Bagaimana AI yang Digerakkan untuk KYC Dapat Mengurangi Risiko Asimetris Bagi Bank?

John Flowers menjabat sebagai Global Head of Financial Markets di eClerx. Dengan pengalaman lebih dari 30 tahun di sektor layanan teknologi finansial, ia pernah memegang berbagai peran eksekutif di sisi teknologi bisnis maupun yang berhadapan langsung dengan klien.

Temukan kabar dan acara fintech teratas!

Berlangganan buletin FinTech Weekly

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

Risiko asimetris menjadi ancaman konstan bagi bank, fintech, dan bisnis lain yang sangat teregulasi. Peninjauan uji tuntas (due diligence) yang tidak lengkap pada satu pelanggan yang terlewat keterlibatannya dalam pencucian uang atau kejahatan lain dapat berujung pada denda bernilai jutaan dolar AS, kerusakan reputasi, dan tindakan regulasi di level tertinggi kepemimpinan. Karena bahkan kesalahan kecil dapat menimbulkan konsekuensi yang sangat besar, menghilangkan celah kecil dalam proses kenali-pelanggan (KYC) adalah hal yang penting untuk melindungi institusi maupun para pemangku kepentingannya.

Secara tradisional, kepatuhan KYC dan anti-pencucian uang (AML) yang efektif menuntut evaluasi menyeluruh atas risiko pelanggan saat onboarding, diikuti pemantauan terjadwal untuk perubahan profil risiko atau perilaku, yang sering kali dilakukan melalui proses yang sangat manual dan rentan menyebabkan keterlambatan. Kini, AI dan otomatisasi memungkinkan penguatan KYC dan peningkatan pengawasan AML dengan memanfaatkan data real-time serta pendekatan yang lebih proaktif dalam pencegahan kejahatan finansial.

Apa peran AI dalam mengurangi risiko KYC/AML?

Kesalahan operasional dan denda tetap terjadi meski bank telah berinvestasi besar pada proses dan solusi AML/KYC. Juniper Research menempatkan belanja KYC global pada 2024 senilai $30,8 miliar tahun lalu. Namun, banyak institusi masih mengandalkan pemrosesan manual dan pembaruan data pelanggan, yang memperlambat onboarding dan menunda pembaruan yang dapat menandai perubahan pada profil risiko.

Mengotomatisasi sebagian proses ini menggunakan rules-based robotic process automation (RPA) bisa mempercepat, tetapi dapat menghasilkan tingkat false positive yang tinggi sehingga memerlukan waktu lebih lama untuk peninjauan manual. Sementara itu, para kriminal memakai teknologi canggih untuk menghindari terdeteksi 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 otomatisasi yang didukung AI dan GenAI pada RPA dapat membantu bank mengatasi tantangan ini dengan beberapa cara.

1. Pengalaman onboarding pelanggan

Sebagai bagian dari proses KYC, perusahaan menyediakan daftar dokumen dan data yang diperlukan untuk pelanggan baru yang tidak bisa diverifikasi secara independen. Ketika persyaratan ini tidak disampaikan dengan efektif, hal itu dapat membingungkan pelanggan dan menunda persetujuan. Ini terutama terjadi saat informasi yang diminta tidak selaras dengan jelas dengan persyaratan regulasi yurisdiksi terkait, sehingga menambah pekerjaan bagi analis yang kemudian harus menyelesaikan perbedaan tersebut.

Dengan model pemrosesan bahasa alami AI yang tertanam dalam proses onboarding, bank dapat berkomunikasi secara efektif dan meminta informasi yang tepat berdasarkan peraturan spesifik dari yurisdiksi yang berlaku. Hasilnya adalah proses onboarding yang lebih cepat dan lebih minim kesalahan akibat seseorang salah mencentang kotak atau mengirimkan dokumen yang tidak sesuai dengan persyaratan lokal dan internal. Ini dapat menghentikan celah data dan kesalahan sebelum masuk ke sistem.

2. Mendeteksi penipuan identitas

Model computer vision berbasis AI dan deteksi identitas sintetis dapat menandai pelanggan yang dokumen atau riwayat keuangannya tampak palsu atau dicuri, meskipun terlihat sah bagi analis manusia. Alat-alat ini mensintesis data dari banyak sumber dari waktu ke waktu, dan mereka dapat melihat hubungan di antara data yang tidak dapat dilihat manusia, juga tidak dapat diuraikan oleh mesin rules engine tradisional. Mereka dengan cepat mengkorelasikan identitas pelanggan dengan aktivitas dunia nyata dan menaikkan peringatan saat muncul ketidaksesuaian agar analis dapat menyelidiki.

3. Pemantauan KYC dan AML real-time

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

4. Kepatuhan dan pelaporan

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

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

Sistem GenAI dan otomatisasi yang didukung AI belajar dari input mereka. Artinya, mereka dapat dilatih untuk beradaptasi saat bank menghubungkan sumber data dan platform teknologi baru, tanpa memerlukan perombakan platform besar atau proses integrasi yang panjang. Ini memungkinkan institusi memperoleh nilai lebih dari investasi AI mereka dari waktu ke waktu.

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

Mengurangi risiko asimetris untuk KYC/AML dengan AI

Alat KYC dan AML berbasis AI mewakili masa depan manajemen risiko finansial. Mereka dapat membatasi secara tajam 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 kian menyoroti peran institusi keuangan dalam kejahatan internasional, dan para kriminal yang makin mahir 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 ke depan.