Làm thế nào AI-Driven KYC có thể giảm thiểu rủi ro bất đối xứng cho các ngân hàng?

John Flowers đảm nhiệm vai trò Giám đốc Toàn cầu về Thị trường Tài chính tại eClerx. Với hơn 30 năm kinh nghiệm trong lĩnh vực dịch vụ công nghệ tài chính, ông đã đảm nhiệm nhiều vị trí điều hành ở cả phía công nghệ của doanh nghiệp và phía hướng tới khách hàng.

Khám phá tin tức và sự kiện fintech hàng đầu!

Đăng ký bản tin của FinTech Weekly

Được đọc bởi các nhà điều hành tại JP Morgan, Coinbase, Blackrock, Klarna và hơn thế nữa

Rủi ro bất xứng luôn là mối đe dọa đối với các ngân hàng, fintech và các doanh nghiệp khác chịu sự quản lý chặt chẽ. Một cuộc rà soát thẩm định (due diligence) chưa đầy đủ đối với một khách hàng duy nhất mà bỏ sót sự tham gia của họ vào rửa tiền hoặc các tội phạm khác có thể dẫn đến các khoản phạt lên tới hàng triệu đô la, tổn hại danh tiếng và các biện pháp quản lý ở cấp lãnh đạo cao nhất. Bởi vì ngay cả những sai sót nhỏ cũng có thể tạo ra các hậu quả lớn như vậy, việc loại bỏ các khoảng trống nhỏ trong quy trình biết-khách-hàng (KYC) là điều thiết yếu để bảo vệ cả các tổ chức và các bên liên quan của họ.

Theo truyền thống, việc tuân thủ KYC hiệu quả và AML (chống rửa tiền) đòi hỏi đánh giá toàn diện rủi ro của khách hàng trong giai đoạn tiếp nhận, sau đó là giám sát định kỳ cho các thay đổi về hồ sơ rủi ro hoặc hành vi, thường thông qua các quy trình thủ công đặc biệt dễ gây chậm trễ. Hiện nay, AI và tự động hóa cho phép tăng cường KYC và nâng cao giám sát AML bằng cách sử dụng dữ liệu thời gian thực và triển khai cách tiếp cận chủ động hơn trong phòng ngừa tội phạm tài chính.

AI có những vai trò gì trong giảm thiểu rủi ro KYC/AML?

Các lỗi vận hành và các khoản phạt vẫn đang xảy ra mặc dù các ngân hàng đã đầu tư đáng kể vào các quy trình và giải pháp AML/KYC. Juniper Research cho biết chi tiêu toàn cầu cho KYC năm 2024 đạt 30,8 tỷ USD vào năm ngoái. Tuy nhiên, nhiều tổ chức vẫn dựa vào xử lý thủ công và cập nhật dữ liệu khách hàng, điều này làm chậm quá trình onboarding và trì hoãn các cập nhật có thể phát hiện thay đổi trong hồ sơ rủi ro.

Tự động hóa một số quy trình này bằng quy tắc thông qua tự động hóa quy trình robot dựa trên luật (RPA) có thể làm mọi thứ nhanh hơn, nhưng có thể tạo ra tỷ lệ báo động giả cao đòi hỏi nhiều thời gian hơn cho việc rà soát thủ công. Trong khi đó, tội phạm đang sử dụng công nghệ tiên tiến để tránh bị phát hiện bởi các quy trình KYC và AML. Với AI và dữ liệu danh tính bị đánh cắp hoặc giả mạo, chúng có thể tạo ra tài liệu và lịch sử trông đủ thật để lừa các nhà phân tích và các hệ thống tự động cơ bản.

Việc bổ sung tự động hóa có hỗ trợ AI và GenAI vào RPA có thể giúp các ngân hàng giải quyết các thách thức này theo nhiều cách.

1. Trải nghiệm onboarding khách hàng

Là một phần của quy trình KYC, các công ty cung cấp cho khách hàng mới danh sách các tài liệu và dữ liệu cần thiết mà họ không thể tự xác minh độc lập. Khi các yêu cầu này không được truyền đạt hiệu quả, nó có thể làm khách hàng bối rối và trì hoãn việc phê duyệt. Điều này đặc biệt đúng khi thông tin được yêu cầu không khớp rõ ràng với các yêu cầu pháp lý cụ thể của khu vực pháp lý (các) nơi áp dụng, tạo ra thêm công việc cho các nhà phân tích, những người sau đó phải xử lý các điểm không khớp.

Với một mô hình xử lý ngôn ngữ tự nhiên AI được nhúng trong quy trình onboarding, các ngân hàng có thể truyền đạt hiệu quả và yêu cầu thông tin phù hợp dựa trên các quy định cụ thể của các khu vực pháp lý áp dụng. Kết quả là quy trình onboarding nhanh hơn, ít dễ mắc lỗi do ai đó tick nhầm ô hoặc nộp các tài liệu không tương ứng với các yêu cầu nội bộ và tại địa phương. Điều này có thể ngăn các khoảng trống dữ liệu và lỗi trước khi chúng đi vào hệ thống.

2. Phát hiện gian lận danh tính

Các mô hình thị giác máy tính dựa trên AI và phát hiện danh tính tổng hợp (synthetic identity) có thể gắn cờ những khách hàng có tài liệu hoặc lịch sử tài chính trông có vẻ giả mạo hoặc bị đánh cắp, ngay cả khi chúng trông có vẻ hợp lệ đối với các nhà phân tích con người. Những công cụ này tổng hợp dữ liệu từ nhiều nguồn theo thời gian, và chúng có thể thấy các mối liên hệ giữa các dữ liệu mà con người sẽ bỏ sót, trong khi các công cụ động cơ quy tắc truyền thống không thể giải mã. Chúng nhanh chóng đối chiếu một danh tính khách hàng với các hoạt động ngoài đời thực và đưa ra cảnh báo khi xuất hiện sự không khớp để các nhà phân tích có thể điều tra.

3. Giám sát KYC và AML theo thời gian thực

Duy trì dữ liệu khách hàng sau onboarding là một quá trình không bao giờ kết thúc. Việc giám sát các hoạt động của khách hàng với tổ chức, quét tin tức bất lợi về họ và hiểu mọi thay đổi trong mạng lưới kinh doanh của họ là rất quan trọng để tránh bỏ sót dấu hiệu về sự thay đổi trong hồ sơ rủi ro của khách hàng. Các mô hình GenAI có thể điều phối kiểu giám sát này theo thời gian thực bằng cách nạp dữ liệu từ nhiều nền tảng và nguồn dữ liệu, thiết lập hồ sơ rủi ro cơ sở cho từng khách hàng và phát cảnh báo khi dữ liệu mới cho thấy có thay đổi trong hồ sơ rủi ro.

4. Tuân thủ và báo cáo

Các giải pháp onboarding và giám sát toàn diện cũng cung cấp cho các ngân hàng những hiểu biết về dữ liệu mà họ cần để đánh giá mức độ tuân thủ AML, xác định các khu vực cần cải thiện và tạo báo cáo cho các bên liên quan nội bộ cũng như các cơ quan quản lý. Các giải pháp báo cáo GenAI không chỉ giới hạn ở việc nạp lượng lớn dữ liệu và trả lời câu hỏi. Chúng cũng có thể được dạy để hiển thị thông tin đã xử lý bằng các biểu đồ và đồ thị trực quan, trên các dashboard và trong các báo cáo. Tầm nhìn này cho phép ban lãnh đạo ngân hàng nhận diện và ngăn chặn các vấn đề mới nổi trước khi chúng trở thành các vấn đề lớn.

** 5. Thích ứng với thay đổi công nghệ và quy định**

Các hệ thống GenAI và tự động hóa có hỗ trợ AI học từ các đầu vào của chúng. Điều đó có nghĩa là chúng có thể được huấn luyện để thích ứng khi các ngân hàng kết nối các nguồn dữ liệu mới và các nền tảng công nghệ mới, mà không cần tái nền tảng lớn hoặc một quy trình tích hợp dài. Điều này cho phép các tổ chức khai thác được nhiều giá trị hơn từ các khoản đầu tư AI của họ theo thời gian.

Năng lực học hỏi của AI cũng giúp các ngân hàng dễ dàng cập nhật các yêu cầu khi quy định thay đổi. Việc huấn luyện và kiểm thử các mô hình KYC dựa trên AI trên các hướng dẫn mới thường mất ít thời gian hơn so với việc cập nhật thủ công các nền tảng không phải AI. Nó cũng nhanh hơn việc huấn luyện các nhà phân tích theo các hướng dẫn mới. AI thực sự có thể hỗ trợ công tác huấn luyện này nữa, bằng cách trả lời các câu hỏi đơn giản hoặc tóm tắt các thay đổi theo các định dạng dễ đọc. Các nhà phân tích có thể nhanh chóng có được thông tin hiện tại mà họ cần để liên tục tuân thủ và thực thi các chính sách mới.

Giảm thiểu rủi ro bất xứng cho KYC/AML bằng AI

Các công cụ KYC và AML dựa trên AI đại diện cho tương lai của quản lý rủi ro tài chính. Chúng có thể hạn chế đáng kể mức độ phơi nhiễm của các ngân hàng trước các rủi ro bất đối xứng ngày nay và đồng thời thích ứng với các môi trường công nghệ và quy định đang phát triển để bảo vệ khỏi các mối đe dọa trong tương lai. Khi các cơ quan quản lý ngày càng siết chặt việc xem xét vai trò của các tổ chức tài chính trong tội phạm quốc tế, và tội phạm ngày càng trở nên tinh vi hơn trong việc né tránh các kiểm soát KYC và AML truyền thống, việc tích hợp AI vào các quy trình KYC và AML là cách hiệu quả nhất để các Tổ chức tăng cường khả năng bảo vệ ngay bây giờ và trong tương lai.