Как AI-Driven KYC может снизить асимметричный риск для банков?

Джон Флауэрс занимает должность глобального руководителя финансовых рынков в eClerx. С более чем 30-летним опытом работы в сфере финансовых технологий, он занимал различные руководящие должности как в области технологий бизнеса, так и в клиентском обслуживании.

Узнайте о лучших новостях и событиях в финтехе!

Подпишитесь на рассылку FinTech Weekly

Читают руководители в JP Morgan, Coinbase, Blackrock, Klarna и других

Асимметричный риск представляет собой постоянную угрозу для банков, финтех-компаний и других строго регулируемых предприятий. Неполный обзор должной осмотрительности по одному клиенту, который упускает его участие в отмывании денег или других преступлениях, может привести к многомиллионным штрафам, репутационным потерям и регуляторным мерам на высшем уровне управления. Поскольку даже небольшие ошибки могут привести к таким серьезным последствиям, устранение незначительных пробелов в процессах проверки клиентов (KYC) имеет решающее значение для защиты как учреждений, так и их заинтересованных сторон.

Традиционно эффективное соблюдение KYC и норм против отмывания денег (AML) требовало комплексной оценки риска клиента на этапе регистрации, за которой следовало плановое наблюдение за изменениями в профиле риска или поведении, часто через исключительно ручные процессы, подверженные задержкам. Теперь искусственный интеллект и автоматизация делают возможным укрепление KYC и улучшение надзора за AML, используя данные в реальном времени и позволяя более проактивный подход к предотвращению финансовых преступлений.

Каковы роли ИИ в снижении рисков KYC/AML?

Операционные ошибки и штрафы происходят, несмотря на значительные инвестиции банков в процессы и решения AML/KYC. Juniper Research оценил глобальные расходы на KYC в 2024 году в 30,8 миллиарда долларов в прошлом году. Тем не менее, многие учреждения по-прежнему полагаются на ручную обработку и обновление данных клиентов, что замедляет процесс регистрации и задерживает обновления, которые могли бы указать на изменения в профиле риска.

Автоматизация некоторых из этих процессов с использованием автоматизации процессов на основе правил (RPA) может ускорить работу, но может привести к высокому уровню ложных срабатываний, требующих больше времени для ручного анализа. Тем временем преступники используют современные технологии, чтобы избежать обнаружения процессами KYC и AML. С помощью ИИ и украденных или поддельных данных личности они могут создавать документы и истории, которые выглядят достаточно правдоподобно, чтобы обмануть аналитиков и базовые автоматизированные системы.

Добавление автоматизации на основе ИИ и GenAI к RPA может помочь банкам решить эти проблемы несколькими способами.

1. Опыт регистрации клиентов

В рамках процесса KYC компании предоставляют новым клиентам список необходимых документов и данных, которые они не могут проверить самостоятельно. Когда эти требования не сообщаются эффективно, это может запутать клиентов и задержать одобрения. Это особенно верно, когда запрашиваемая информация неясно соответствует конкретным нормативным требованиям юрисдикции(й), создавая дополнительную работу для аналитиков, которым затем нужно разрешать расхождения.

С помощью модели обработки естественного языка на основе ИИ, встроенной в процесс регистрации, банки могут эффективно общаться и запрашивать соответствующую информацию на основе конкретных норм применимых юрисдикций. В результате процесс регистрации проходит быстрее и менее подвержен ошибкам, вызванным тем, что кто-то ставит неправильный галочку или отправляет документы, которые не соответствуют местным и внутренним требованиям. Это может остановить пробелы в данных и ошибки до того, как они попадут в систему.

2. Обнаружение мошенничества с идентификацией

Модели обнаружения синтетической идентичности и компьютерного зрения на основе ИИ могут выявлять клиентов, чьи документы или финансовые истории выглядят поддельными или украденными, даже если они выглядят законными для человеческих аналитиков. Эти инструменты синтезируют данные из нескольких источников на протяжении времени и могут видеть связи между данными, которые люди могли бы упустить, и традиционные правила не могут расшифровать. Они быстро сопоставляют идентичность клиента с реальной деятельностью и поднимают тревогу, когда появляются расхождения, чтобы аналитики могли провести расследование.

3. Мониторинг KYC и AML в реальном времени

Поддержание данных клиентов после регистрации — это бесконечный процесс. Мониторинг активности клиентов в учреждении, сканирование негативных новостей о них и понимание любых изменений в их бизнес-сетях критически важно, чтобы не пропустить признаки изменения профиля риска клиента. Модели GenAI могут организовывать этот вид мониторинга в реальном времени, поглощая данные из нескольких платформ и источников данных, устанавливая базовый профиль риска для каждого клиента и поднимая тревогу, когда новые данные указывают на изменение профиля риска.

4. Соблюдение и отчетность

Комплексные решения по регистрации и мониторингу также предоставляют банкам те аналитические данные, которые им нужны для оценки соблюдения AML, выявления областей для улучшения и генерации отчетов для внутренних заинтересованных сторон и регуляторов. Решения по отчетности GenAI не ограничиваются лишь поглощением огромного объема данных и ответами на вопросы. Их также можно обучить отображать обработанную информацию с использованием интуитивно понятных графиков и диаграмм, на панелях управления и в отчетах. Эта видимость позволяет руководству банка выявлять и предотвращать возникающие проблемы до того, как они станут серьезными.

** 5. Адаптация к изменениям технологий и регуляциям**

Системы автоматизации на основе GenAI и ИИ учатся на своих входных данных. Это означает, что их можно обучить адаптироваться, когда банки подключают новые источники данных и технологические платформы, не требуя значительной переработки или длительного процесса интеграции. Это позволяет учреждениям извлекать больше пользы из своих инвестиций в ИИ со временем.

Способность ИИ к обучению также облегчает банкам обновление своих требований, когда регуляции меняются. Обучение и тестирование моделей KYC ИИ по новым нормам обычно занимает меньше времени, чем ручное обновление платформ, не использующих ИИ. Это также быстрее, чем обучение аналитиков новым нормам. ИИ может на самом деле помочь в этом обучении, отвечая на простые вопросы или подводя итоги изменений в удобочитаемых форматах. Аналитики могут быстро получить текущую информацию, необходимую для последовательного следования и соблюдения новых политик.

Снижение асимметричного риска для KYC/AML с помощью ИИ

Инструменты KYC и AML на основе ИИ представляют собой будущее управления финансовыми рисками. Они могут значительно ограничить подверженность банков асимметричным рискам сегодня, а также адаптироваться к развивающимся технологическим и регуляторным условиям, чтобы защититься от будущих угроз. Поскольку регуляторы все более внимательно рассматривают роль финансовых учреждений в международной преступности, а преступники становятся более искусными в уклонении от традиционных контролей KYC и AML, интеграция ИИ в рабочие процессы KYC и AML является наиболее эффективным способом для учреждений усилить защиту как сейчас, так и в будущем.