Як штучний інтелект, що керує процесом KYC, може зменшити асиметричний ризик для банків?

Джон Флауерс обіймає посаду Global Head of Financial Markets в eClerx. Маючи понад 30 років досвіду в секторі фінансових технологічних послуг, він обіймав різні керівні ролі як у частині технологій бізнесу, так і з боку, орієнтованого на клієнтів.

Відкрийте для себе найкращі новини та події в fintech!

Підпишіться на розсилку FinTech Weekly

Читають керівники в JP Morgan, Coinbase, Blackrock, Klarna та інших

Асиметричний ризик становить постійну загрозу для банків, фінтехів та інших сильно регульованих бізнесів. Неповний аудит належної перевірки щодо одного клієнта, який пропускає його участь у відмиванні грошей чи інших злочинах, може призвести до штрафів на мільйони доларів, репутаційних втрат і регуляторних дій на найвищих рівнях керівництва. Оскільки навіть невеликі помилки можуть спричиняти такі непропорційно великі наслідки, усунення дрібних прогалин у процесах know-your-customer (KYC) є критично важливим для захисту як самих інституцій, так і їхніх зацікавлених сторін.

Традиційно ефективне дотримання вимог KYC і комплаєнс протидії відмиванню грошей (AML) вимагало всебічної оцінки ризику клієнта під час онбордингу, а потім запланованого моніторингу змін у профілі ризику або поведінці — часто через винятково ручні процеси, які схильні до затримок. Нині завдяки AI та автоматизації стало можливим посилити KYC і покращити нагляд за AML, використовуючи дані в реальному часі та запроваджуючи більш проактивний підхід до запобігання фінансовим злочинам.

Які ролі AI у зниженні ризиків KYC/AML?

Операційні помилки та штрафи відбуваються, навіть попри суттєві інвестиції банків у процеси та рішення AML/KYC. Juniper Research оцінила глобальні витрати на KYC у 2024 році в $30.8 мільярда минулого року. Проте багато інституцій досі покладаються на ручну обробку та оновлення даних клієнтів, що уповільнює онбординг і затримує оновлення, які могли б сигналізувати про зміни в профілі ризику.

Автоматизація частини цих процесів за допомогою роботизованої автоматизації процесів (RPA) на основі правил може прискорити роботу, але може генерувати високі рівні хибнопозитивних спрацьовувань, що потребують більше часу для ручних перевірок. Тим часом злочинці використовують передові технології, щоб уникати того, щоб їх упіймали за допомогою процесів KYC та AML. Завдяки AI та вкраденим або фальшивим даним ідентичності вони можуть створювати документи й історії, які виглядають достатньо реальними, щоб обманути аналітиків і базові автоматизовані системи.

Додавання AI-орієнтованої автоматизації та GenAI до RPA може допомогти банкам долати ці виклики кількома способами.

1. Досвід клієнтського онбордингу

У рамках процесу KYC компанії надають новим клієнтам перелік необхідних документів і даних, які вони не можуть перевірити незалежно. Коли ці вимоги не повідомляються ефективно, це може плутати клієнтів і затримувати схвалення. Це особливо актуально, коли запитувана інформація не так чітко узгоджується з конкретними регуляторними вимогами юрисдикції(й), створюючи додаткову роботу для аналітиків, яким тоді потрібно вирішувати розбіжності.

Завдяки моделі природномовного оброблення на базі AI, вбудованій у процес онбордингу, банки можуть ефективно комунікувати та запитувати потрібну інформацію на основі конкретних правил відповідних юрисдикцій. Результатом стає швидший процес онбордингу, який менш схильний до помилок через те, що хтось проставляє не той прапорець або подає документи, що не відповідають місцевим і внутрішнім вимогам. Це може зупинити прогалини в даних і помилки ще до того, як вони потраплять у систему.

2. Виявлення шахрайства з ідентичністю

Моделі комп’ютерного зору на базі AI та виявлення синтетичної ідентичності можуть позначати клієнтів, чиї документи або фінансові історії виглядають фальшивими або вкраденими, навіть якщо на вигляд вони є правдоподібними для людських аналітиків. Ці інструменти синтезують дані з кількох джерел упродовж часу, і вони можуть бачити зв’язки між даними, які люди пропустили б, а традиційні рушії на основі правил не здатні розшифрувати. Вони швидко зіставляють ідентичність клієнта з активністю у реальному світі та піднімають сигнали, коли з’являються розбіжності, щоб аналітики могли розслідувати.

3. KYC та AML-спостереження в реальному часі

Підтримка даних клієнтів після онбордингу — це процес, який ніколи не закінчується. Моніторинг активностей клієнтів разом із інституцією, сканування несприятливих новин про них і розуміння будь-яких змін у їхніх бізнес-мережах є критично важливим, щоб не пропустити ознаки зсуву в профілі ризику клієнта. Моделі GenAI можуть оркеструвати такий тип моніторингу в реальному часі, отримуючи дані з кількох платформ і джерел даних, встановлюючи базовий профіль ризику для кожного клієнта та піднімаючи сповіщення, коли нові дані вказують на зміну профілю ризику.

4. Комплаєнс і звітність

Комплексні рішення для онбордингу та моніторингу також надають банкам потрібні інсайти щодо даних, щоб оцінювати дотримання вимог AML, визначати сфери для покращення та генерувати звіти для внутрішніх зацікавлених сторін і регуляторів. Рішення для звітності на базі GenAI не обмежуються тим, що вони отримують масиви даних і відповідають на запитання. Їх також можна навчити відображати оброблену інформацію за допомогою інтуїтивних графіків і діаграм на панелях та у звітах. Така видимість дозволяє керівництву банку виявляти й зупиняти нові проблеми ще до того, як вони стануть великими.

** 5. Адаптація до технологічних та регуляторних змін**

Системи GenAI та автоматизації на базі AI навчаються на своїх вхідних даних. Це означає, що їх можна навчити адаптуватися, коли банки під’єднують нові джерела даних і технологічні платформи, не вимагаючи масштабного переналаштування або тривалого процесу інтеграції. Це дозволяє інституціям отримувати більше цінності від своїх інвестицій в AI з часом.

Здатність AI до навчання також полегшує банкам оновлювати свої вимоги, коли змінюються правила. Навчання та тестування моделей KYC на базі AI за новими інструкціями зазвичай займає менше часу, ніж ручне оновлення не-AI платформ. Це також швидше, ніж навчання аналітиків за новими інструкціями. AI може допомогти й у цьому навчанні — відповідаючи на прості запитання або узагальнюючи зміни у форматах, які легко читати. Аналітики можуть швидко отримати актуальну інформацію, необхідну, щоб стабільно дотримуватися та виконувати нові політики.

Зниження асиметричного ризику для KYC/AML за допомогою AI

Інструменти KYC і AML на базі AI — це майбутнє управління фінансовими ризиками. Вони можуть суттєво обмежити сьогоднішню експозицію банків до асиметричних ризиків, а також адаптуватися до технологічного та регуляторного середовища, що змінюється, щоб захищатися від майбутніх загроз. Оскільки регулятори все частіше прискіпливо вивчають роль фінансових установ у міжнародних злочинах, а злочинці стають дедалі вправнішими в обході традиційних контролів KYC і AML, інтеграція AI у робочі процеси KYC та AML є найбільш ефективним способом для інституцій посилити захист зараз і в майбутньому.