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 посади як з боку технологій бізнесу, так і з боку, орієнтованого на клієнтів.

Відкрийте для себе топові новини та події з фінтеху!

Підпишіться на інформаційний бюлетень FinTech Weekly

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

Асиметричний ризик постійно загрожує банкам, фінтехам та іншим сильно регульованим компаніям. Неповний due diligence-огляд одного клієнта, який пропускає його причетність до відмивання грошей чи інших злочинів, може призвести до штрафів на мільйони доларів, репутаційної шкоди та регуляторних дій на найвищих рівнях керівництва. Оскільки навіть невеликі помилки можуть мати такі непропорційно великі наслідки, усунення дрібних прогалин у процесах know-your-customer (KYC) є вкрай важливим для захисту як самих інституцій, так і їхніх зацікавлених сторін.

Традиційно ефективне дотримання вимог KYC та комплаєнсу з протидії відмиванню грошей (AML) вимагало повної оцінки ризику клієнта під час онбордингу, а потім — запланованого моніторингу змін у профілі ризику або поведінці, часто через надзвичайно ручні процеси, які схильні до затримок. Нині ШІ та автоматизація дозволяють посилити KYC та підвищити якість нагляду за AML, використовуючи дані в реальному часі та застосовуючи більш проактивний підхід до запобігання фінансовим злочинам.

Які ролі ШІ у зменшенні ризику KYC/AML?

Операційні помилки та штрафи трапляються, навіть попри значні 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 ручне опрацювання 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 правил-орієнтованої роботизованої автоматизації процесів (RPA) може пришвидшити роботу, але може створювати високі показники хибнопозитивних результатів, що вимагає більше часу для ручних перевірок. Тим часом злочинці використовують передові технології, щоб уникати того, щоб їх упіймали процеси KYC та AML. Завдяки ШІ та викраденим або фальшивим даним ідентичності вони можуть створювати документи й історії, які виглядають достатньо правдоподібно, щоб ошукати аналітиків і базові автоматизовані системи.

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

1. Клієнтський досвід під час онбордингу

У межах процесу KYC компанії надають новим клієнтам перелік необхідних документів і даних, які вони не можуть незалежно перевірити. Коли ці вимоги повідомляються неефективно, це може заплутати клієнтів і затримати ухвалення рішень. Це особливо справедливо, коли запитувана інформація не чітко узгоджується з конкретними регуляторними вимогами юрисдикції(й), створюючи додаткову роботу для аналітиків, яким тоді доводиться усувати розбіжності.

За допомогою вбудованої в процес онбордингу моделі обробки природної мови на основі ШІ банки можуть ефективно комунікувати та запитувати потрібну інформацію відповідно до конкретних правил застосовних юрисдикцій. У результаті виходить швидший процес онбордингу, який менше схильний до помилок через те, що хтось позначив не ту опцію або подав документи, які не відповідають локальним 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 з підтримкою ШІ та виявлення синтетичної ідентичності можуть сигналізувати про клієнтів, чиї документи або фінансові історії виглядають фальшивими чи викраденими, навіть якщо вони виглядають правдоподібно для людських аналітиків. Ці інструменти синтезують дані з кількох джерел у часі, і вони можуть бачити зв’язки між даними, яких люди не помітять, а традиційні правила-рухомі (rules engines) не можуть розшифрувати. Вони швидко співвідносять ідентичність клієнта з активністю в реальному світі та піднімають прапорці, коли з’являються розбіжності, щоб аналітики могли розслідувати.

3. KYC та AML-чесмоніторинг у реальному часі

Підтримка даних клієнтів після онбордингу — це безкінечний процес. Моніторинг активностей клієнтів разом з інституцією, пошук негативних новин про них і розуміння будь-яких змін у їхніх бізнес-мережах є критично важливим, щоб не пропустити ознаки зміни профілю ризику клієнта. Моделі GenAI можуть оркеструвати такий тип моніторингу в реальному часі, поглинаючи дані з кількох платформ і джерел даних, задаючи базовий профіль ризику для кожного клієнта та надсилаючи сповіщення, коли нові дані вказують на зміну профілю ризику.

4. Комплаєнс і звітність

Комплексні рішення з онбордингу та моніторингу також дають банкам дані та інсайти, необхідні для оцінки комплаєнсу AML, визначення напрямів для покращення та формування звітів для внутрішніх зацікавлених сторін і регуляторів. Рішення для звітності GenAI не обмежуються лише поглинанням масивів даних та відповідями на запитання. Їх також можна навчити відображати оброблену інформацію за допомогою інтуїтивних графіків і діаграм на панелях (dashboards) та у звітах. Така видимість дає керівництву банку змогу визначати й зупиняти проблеми, що тільки виникають, перш ніж вони стануть серйозними.

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

Системи GenAI та автоматизації, що керуються ШІ, навчаються на своїх входах. Це означає, що їх можна навчити адаптуватися, коли банки підключають нові джерела даних і технологічні платформи, без необхідності масштабного переплатформування або тривалого процесу інтеграції. Це дозволяє інституціям отримувати більше цінності від своїх інвестицій в ШІ з часом.

Навчальна здатність ШІ також полегшує банкам оновлювати свої вимоги, коли змінюються правила. Навчання та тестування моделей KYC на основі ШІ за новими рекомендаціями зазвичай займає менше часу, ніж ручне оновлення не-ШІ платформ. Це також швидше, ніж навчати аналітиків новим рекомендаціям. Насправді ШІ може допомогти і з цим навчанням — відповідаючи на прості питання або узагальнюючи зміни у форматах, які легко прочитати. Аналітики можуть швидко отримувати актуальну інформацію, необхідну, щоб стабільно дотримуватися й виконувати нові політики.

Зменшення асиметричного ризику для KYC/AML за допомогою ШІ

Інструменти KYC та AML на основі ШІ — це майбутнє управління фінансовими ризиками. Вони можуть різко обмежити вплив банків від асиметричних ризиків уже сьогодні, а також адаптуватися до технологічних і регуляторних змін, що розвиваються, щоб убезпечитися від майбутніх загроз. Оскільки регулятори дедалі більше прискіпливо оцінюють роль фінансових інституцій у міжнародній злочинності, а злочинці стають дедалі вправнішими в тому, щоб обходити традиційні контрольні механізми KYC та AML, інтеграція ШІ в робочі процеси KYC та AML є найефективнішим способом для Інституцій посилити захист зараз і в майбутньому.