Como a KYC impulsada por IA pode reduzir o risco assimétrico para os bancos?

John Flowers atua como Chefe Global de Mercados Financeiros na eClerx. Com mais de 30 anos de experiência no setor de serviços de tecnologia financeira, ele ocupou várias funções executivas tanto na área de tecnologia quanto na de relacionamento com clientes.

Descubra as principais notícias e eventos de fintech!

Inscreva-se na newsletter do FinTech Weekly

Lido por executivos do JP Morgan, Coinbase, Blackrock, Klarna e mais

O risco assimétrico representa uma ameaça constante para bancos, fintechs e outros negócios altamente regulados. Uma revisão incompleta de due diligence de um único cliente que omite seu envolvimento em lavagem de dinheiro ou outros crimes pode levar a multas de vários milhões de dólares, danos à reputação e ações regulatórias nos mais altos níveis de liderança. Porque mesmo pequenos erros podem gerar essas consequências desproporcionais, eliminar pequenas lacunas nos processos de conhecer seu cliente (KYC) é essencial para proteger tanto as instituições quanto seus stakeholders.

Tradicionalmente, a conformidade eficaz com KYC e combate à lavagem de dinheiro (AML) exigia uma avaliação abrangente do risco do cliente durante a integração, seguida de monitoramento periódico de mudanças no perfil ou comportamento de risco, muitas vezes por processos extremamente manuais sujeitos a atrasos. Agora, a IA e a automação tornam possível fortalecer o KYC e aprimorar a supervisão de AML usando dados em tempo real e permitindo uma abordagem mais proativa na prevenção de crimes financeiros.

Quais são os papéis da IA na redução de risco de KYC/AML?

Erros operacionais e penalidades estão ocorrendo apesar do investimento substancial dos bancos em processos e soluções de AML/KYC. A Juniper Research estimou que os gastos globais com KYC em 2024 atingiram US$ 30,8 bilhões no ano passado. Ainda assim, muitas instituições continuam dependendo de processos manuais de atualização de dados de clientes, o que desacelera a integração e atrasa atualizações que poderiam sinalizar mudanças no perfil de risco.

Automatizar alguns desses processos usando automação de processos robóticos baseada em regras (RPA) pode acelerar as coisas, mas pode gerar altas taxas de falsos positivos que requerem mais tempo para revisões manuais. Enquanto isso, criminosos usam tecnologia avançada para evitar serem detectados pelos processos de KYC e AML. Com IA e dados de identidade roubados ou falsos, eles podem criar documentos e históricos que parecem reais o suficiente para enganar analistas e sistemas automatizados básicos.

Adicionar automação habilitada por IA e GenAI à RPA pode ajudar os bancos a enfrentar esses desafios de várias maneiras.

1. Experiência de integração do cliente

Como parte do processo de KYC, as empresas fornecem aos novos clientes uma lista de documentos e dados necessários que não podem verificar de forma independente. Quando esses requisitos não são comunicados de forma eficaz, podem confundir os clientes e atrasar aprovações. Isso é especialmente verdadeiro quando as informações solicitadas não se alinham claramente com os requisitos regulatórios específicos da(s) jurisdição(ões), criando trabalho extra para os analistas que devem então resolver as discrepâncias.

Com um modelo de processamento de linguagem natural (PLN) de IA embutido no processo de integração, os bancos podem comunicar-se de forma eficaz e solicitar as informações apropriadas com base nas regulamentações específicas das jurisdições aplicáveis. O resultado é um processo de integração mais rápido, menos propenso a erros causados por alguém marcar a caixa errada ou enviar documentos que não correspondem aos requisitos locais e internos. Isso pode evitar lacunas e erros de dados antes que eles entrem no sistema.

2. Detecção de fraude de identidade

Modelos de visão computacional alimentados por IA e detecção de identidade sintética podem sinalizar clientes cujos documentos ou históricos financeiros parecem falsos ou roubados, mesmo que pareçam legítimos para analistas humanos. Essas ferramentas sintetizam dados de múltiplas fontes ao longo do tempo, e podem identificar conexões entre os dados que os humanos perderiam, e que os motores de regras tradicionais não conseguem decifrar. Elas rapidamente correlacionam a identidade do cliente com atividades do mundo real e levantam alertas quando discrepâncias aparecem, permitindo que os analistas investiguem.

3. Monitoramento de KYC e AML em tempo real

Manter os dados do cliente após a integração é um processo contínuo. Monitorar as atividades do cliente na instituição, escanear por notícias adversas e entender quaisquer mudanças em suas redes de negócios é fundamental para evitar perder sinais de uma mudança no perfil de risco do cliente. Modelos de GenAI podem orquestrar esse tipo de monitoramento em tempo real, ingerindo dados de múltiplas plataformas e fontes, estabelecendo um perfil de risco base para cada cliente e gerando alertas quando novos dados indicam uma alteração nesse perfil.

4. Conformidade e relatórios

Soluções abrangentes de integração e monitoramento também fornecem às instituições os insights de dados necessários para avaliar a conformidade com AML, identificar áreas de melhoria e gerar relatórios para stakeholders internos e reguladores. As soluções de relatórios com GenAI não se limitam a ingerir grandes volumes de dados e responder perguntas. Elas também podem ser treinadas para exibir as informações processadas usando gráficos e tabelas intuitivos, em painéis e relatórios. Essa visibilidade permite que a liderança do banco identifique e interrompa problemas emergentes antes que se tornem grandes problemas.

5. Adaptação às mudanças tecnológicas e regulatórias

Sistemas de automação e IA com GenAI aprendem com suas entradas. Isso significa que podem ser treinados para se adaptar quando os bancos conectam novas fontes de dados e plataformas tecnológicas, sem exigir uma grande reformulação ou um processo de integração longo. Isso permite que as instituições obtenham mais valor de seus investimentos em IA ao longo do tempo.

A capacidade de aprendizagem da IA também facilita a atualização dos requisitos dos bancos quando as regulamentações mudam. Treinar e testar modelos de IA de KYC com novas diretrizes geralmente leva menos tempo do que atualizar plataformas não-AI manualmente. É também mais rápido do que treinar analistas com novas diretrizes. A IA pode ajudar nesse treinamento também, respondendo a perguntas simples ou resumindo as mudanças em formatos fáceis de entender. Analistas podem rapidamente obter as informações atuais necessárias para seguir e aplicar novas políticas de forma consistente.

Reduzindo risco assimétrico para KYC/AML com IA

Ferramentas de KYC e AML alimentadas por IA representam o futuro da gestão de riscos financeiros. Elas podem limitar drasticamente a exposição dos bancos a riscos assimétricos hoje e também se adaptar a ambientes tecnológicos e regulatórios em evolução para proteger contra ameaças futuras. Com reguladores aumentando a fiscalização sobre o papel das instituições financeiras no crime internacional, e criminosos se tornando mais habilidosos em evitar controles tradicionais de KYC e AML, integrar IA nos fluxos de trabalho de KYC e AML é a maneira mais eficaz para as instituições fortalecerem a proteção agora e no futuro.