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

Джон Флауерс обіймає посаду Глобального керівника фінансових ринків в eClerx. Маючи понад 30 років досвіду в секторі фінансових технологічних послуг, він обіймав різні керівні посади як з боку технологій компанії, так і з боку клієнтського обслуговування.

Відкрийте для себе найкращі новини та події з fintech!

Підпишіться на розсилку FinTech Weekly

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

Асиметричний ризик постійно загрожує банкам, фінтехам та іншим сильно регульованим бізнесам. Неповний огляд належної перевірки одного клієнта, який пропускає їхню причетність до відмивання грошей чи інших злочинів, може призвести до штрафів на мільйони доларів, репутаційних збитків і регуляторних дій на найвищих рівнях керівництва. Оскільки навіть невеликі помилки можуть спричинити такі масштабні наслідки, усунення малих прогалин у процесах know-your-customer (KYC) є критично важливим для захисту як установ, так і їхніх зацікавлених сторін.

Традиційно ефективна комплаєнс-політика KYC та протидії відмиванню грошей (AML) вимагала комплексної 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 ШІ та автоматизація дають змогу посилити KYC та покращити нагляд 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 відбуваються, навіть попри значні інвестиції банків у процеси та рішення AML/KYC. Juniper Research оцінила, що глобальні витрати на KYC у 2024 році становили $30.8 мільярда минулого року. Проте багато установ досі покладаються на ручну обробку та оновлення даних клієнтів, що уповільнює онбординг і затримує оновлення, які могли б виявити зміни в профілі ризику.

Автоматизація частини цих процесів за допомогою роботизованої автоматизації процесів (RPA) на основі правил може пришвидшити роботу, але може генерувати високі показники хибнопозитивних спрацювань, що потребують більше часу для ручних перевірок. Тим часом злочинці використовують передові технології, щоб уникнути того, щоб їх упіймали процеси KYC та AML. З ШІ та вкраденими або фальшивими даними ідентичності вони можуть створювати документи й історії, які виглядають достатньо реальними, щоб обманювати аналітиків і базові автоматизовані системи.

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

1. Досвід клієнтського онбордингу

У межах процесу KYC компанії надають новим клієнтам список потрібних документів і даних, які вони не можуть незалежно верифікувати. Коли ці вимоги не повідомляються ефективно, це може збентежити клієнтів і затримати схвалення. Це особливо актуально, коли запитувана інформація не чітко узгоджується з конкретними регуляторними вимогами юрисдикції(й), створюючи додаткову роботу для аналітиків, які тоді мають усувати розбіжності.

За допомогою моделі обробки природної мови на основі ШІ, вбудованої в процес онбордингу, банки можуть ефективно комунікувати та запитувати потрібну інформацію на основі конкретних нормативних вимог відповідних юрисдикцій. Результатом є швидший процес онбордингу, який менш схильний до помилок, спричинених тим, що хтось ставить неправильну позначку або подає документи, які 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 на основі комп’ютерного зору та виявлення синтетичної ідентичності, керовані ШІ, можуть позначати клієнтів, чиї документи або фінансові історії виглядають фальшивими чи вкраденими, навіть якщо вони виглядають легітимними для людських аналітиків. Ці інструменти синтезують дані з кількох джерел у часі, і можуть бачити зв’язки між даними, які люди пропустили б, а традиційні рушії правил не здатні розшифрувати. Вони швидко співвідносять ідентичність клієнта з активністю в реальному світі та піднімають прапорці, коли з’являються розбіжності, щоб аналітики могли розслідувати.

3. Моніторинг KYC та AML у реальному часі

Підтримка даних клієнтів після онбордингу — процес, що не має кінця. Моніторинг активностей клієнтів у межах установи, перевірка на наявність негативних новин про них і розуміння будь-яких змін у їхніх бізнес-мережах є критично важливими, щоб не пропустити ознаки зміни профілю ризику клієнта. Моделі GenAI можуть координувати такий тип моніторингу в реальному часі, завантажуючи 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 та звітність

Комплексні рішення для онбордингу та моніторингу також надають банкам дані й аналітичні висновки, необхідні для оцінки комплаєнсу AML, визначення напрямів для покращення та підготовки звітів для внутрішніх зацікавлених сторін і регуляторів. Рішення для звітності на основі GenAI не обмежуються завантаженням величезних обсягів даних і відповідями на запитання. Їх також можна навчити відображати оброблену інформацію за допомогою інтуїтивних графіків і діаграм на дашбордах і в звітах. Така видимість дозволяє керівництву банку виявляти й зупиняти проблеми, що виникають, перш ніж вони стануть масштабними.

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

Системи GenAI та автоматизації, що працюють на основі ШІ, вчаться на основі своїх вхідних даних. Це означає, що їх можна навчити адаптуватися, коли банки підключають нові джерела даних і технологічні платформи, без потреби в масштабному переоснащенні або тривалому процесі інтеграції. Це дає установам змогу отримувати більше цінності від своїх інвестицій в ШІ з часом.

Здатність ШІ до навчання також полегшує банкам оновлення вимог, коли змінюються регуляції. Навчання та тестування моделей KYC на основі ШІ на нових настановах зазвичай займає менше часу, ніж ручне оновлення не-AI платформ. Це також швидше, ніж навчання аналітиків новим настановам. ШІ фактично може допомогти й у цьому навчанні — відповідаючи на прості запитання або підсумовуючи зміни у зручних для читання форматах. Аналітики можуть швидко отримати актуальну інформацію, необхідну, щоб стабільно дотримуватися та впроваджувати нові політики.

Зменшення асиметричного ризику для KYC/AML за допомогою ШІ

KYC та AML-інструменти, керовані ШІ, представляють майбутнє управління фінансовими ризиками. Вони можуть різко обмежити вразливість банків до асиметричних ризиків сьогодні, а також адаптуватися до технологічних і регуляторних змін, що розвиваються, щоб убезпечитися від майбутніх загроз. Оскільки регулятори дедалі пильніше перевіряють роль фінансових установ у міжнародній злочинності, а злочинці стають дедалі вправнішими в тому, щоб обходити традиційні засоби контролю KYC та AML, інтеграція ШІ в робочі процеси KYC і AML є найбільш ефективним способом для установ посилити захист прямо зараз і в майбутньому.