengan persyaratan regulasi spesifik dari yurisdiksi, menciptakan pekerjaan tambahan bagi analis yang harus menyelesaikan ketidaksesuaian tersebut.

Dengan model pemrosesan bahasa alami AI yang terintegrasi dalam proses onboarding, bank dapat berkomunikasi secara efektif dan meminta informasi yang sesuai berdasarkan regulasi spesifik dari yurisdiksi yang berlaku. Hasilnya adalah proses onboarding yang lebih cepat yang kurang rentan terhadap kesalahan yang disebabkan oleh seseorang yang memeriksa kotak yang salah atau mengirimkan dokumen yang tidak sesuai dengan persyaratan lokal dan internal. Ini dapat menghentikan celah data dan kesalahan sebelum mereka masuk ke dalam sistem.

2. Mendeteksi penipuan identitas

Model deteksi identitas sintetik dan visi komputer yang didukung AI dapat menandai pelanggan yang dokumen atau riwayat keuangannya tampak palsu atau dicuri, bahkan jika mereka terlihat sah bagi analis manusia. Alat ini mensintesis data dari berbagai sumber seiring waktu, dan mereka dapat melihat koneksi di antara data yang akan terlewatkan oleh manusia, dan mesin aturan tradisional tidak dapat menguraikan. Mereka dengan cepat mengaitkan identitas pelanggan dengan aktivitas dunia nyata dan mengangkat bendera ketika ketidaksesuaian muncul sehingga analis dapat menyelidiki.

3. Pemantauan KYC dan AML waktu nyata

Memelihara data pelanggan setelah onboarding adalah proses yang tidak pernah berakhir. Memantau aktivitas pelanggan dengan institusi, memindai berita negatif tentang mereka, dan memahami perubahan dalam jaringan bisnis mereka sangat penting untuk menghindari kehilangan tanda-tanda perubahan dalam profil risiko pelanggan. Model GenAI dapat mengatur pemantauan semacam ini secara waktu nyata dengan menyerap data dari berbagai platform dan sumber data, menetapkan profil risiko dasar untuk setiap pelanggan, dan mengangkat peringatan ketika data baru menunjukkan perubahan profil risiko.

4. Kepatuhan dan pelaporan

Solusi onboarding dan pemantauan yang komprehensif juga memberikan bank wawasan data yang mereka butuhkan untuk menilai kepatuhan AML, mengidentifikasi area untuk perbaikan, dan menghasilkan laporan untuk pemangku kepentingan internal dan regulator. Solusi pelaporan GenAI tidak terbatas pada menyerap volume data yang besar dan menjawab pertanyaan. Mereka juga dapat diajarkan untuk menampilkan informasi yang diproses menggunakan grafik dan diagram yang intuitif, di dasbor, dan dalam laporan. Visibilitas ini memungkinkan kepemimpinan bank mengidentifikasi dan menghentikan masalah yang muncul sebelum mereka menjadi masalah besar.

** 5. Menyesuaikan dengan perubahan teknologi dan regulasi**

Sistem otomatisasi yang didukung GenAI dan AI belajar dari masukan mereka. Itu berarti mereka dapat dilatih untuk beradaptasi ketika bank menghubungkan sumber data dan platform teknologi baru, tanpa memerlukan perubahan platform besar-besaran atau proses integrasi yang panjang. Ini memungkinkan institusi untuk mendapatkan lebih banyak nilai dari investasi AI mereka seiring waktu.

Kapasitas pembelajaran AI juga memudahkan bank untuk memperbarui persyaratan mereka ketika regulasi berubah. Melatih dan menguji model KYC AI pada pedoman baru biasanya memakan waktu lebih sedikit daripada memperbarui platform non-AI secara manual. Ini juga lebih cepat daripada melatih analis tentang pedoman baru. AI sebenarnya dapat membantu dengan pelatihan ini juga, dengan menjawab pertanyaan sederhana atau merangkum perubahan dalam format yang mudah dibaca. Analis dapat dengan cepat memiliki informasi terkini yang mereka butuhkan untuk secara konsisten mengikuti dan menegakkan kebijakan baru.

Mengurangi risiko asimetris untuk KYC/AML dengan AI

Alat KYC dan AML yang didukung AI mewakili masa depan manajemen risiko keuangan. Mereka dapat sangat membatasi eksposur bank terhadap risiko asimetris saat ini dan juga beradaptasi dengan lingkungan teknologi dan regulasi yang berkembang untuk melindungi dari ancaman di masa depan. Dengan regulator yang semakin mengawasi peran institusi keuangan dalam kejahatan internasional, dan para penjahat semakin cerdas dalam menghindari kontrol KYC dan AML tradisional, mengintegrasikan AI ke dalam alur kerja KYC dan AML adalah cara yang paling efektif bagi institusi untuk memperkuat perlindungan sekarang dan di masa depan.