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

Джон Флауэрс занимает должность глобального директора по финансовым рынкам в eClerx. Обладая более чем 30-летним опытом в сфере финансовых технологических услуг, он занимал различные руководящие роли как в технологической части бизнеса, так и на стороне, ориентированной на клиентов.

Откройте для себя топовые новости и мероприятия в сфере финтех!

Подпишитесь на рассылку FinTech Weekly

Читают руководители в JP Morgan, Coinbase, Blackrock, Klarna и др.

Асимметричный риск постоянно угрожает банкам, финтех-компаниям и другим организациям, которые сильно регулируются. Неполный due diligence (проверка должной осмотрительности) по единственному клиенту, который не учитывает его участие в отмывании денег или других преступлениях, может привести к штрафам на миллионы долларов, ущербу репутации и принятию мер со стороны регуляторов на самом высоком уровне руководства. Поскольку даже небольшие ошибки способны вызвать такие масштабные последствия, устранение малых пробелов в процессах идентификации клиента (KYC) имеет решающее значение для защиты как самих организаций, так и их заинтересованных сторон.

Традиционно эффективное соблюдение требований KYC и противодействия отмыванию денег (AML) требует комплексной оценки риска клиента при онбординге, а затем — запланированного мониторинга изменений в профиле риска или поведении, часто с использованием исключительно ручных процессов, которые подвержены задержкам. Теперь ИИ и автоматизация позволяют усиливать KYC и улучшать надзор за AML, используя данные в реальном времени и внедряя более проактивный подход к предотвращению финансовых преступлений.

Каковы роли ИИ в снижении рисков KYC/AML?

Несмотря на существенные инвестиции банков в процессы и решения AML/KYC, операционные ошибки и штрафы продолжают происходить. Juniper Research оценила глобальные расходы на KYC в 2024 году в $30.8 миллиарда в прошлом году. Однако многие учреждения по-прежнему полагаются на ручную обработку и обновление данных о клиентах, из-за чего замедляется онбординг и задерживаются обновления, которые могли бы сигнализировать об изменениях в профиле риска.

Автоматизация некоторых из этих процессов с использованием роботизированной автоматизации процессов на основе правил (RPA) может ускорить работу, но при этом может приводить к высоким показателям ложных срабатываний, требующих больше времени для ручных проверок. Между тем преступники используют передовые технологии, чтобы избежать выявления с помощью процессов KYC и AML. С помощью ИИ и украденных или ложных данных об идентичности они могут создавать документы и истории, которые выглядят достаточно реальными, чтобы обмануть аналитиков и базовые автоматизированные системы.

Добавление AI-enabled автоматизации и GenAI к RPA может помочь банкам решать эти задачи несколькими способами.

1. Клиентский опыт на этапе онбординга

В рамках процесса KYC компании предоставляют новым клиентам список необходимых документов и данных, которые они не могут проверить независимо. Когда эти требования сообщаются недостаточно эффективно, это может сбивать клиентов с толку и задерживать одобрения. Это особенно верно, когда запрашиваемая информация неочевидно согласуется с конкретными регуляторными требованиями юрисдикции(й), создавая дополнительную работу для аналитиков, которым затем приходится устранять расхождения.

Встраивая модель обработки естественного языка (NLP) на базе ИИ в процесс онбординга, банки могут эффективно общаться и запрашивать соответствующую информацию на основе конкретных норм применимых юрисдикций. В результате получается более быстрый процесс онбординга, который менее подвержен ошибкам из-за того, что кто-то отметил не тот пункт или предоставил документы, не соответствующие местным и внутренним требованиям. Это может остановить пробелы в данных и ошибки еще до того, как они попадут в систему.

2. Обнаружение мошенничества с идентичностью

Модели компьютерного зрения на базе ИИ и обнаружения синтетической идентичности могут помечать клиентов, чьи документы или финансовые истории выглядят поддельными или украденными, даже если они выглядят правдоподобно для человеческих аналитиков. Эти инструменты синтезируют данные из нескольких источников со временем, и они могут видеть связи между данными, которые люди упустили бы, а традиционные движки правил не могут расшифровать. Они быстро сопоставляют идентичность клиента с активностью в реальном мире и поднимают флаги, когда возникают расхождения, чтобы аналитики могли провести расследование.

3. KYC и AML-мониторинг в реальном времени

Поддержание данных о клиентах после онбординга — это бесконечный процесс. Мониторинг действий клиентов в организации, сканирование на предмет неблагоприятных новостей о них и понимание любых изменений в их деловых сетях критически важно, чтобы не пропустить признаки того, что профиль риска клиента изменился. Модели GenAI могут оркестрировать такой мониторинг в реальном времени, загружая данные из нескольких платформ и источников данных, задавая базовый профиль риска для каждого клиента и поднимая оповещения, когда новые данные указывают на изменение профиля риска.

4. Комплаенс и отчетность

Комплексные решения по онбордингу и мониторингу также дают банкам данные и инсайты, необходимые для оценки соответствия требованиям AML, выявления направлений для улучшения и формирования отчетов для внутренних заинтересованных сторон и регуляторов. Решения GenAI по отчетности не ограничиваются загрузкой огромных объемов данных и ответами на вопросы. Их также можно научить показывать обработанную информацию с помощью интуитивных графиков и диаграмм — на дашбордах и в отчетах. Такая видимость позволяет руководству банка выявлять и останавливать возникающие проблемы до того, как они станут серьезными.

** 5. Адаптация к технологическим и регуляторным изменениям**

Системы GenAI и автоматизации на базе ИИ учатся на своих входных данных. Это означает, что их можно обучать адаптации, когда банки подключают новые источники данных и технологические платформы, без необходимости серьезного перевода на другую платформу или длительного процесса интеграции. Это позволяет организациям со временем извлекать больше ценности из своих инвестиций в ИИ.

Способность ИИ к обучению также облегчает банкам обновление требований, когда меняются регуляции. Обучение и тестирование моделей KYC на базе ИИ по новым руководствам обычно занимает меньше времени, чем ручное обновление не-AI платформ. Это также быстрее, чем обучение аналитиков новым руководствам. ИИ может реально помочь и с этим обучением — отвечая на простые вопросы или суммируя изменения в легко читаемых форматах. Аналитики могут быстро получать актуальную информацию, необходимую им, чтобы последовательно соблюдать и обеспечивать выполнение новых политик.

Снижение асимметричного риска для KYC/AML с помощью ИИ

Инструменты KYC и AML на базе ИИ представляют будущее управления финансовыми рисками. Они могут существенно ограничить подверженность банков асимметричным рискам сегодня и также адаптироваться к развивающимся технологическим и регуляторным условиям, чтобы защищаться от будущих угроз. Поскольку регуляторы все чаще пристально изучают роль финансовых учреждений в международной преступности, а преступники становятся все более опытными в обходе традиционных контролей KYC и AML, интеграция ИИ в рабочие процессы KYC и AML — это наиболее эффективный способ для организаций укреплять защиту сейчас и в будущем.