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

John Flowers berperan sebagai Kepala Global untuk Pasar Keuangan di eClerx. Dengan lebih dari 30 tahun pengalaman di sektor layanan teknologi finansial, ia telah memegang berbagai peran eksekutif baik di sisi teknologi perusahaan maupun yang berhadapan langsung dengan klien.

Temukan berita dan acara fintech teratas!

Berlangganan buletin FinTech Weekly

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

Risiko asimetris menimbulkan ancaman yang konstan bagi bank, fintech, dan bisnis lain yang sangat teregulasi. Tinjauan uji tuntas (due diligence) yang tidak lengkap pada satu pelanggan yang mengabaikan keterlibatan mereka dalam pencucian uang atau kejahatan lain dapat berujung pada denda bernilai jutaan dolar, kerusakan reputasi, dan tindakan regulatori di tingkat tertinggi kepemimpinan. Karena bahkan kesalahan kecil dapat menghasilkan konsekuensi yang berlipat besar seperti ini, menghilangkan celah kecil dalam proses kenali pelanggan (KYC) sangat penting untuk melindungi institusi maupun para pemangku kepentingannya.

Secara tradisional, kepatuhan KYC dan anti-pencucian uang (AML) yang efektif memerlukan evaluasi menyeluruh atas risiko pelanggan selama onboarding, diikuti pemantauan terjadwal atas perubahan profil risiko atau perilaku, sering kali melalui proses yang sangat manual yang rentan menimbulkan keterlambatan. Kini, AI dan otomasi memungkinkan penguatan KYC dan peningkatan pengawasan AML dengan menggunakan data real-time serta memungkinkan pendekatan yang lebih proaktif terhadap pencegahan kejahatan finansial.

Apa peran AI dalam pengurangan risiko KYC/AML?

Kesalahan operasional dan denda sedang terjadi meskipun bank telah berinvestasi besar dalam proses dan solusi AML/KYC. Juniper Research menetapkan pengeluaran global KYC 2024 sebesar $30.8 miliar tahun lalu. Namun, banyak institusi masih bergantung pada pemrosesan manual dan pembaruan data pelanggan, yang memperlambat onboarding serta menunda pembaruan yang dapat menandai perubahan pada profil risiko.

Mengotomatisasi sebagian proses ini menggunakan rules-based robotic process automation (RPA) dapat mempercepat, tetapi dapat menghasilkan tingkat false positive yang tinggi yang memerlukan lebih banyak waktu untuk peninjauan manual. Sementara itu, para penjahat menggunakan teknologi canggih untuk menghindari tertangkap oleh proses KYC dan AML. Dengan AI serta data identitas yang dicuri atau palsu, mereka dapat membuat dokumen dan riwayat yang terlihat cukup nyata untuk menipu analis dan sistem otomatis dasar.

Menambahkan otomasi berkemampuan AI dan GenAI pada RPA dapat membantu bank mengatasi tantangan ini dalam beberapa cara.

1. Pengalaman onboarding pelanggan

Sebagai bagian dari proses KYC, perusahaan menyediakan pelanggan baru dengan daftar dokumen dan data yang diperlukan yang tidak dapat mereka verifikasi secara independen. Ketika persyaratan ini tidak dikomunikasikan secara efektif, hal itu dapat membingungkan pelanggan dan menunda persetujuan. Ini terutama terjadi ketika informasi yang diminta tidak selaras secara jelas dengan persyaratan regulasi spesifik dari yurisdiksi(yurisdiksi) terkait, sehingga menciptakan pekerjaan tambahan bagi analis yang kemudian harus menyelesaikan perbedaan tersebut.

Dengan model pemrosesan bahasa alami AI yang ditanamkan 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 dan lebih kecil kemungkinannya mengalami kesalahan yang disebabkan seseorang mencentang kotak yang salah atau mengirimkan dokumen yang tidak sesuai dengan kebutuhan lokal dan internal. Ini dapat menghentikan celah data dan kesalahan sebelum masuk ke sistem.

2. Mendeteksi penipuan identitas

Model AI berbasis computer vision dan deteksi identitas sintetis dapat menandai pelanggan yang dokumen atau riwayat keuangannya tampak palsu atau dicuri, bahkan jika terlihat sah bagi analis manusia. Alat-alat ini menyintesis data dari banyak sumber dari waktu ke waktu, dan mereka dapat melihat hubungan antar data yang tidak dapat dilihat manusia, serta tidak dapat diuraikan oleh mesin aturan tradisional. Mereka dengan cepat mengaitkan identitas pelanggan dengan aktivitas dunia nyata dan menaikkan peringatan ketika muncul ketidaksesuaian agar analis dapat menyelidiki.

3. Pemantauan KYC dan AML real-time

Memelihara data pelanggan setelah onboarding adalah proses yang tidak ada akhirnya. Memantau aktivitas pelanggan bersama institusi, men-scan berita buruk tentang mereka, dan memahami perubahan apa pun dalam jaringan bisnis mereka sangat penting untuk menghindari terlewatnya tanda pergeseran pada profil risiko pelanggan. Model GenAI dapat mengorkestrasi jenis pemantauan ini secara real-time dengan menyerap data dari beberapa platform dan sumber data, menetapkan baseline profil risiko untuk setiap pelanggan, serta menaikkan peringatan ketika data baru menunjukkan perubahan pada profil risiko.

4. Kepatuhan dan pelaporan

Solusi onboarding dan pemantauan yang komprehensif juga memberikan bank wawasan data yang mereka perlukan untuk menilai kepatuhan AML, mengidentifikasi area untuk perbaikan, serta menghasilkan laporan untuk pemangku kepentingan internal dan regulator. Solusi pelaporan GenAI tidak hanya terbatas pada penyerapan dalam jumlah besar data dan menjawab pertanyaan. Mereka juga dapat diajari untuk menampilkan informasi yang diproses menggunakan grafik dan bagan yang intuitif, pada dasbor, serta dalam laporan. Visibilitas ini memungkinkan pimpinan bank mengidentifikasi dan menghentikan isu yang muncul sebelum menjadi masalah besar.

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

Sistem GenAI dan otomasi berkemampuan AI belajar dari input mereka. Itu berarti sistem tersebut dapat dilatih untuk beradaptasi ketika bank menghubungkan sumber data baru dan platform teknologi, tanpa memerlukan peremajaan platform yang besar atau proses integrasi yang panjang. Ini memungkinkan institusi untuk memperoleh nilai lebih dari investasi AI mereka dari waktu ke waktu.

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

Mengurangi risiko asimetris untuk KYC/AML dengan AI

Alat KYC dan AML berbasis AI merupakan masa depan manajemen risiko keuangan. Mereka dapat secara tajam membatasi eksposur bank terhadap risiko asimetris saat ini sekaligus beradaptasi terhadap lingkungan teknologi dan regulasi yang terus berkembang untuk melindungi dari ancaman di masa depan. Dengan regulator yang semakin ketat menyoroti peran institusi keuangan dalam kejahatan internasional, dan para penjahat yang semakin piawai dalam menghindari kontrol KYC dan AML tradisional, mengintegrasikan AI ke dalam alur kerja KYC dan AML adalah cara paling efektif bagi Institusi untuk memperkuat perlindungan sekarang dan juga di masa depan.