Як AI-інтегрований 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 у технологічній частині бізнесу, так і з боку, орієнтованого на клієнтів.

Відкрийте для себе найкращі новини та події з fintech!

Підпишіться на інформаційний бюлетень FinTech Weekly

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

Асиметричний ризик постійно загрожує банкам, fintech-компаніям та іншим бізнесам із суворо регульованою діяльністю. Неповний due diligence-огляд щодо одного клієнта, який не помічає його причетності до відмивання грошей чи інших злочинів, може призвести до штрафів на мільйони доларів, репутаційного збитку та регуляторних дій на найвищих рівнях управління. Оскільки навіть невеликі помилки здатні спричиняти такі масштабні наслідки, усунення дрібних прогалин у процесах know-your-customer (KYC) є критично важливим для захисту як самих інституцій, так і їхніх стейкхолдерів.

Традиційно ефективне дотримання вимог KYC та антивідмивання грошей (AML) передбачало комплексну оцінку ризику клієнта під час онбордингу, а потім запланований моніторинг змін у профілі ризику або поведінці, часто через надзвичайно ручні процеси, які схильні спричиняти затримки. Тепер ШІ та автоматизація дають змогу посилити KYC та покращити нагляд за AML, використовуючи дані в реальному часі й застосовуючи більш проактивний підхід до запобігання фінансовим злочинам.

Які ролі ШІ в зниженні ризиків KYC/AML?

Операційні помилки та штрафи відбуваються, 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 усе ще 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 правила-орієнтованої роботизованої автоматизації процесів (RPA) може пришвидшити роботу, але може спричиняти високі показники хибнопозитивних спрацювань, що потребуватиме більше часу для ручних перевірок. Тим часом злочинці використовують передові технології, щоб уникати викриття за допомогою процесів KYC та AML. Завдяки ШІ та викраденим або хибним даним ідентичності вони можуть створювати документи й історії, які виглядають достатньо реалістично, щоб обманути аналітиків та базові автоматизовані системи.

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

1. Досвід онбордингу клієнта

У рамках процесу KYC компанії надають новим клієнтам список потрібних документів і даних, які вони не можуть верифікувати незалежно. Коли ці вимоги не передаються ефективно, це може заплутати клієнтів і затримати схвалення. Це особливо актуально, коли запитувана інформація не чітко відповідає конкретним регуляторним вимогам юрисдикії(й), створюючи додаткову роботу для аналітиків, які тоді мають усунути розбіжності.

За наявності вбудованої в процес онбордингу моделі обробки природної мови (natural language processing) на базі ШІ банки можуть ефективно комунікувати й запитувати потрібну інформацію відповідно до конкретних норм застосовних юрисдикцій. Результатом є швидший процес онбордингу, який менш схильний до помилок, спричинених тим, що хтось ставить не ту позначку або подає 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 та виявлення синтетичної ідентичності на основі ШІ можуть позначати клієнтів, чиї документи або фінансові історії виглядають фальшивими чи викраденими, навіть якщо вони виглядають правдоподібно для аналітиків-людей. Ці інструменти синтезують дані з кількох джерел у часі, і вони можуть бачити взаємозв’язки між даними, які люди не помітять, а традиційні рушії правил не зможуть розшифрувати. Вони швидко співвідносять ідентичність клієнта з активністю в реальному світі та піднімають сигнали тривоги, коли з’являються розбіжності, щоб аналітики могли розслідувати.

3. KYC та AML-моніторинг у реальному часі

Підтримання даних клієнта після онбордингу — це безперервний процес. Моніторинг активностей клієнтів разом із установою, пошук несприятливих новин про них та розуміння будь-яких змін у їхніх бізнес-мережах критично важливі, щоб не пропустити ознаки зсуву в профілі ризику клієнта. Моделі GenAI можуть координувати такий тип моніторингу в реальному часі, підвантажуючи 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 дають банкам інформаційні висновки щодо даних, необхідних для оцінки комплаєнсу AML, виявлення сфер для покращення та формування звітів для внутрішніх стейкхолдерів і регуляторів. Рішення для звітності GenAI не обмежуються завантаженням масивів 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 визначати й зупиняти проблеми, що виникають, ще до того, як вони стануть серйозними.

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

Системи GenAI та автоматизації, увімкнені на основі ШІ, навчаються 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 перепрофілюванні (replatforming) або тривалому процесі інтеграції. Це дозволяє інституціям отримувати більше користі від інвестицій в ШІ з часом.

Здатність ШІ до навчання також полегшує банкам оновлювати свої вимоги, коли змінюються нормативні акти. 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 навчання аналітиків новим рекомендаціям. ШІ може допомогти і з цим навчанням, відповідаючи на прості запитання або узагальнюючи зміни у зручних для читання форматах. Аналітики можуть швидко отримати актуальну інформацію, необхідну, щоб послідовно дотримуватися й виконувати нові політики.

Зниження 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 на асиметричні ризики вже сьогодні та водночас адаптуватися до технологічного й регуляторного середовища, що змінюється, щоб захиститися від майбутніх загроз. Оскільки регулятори дедалі ретельніше перевіряють роль фінансових інституцій в міжнародних злочинах, а злочинці стають більш вправними в обході традиційних контролів KYC та AML, інтеграція ШІ в робочі процеси KYC та AML є найефективнішим способом для інституцій посилити захист зараз і в майбутньому.