Как ИИ-ориентированный KYC снижает асимметричный риск для банков?

Джон Флауэрс занимает должность Global Head of Financial Markets в eClerx. Имея более 30 лет опыта в сфере финансовых технологических услуг, он занимал различные руководящие роли как в технологической части бизнеса, так и в работе, ориентированной на клиентов.

Откройте для себя ключевые новости и события в финтехе!

Подпишитесь на рассылку FinTech Weekly

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

Асимметричный риск постоянно угрожает банкам, финтех-компаниям и другим сильно регулируемым бизнесам. Неполный обзор due diligence по одному клиенту, который упускает его участие в отмывании денег или других преступлениях, может привести к штрафам на сумму в миллионы долларов, репутационному ущербу и регуляторным мерам на самом высоком уровне руководства. Поскольку даже небольшие ошибки дают такие масштабные последствия, устранение небольших пробелов в процессах идентификации клиента (KYC) критически важно для защиты как самих учреждений, так и их стейкхолдеров.

Традиционно эффективное соблюдение требований KYC и антикоррупционных/противодействия отмыванию денег (AML) требует тщательной оценки риска клиента при онбординге с последующим плановым мониторингом 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 за счет использования данных в реальном времени и более проактивного подхода к предотвращению финансовых преступлений.

Каковы роли ИИ в снижении рисков KYC/AML?

Операционные ошибки и штрафы происходят, несмотря на существенные инвестиции банков в процессы и решения AML/KYC. Juniper Research оценила глобальные расходы на KYC в 2024 году в $30,8 миллиарда долларов в прошлом году. Однако многие учреждения по-прежнему полагаются на ручную обработку и обновление данных о клиентах, что замедляет онбординг и откладывает обновления, которые могли бы выявить изменения в профиле риска.

Автоматизация части этих процессов с помощью роботизированной автоматизации процессов (RPA) на основе правил может ускорить работу, но при этом может генерировать высокие показатели ложных срабатываний, требующих больше времени для ручных проверок. Между тем преступники используют продвинутые технологии, чтобы избежать выявления в рамках процессов KYC и AML. С помощью ИИ и украденных или поддельных данных идентичности они могут создавать документы и истории, которые выглядят достаточно реальными, чтобы обмануть аналитиков и базовые автоматизированные системы.

Добавление ИИ-ориентированной автоматизации и GenAI к RPA помогает банкам решать эти задачи сразу несколькими способами.

1. Опыт онбординга клиента

В рамках процесса KYC компании предоставляют новым клиентам список требуемых 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(ями) соответствующей юрисдикции(й), создавая дополнительную работу для аналитиков, которым затем приходится устранять расхождения.

Благодаря ИИ-модели обработки естественного языка, встроенной в процесс онбординга, банки могут эффективно взаимодействовать с клиентами и запрашивать нужную информацию на основе конкретных норм применимых юрисдикций. В итоге получается более быстрый онбординг, менее подверженный ошибкам, вызванным тем, что кто-то ошибся в выборе пункта или подал документы, не соответствующие местным и внутренним требованиям. Это может остановить пробелы в данных и ошибки до того, как они попадут в систему.

2. Обнаружение мошенничества с идентичностью

Модели ИИ на основе компьютерного зрения и выявления синтетической идентичности могут помечать клиентов, чьи документы или финансовые истории выглядят поддельными или украденными, даже если они кажутся правдоподобными для аналитиков-людей. Эти инструменты синтезируют данные из нескольких источников со временем и могут видеть связи между данными, которые люди не заметят, а традиционные движки правил не способны интерпретировать. Они быстро сопоставляют идентичность клиента с реальной активностью и поднимают тревоги, когда появляются расхождения, чтобы аналитики могли провести расследование.

3. Мониторинг KYC и AML в реальном времени

Поддержание данных о клиентах после онбординга — это бесконечный процесс. Мониторинг действий клиентов в рамках учреждения, поиск неблагоприятных новостей о них и понимание любых изменений в их бизнес-сетях критически важны, чтобы не упустить признаки того, что профиль риска клиента изменился. Модели GenAI могут оркестрировать такой мониторинг в реальном времени: они загружают данные из нескольких платформ и источников данных, формируют базовый профиль риска для каждого клиента и поднимают оповещения, когда новые данные указывают на изменение профиля риска.

4. Комплаенс и отчетность

Комплексные решения по онбордингу и мониторингу также дают банкам аналитические данные, необходимые для оценки соблюдения AML, выявления областей для улучшения и подготовки отчетов для внутренних стейкхолдеров и регуляторов. Решения GenAI по отчетности не ограничиваются тем, что они поглощают большие массивы данных и отвечают на вопросы. Их также можно обучить показывать обработанную информацию с помощью интуитивных графиков и диаграмм на дашбордах и в отчетах. Такая наглядность 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 с ИИ учатся на своих входных данных. Это значит, что их можно обучать адаптироваться, когда банки подключают новые источники данных и технологические платформы, без необходимости крупного ре-платформинга или длительного процесса интеграции. Так учреждения могут извлекать больше ценности из инвестиций в ИИ со временем.

Обучаемость ИИ также упрощает банкам обновление требований, когда меняются правила. Обучение и тестирование KYC-моделей ИИ на новых руководствах обычно занимает меньше времени, чем ручное обновление не-ИИ платформ. Это также быстрее, чем обучение аналитиков новым руководствам. ИИ может помогать и в этом обучении: отвечать на простые вопросы или суммировать изменения в форматах, удобных для прочтения. Аналитики могут быстро получать актуальную информацию, чтобы последовательно соблюдать и внедрять новые политики.

Снижение асимметричного риска по KYC/AML с помощью ИИ

Инструменты KYC и AML с поддержкой ИИ представляют будущее управления финансовыми рисками. Они могут резко ограничить подверженность банков асимметричным рискам уже сегодня, а также адаптироваться к меняющейся технологической и регуляторной среде, чтобы защищаться от будущих угроз. Поскольку регуляторы все пристальнее изучают роль финансовых учреждений в международной преступности, а преступники становятся все более искусными в обходе традиционных контролей KYC и AML, внедрение ИИ в рабочие процессы KYC и AML — самый эффективный способ для учреждений усилить защиту сейчас и в будущем.