Як AI-керований KYC може зменшити асиметричний ризик для банків?

Джон Флауерс обіймає посаду глобального керівника фінансових ринків у eClerx. Маючи понад 30 років досвіду в секторі фінансових технологій, він обіймав різні керівні посади як у бізнес-технологіях, так і в роботі з клієнтами.

Відкрийте для себе найкращі новини та події у сфері фінтеху!

Підпишіться на розсилку FinTech Weekly

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

Асиметричний ризик становить постійну загрозу для банків, фінтех-компаній та інших підприємств із суворим регулюванням. Неповна перевірка належної обачності (due diligence) щодо одного клієнта, яка пропускає його причетність до відмивання грошей або інших злочинів, може призвести до багатомільйонних штрафів, репутаційних втрат та регуляторних заходів на найвищому рівні керівництва. Оскільки навіть невеликі помилки можуть мати такі значні наслідки, усунення дрібних прогалин у процесах KYC (знай свого клієнта) є важливим для захисту як установ, так і їхніх зацікавлених сторін.

Традиційно ефективне дотримання вимог KYC та AML (протидія відмиванню грошей) вимагало комплексної оцінки ризику клієнта під час прийому на обслуговування з подальшим періодичним моніторингом змін у профілі ризику чи поведінці, часто через надзвичайно ручні процеси, схильні до затримок. Тепер ШІ та автоматизація дозволяють посилити KYC та покращити нагляд за AML, використовуючи дані в реальному часі та забезпечуючи більш проактивний підхід до запобігання фінансовим злочинам.

Яка роль ШІ у зменшенні ризиків KYC/AML?

Операційні помилки та штрафи трапляються, незважаючи на значні інвестиції банків у процеси та рішення AML/KYC. Juniper Research оцінював глобальні витрати на KYC у 2024 році в $30,8 мільярда. Тим не менш, багато установ досі покладаються на ручну обробку та оновлення даних клієнтів, що сповільнює прийом на обслуговування та затримує оновлення, які могли б вказати на зміни в профілі ризику.

Автоматизація деяких із цих процесів за допомогою правилової роботизованої автоматизації процесів (RPA) може прискорити роботу, але може генерувати високий рівень хибнопозитивних результатів, що потребуватиме більше часу на ручні перевірки. Тим часом злочинці використовують передові технології, щоб уникнути виявлення процесами KYC та AML. Використовуючи ШІ та викрадені або фальшиві дані про особу, вони можуть створювати документи та історії, які виглядають достатньо реальними, щоб обдурити аналітиків та базові автоматизовані системи.

Додавання автоматизації на основі ШІ та GenAI до RPA може допомогти банкам вирішити ці проблеми кількома способами.

1. Досвід прийому клієнтів на обслуговування

В рамках процесу KYC компанії надають новим клієнтам перелік необхідних документів та даних, які вони не можуть перевірити самостійно. Якщо ці вимоги не доведені ефективно, це може заплутати клієнтів та затримати схвалення. Особливо це стосується випадків, коли запитувана інформація чітко не відповідає конкретним регуляторним вимогам відповідної юрисдикції(ій), що створює додаткову роботу для аналітиків, які потім повинні вирішувати розбіжності.

Завдяки вбудованій у процес прийому моделі обробки природної мови на основі ШІ банки можуть ефективно спілкуватися та запитувати відповідну інформацію відповідно до конкретних норм відповідних юрисдикцій. Результатом є швидший процес прийому, менш схильний до помилок, викликаних тим, що хтось поставив неправильну позначку або подав документи, які не відповідають місцевим та внутрішнім вимогам. Це може запобігти потраплянню прогалин у даних та помилок до системи.

2. Виявлення шахрайства з ідентифікацією

Комп'ютерний зір на основі ШІ та моделі виявлення синтетичних ідентифікацій можуть визначати клієнтів, чиї документи або фінансові історії виглядають підробленими або викраденими, навіть якщо вони здаються легітимними аналітикам-людям. Ці інструменти синтезують дані з кількох джерел протягом часу і можуть бачити зв'язки між даними, які люди пропускають і які традиційні системи правил не можуть розшифрувати. Вони швидко співвідносять особу клієнта з реальною активністю та піднімають сигнали при виявленні розбіжностей, щоб аналітики могли провести розслідування.

3. Моніторинг KYC та AML у реальному часі

Підтримка даних клієнтів після прийому на обслуговування є безперервним процесом. Моніторинг діяльності клієнтів в установі, сканування негативних новин про них та розуміння будь-яких змін у їхніх ділових мережах є критично важливим для того, щоб не пропустити ознаки зміни профілю ризику клієнта. Моделі GenAI можуть керувати таким моніторингом у реальному часі, поглинаючи дані з кількох платформ та джерел даних, встановлюючи базовий профіль ризику для кожного клієнта та піднімаючи сповіщення, коли нові дані вказують на зміну профілю ризику.

4. Відповідність вимогам та звітність

Комплексні рішення для прийому та моніторингу також надають банкам аналітичні дані, необхідні для оцінки дотримання вимог AML, визначення сфер для вдосконалення та створення звітів для внутрішніх зацікавлених сторін та регуляторів. Рішення для звітності на основі GenAI не обмежуються поглинанням величезних обсягів даних і відповідями на запитання. Їх також можна навчити відображати оброблену інформацію за допомогою інтуїтивних графіків та діаграм на інформаційних панелях та у звітах. Така видимість дозволяє керівництву банку виявляти та зупиняти проблеми, що виникають, до того, як вони стануть серйозними.

5. Адаптація до технологічних та регуляторних змін

Системи автоматизації на основі GenAI та ШІ навчаються на своїх вхідних даних. Це означає, що їх можна навчити адаптуватися, коли банки підключають нові джерела даних та технологічні платформи, без необхідності масштабної зміни платформи або тривалого процесу інтеграції. Це дозволяє установам отримувати більше користі від інвестицій у ШІ з часом.

Здатність ШІ до навчання також полегшує банкам оновлення своїх вимог при зміні нормативних актів. Навчання та тестування моделей KYC на основі ШІ на нових вказівках зазвичай займає менше часу, ніж ручне оновлення платформ без ШІ. Це також швидше, ніж навчання аналітиків новим вказівкам. ШІ може також допомогти з цим навчанням, відповідаючи на прості запитання або підсумовуючи зміни у легких для читання форматах. Аналітики можуть швидко отримати актуальну інформацію, необхідну для послідовного дотримання та впровадження нових політик.

Зменшення асиметричного ризику для KYC/AML за допомогою ШІ

Інструменти KYC та AML на основі ШІ є майбутнім управління фінансовими ризиками. Вони можуть різко обмежити вразливість банків до асиметричних ризиків сьогодні, а також адаптуватися до технологічних та регуляторних середовищ, що розвиваються, щоб захиститися від майбутніх загроз. Оскільки регулятори все пильніше перевіряють роль фінансових установ у міжнародній злочинності, а злочинці стають більш вправними в уникненні традиційних засобів контролю KYC та AML, інтеграція ШІ в робочі процеси KYC та AML є найефективнішим способом для установ посилити захист зараз і в майбутньому.