Как может ИИ-управляемая процедура KYC снизить асимметричный риск для банков?

Джон Флауэрс занимает должность глобального руководителя отдела финансовых рынков в eClerx. Имея более 30 лет опыта в сфере финансовых технологических услуг, он занимал различные руководящие должности как в области технологий бизнеса, так и в сфере взаимодействия с клиентами.

Откройте для себя лучшие новости и события финтеха!

Подпишитесь на рассылку FinTech Weekly

Читают руководители JP Morgan, Coinbase, Blackrock, Klarna и другие

Асимметричный риск постоянно угрожает банкам, финтех-компаниям и другим строго регулируемым бизнесам. Неполный аудит одного клиента, пропускающий его участие в отмывании денег или других преступлениях, может привести к многомиллионным штрафам, ущербу репутации и регуляторным мерам на самом высоком уровне руководства. Потому что даже небольшие ошибки могут иметь такие масштабные последствия, устранение мелких пробелов в процессах «знай своего клиента» (KYC) является важнейшим для защиты как самих учреждений, так и их заинтересованных сторон.

Традиционно эффективное соблюдение требований KYC и противодействия отмыванию денег (AML) требовало всесторонней оценки риска клиента при его приеме, а затем — регулярного мониторинга изменений в профиле риска или поведении, зачастую с помощью чрезвычайно ручных процессов, склонных к задержкам. Теперь ИИ и автоматизация позволяют укрепить процессы KYC и повысить контроль AML, используя данные в реальном времени и позволяя более проактивно предотвращать финансовые преступления.

Какова роль ИИ в снижении рисков KYC/AML?

Ошибки в операционной деятельности и штрафы происходят несмотря на значительные инвестиции банков в процессы и решения AML/KYC. Согласно исследованию Juniper Research, в 2024 году глобальные расходы на KYC составили 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 приема и задерживает обновления, которые могли бы выявить изменения в профиле риска.

Автоматизация некоторых из этих процессов с помощью правил-основанной роботизированной автоматизации процессов (RPA) может ускорить работу, но при этом может привести к высокому уровню ложных срабатываний, требующих дополнительных ручных проверок. В то же время преступники используют передовые технологии, чтобы избежать обнаружения через процессы KYC и AML. С помощью ИИ и украденных или поддельных данных о личности они могут создавать документы и истории, выглядящие достаточно правдоподобно, чтобы обмануть аналитиков и базовые автоматизированные системы.

Добавление автоматизации с поддержкой ИИ и GenAI к RPA может помочь банкам решать эти задачи несколькими способами.

1. Опыт клиента при приеме

В рамках процесса KYC компании предоставляют новым клиентам список необходимых документов и данных, которые они не могут проверить самостоятельно. Когда эти требования не доводятся до сведения клиента должным образом, это может вызвать путаницу и задержки в одобрении. Особенно это актуально, когда запрашиваемая информация не соответствует конкретным нормативным требованиям юрисдикции(ий), что создает дополнительную работу для аналитиков, которым приходится устранять несоответствия.

Используя модель обработки естественного языка на базе ИИ, встроенную в процесс приема, банки могут эффективно коммуницировать и запрашивать нужную информацию в соответствии с конкретными нормативами соответствующих юрисдикций. В результате процесс приема становится быстрее и менее подвержен ошибкам, вызванным неправильным выбором опций или подачей документов, не соответствующих местным и внутренним требованиям. Это позволяет предотвратить появление пробелов и ошибок в данных до их попадания в систему.

2. Обнаружение мошенничества с личностью

Модели компьютерного зрения и синтетического обнаружения личности, основанные на ИИ, могут выявлять клиентов, чьи документы или финансовая история выглядят поддельными или украденными, даже если они кажутся легитимными для человека-аналитика. Эти инструменты синтезируют данные из нескольких источников за определенное время, выявляя связи между данными, которые пропустил бы человек, и которые не могут быть распознаны традиционными правилами. Они быстро связывают личность клиента с реальной деятельностью и поднимают тревожные сигналы при обнаружении несоответствий, чтобы аналитики могли провести расследование.

3. Мониторинг KYC и AML в реальном времени

Поддержание данных клиента после приема — это бесконечный процесс. Мониторинг деятельности клиента в учреждении, поиск негативных новостей о нем и отслеживание изменений в его деловых связях — критически важные задачи для предотвращения пропуска признаков изменения профиля риска клиента. Модели GenAI могут организовать такой мониторинг в реальном времени, собирая данные с различных платформ и источников, устанавливая исходный профиль риска для каждого клиента и вызывая тревоги при появлении новых данных, указывающих на изменение риска.

4. Соблюдение нормативных требований и отчетность

Комплексные решения для приема и мониторинга также предоставляют банкам необходимые аналитические данные для оценки соответствия AML, выявления областей для улучшения и подготовки отчетов для внутренних заинтересованных сторон и регуляторов. Решения на базе GenAI не ограничиваются только обработкой больших объемов данных и ответами на вопросы. Их также можно обучить отображать обработанную информацию с помощью интуитивных графиков и диаграмм, на панелях управления и в отчетах. Такая видимость позволяет руководству банка выявлять и предотвращать возникающие проблемы до того, как они станут серьезными.

5. Адаптация к технологическим и нормативным изменениям

Системы на базе GenAI и автоматизации с поддержкой ИИ учатся на своих данных. Это означает, что их можно обучать адаптироваться, когда банки подключают новые источники данных и технологические платформы, без необходимости масштабных перестроек или длительных интеграционных процессов. Это позволяет учреждениям получать больше пользы от своих инвестиций в ИИ со временем.

Способность ИИ к обучению также облегчает обновление требований при изменениях нормативных актов. Обучение и тестирование моделей KYC на базе ИИ по новым руководствам обычно занимает меньше времени, чем ручное обновление неиспользующих ИИ платформ. Это быстрее, чем обучение аналитиков новым правилам. ИИ также может помочь в этом процессе, отвечая на простые вопросы или подытоживая изменения в легко читаемой форме. Аналитики быстро получают актуальную информацию, необходимую для последовательного соблюдения и внедрения 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 значительно ограничить экспозицию банков к асимметричным рискам сегодня и адаптироваться к меняющимся технологическим и нормативным условиям, чтобы защититься от будущих угроз. Поскольку регуляторы все больше обращают внимание на роль финансовых институтов в международной преступной деятельности, а преступники становятся все более искусными в обходе традиционных систем KYC и AML, интеграция ИИ в рабочие процессы KYC и AML — наиболее эффективный способ для учреждений укрепить защиту сейчас и в будущем.