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 giữ nhiều vị trí điều hành ở cả phía công nghệ của doanh nghiệp lẫn phía hướng tới khách hàng.

Khám phá tin tức và sự kiện fintech hàng đầu!

Đăng ký nhận bản tin của FinTech Weekly

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

Rủi ro bất đối 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) không đầy đủ đối với một khách hàng duy nhất, bỏ sót việc họ có liên quan đến rửa tiền hoặc các tội phạm khác, có thể dẫn đến các khoản phạt lên tới hàng triệu đô la, thiệt hại về uy tín và các biện pháp từ phía cơ quan quản lý ở cấp lãnh đạo cao nhất. Bởi vì ngay cả những sai sót nhỏ cũng có thể tạo ra những hậu quả phóng đại này, việc loại bỏ các khoảng trống nhỏ trong quy trình xác minh danh tính khách hàng (KYC) là điều thiết yếu để bảo vệ cả các tổ chức lẫn các bên liên quan của họ.

Truyền thống, việc tuân thủ KYC hiệu quả và chống rửa tiền (AML) đòi hỏi đánh giá toàn diện rủi ro khách hàng trong giai đoạn tiếp nhận, sau đó là giám sát theo lịch để theo dõi những thay đổi về hồ sơ rủi ro hoặc hành vi, thường thông qua các quy trình thủ công đặc biệt dễ dẫn đến chậm trễ. Giờ đây, AI và tự động hóa giúp có thể củng cố KYC và nâng cao giám sát AML bằng cách sử dụng dữ liệu theo thời gian thực và áp dụng cách tiếp cận chủ động hơn để phòng ngừa tội phạm tài chính.

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

Các lỗi vận hành và các khoản phạt vẫn đang xảy ra dù các ngân hàng đã đầu tư đáng kể vào quy trình và giải pháp AML/KYC. Juniper Research đã ước tính chi tiêu toàn cầu cho KYC năm 2024 đạt $30.8Bỷ vào năm ngoái. Tuy nhiên, nhiều tổ chức vẫn dựa vào xử lý thủ công và cập nhật dữ liệu khách hàng, khiến việc tiếp nhận bị chậm và các bản cập nhật có thể báo hiệu thay đổi trong hồ sơ rủi ro bị trễ.

Tự động hóa một số quy trình này bằng tự động hóa quy trình bằng robot (RPA) dựa trên quy tắc có thể làm nhanh hơn, nhưng có thể tạo ra tỷ lệ cảnh báo dương tính 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 thông qua các quy trình KYC và AML. Với AI và dữ liệu danh tính bị đánh cắp hoặc giả mạo, chúng có thể tạo ra các tài liệu và lịch sử trông đủ “thật” để lừa các chuyên viên phân tích và các hệ thống tự động cơ bản.

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

1. Trải nghiệm tiếp nhận 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 khiến khách hàng bối rối và làm chậm việc phê duyệt. Điều này đặc biệt đúng khi thông tin được yêu cầu không khớp rõ ràng với các yêu cầu quy định cụ thể của (các) khu vực pháp lý, từ đó tạo thêm công việc cho các chuyên viên phân tích, những người sau đó phải xử lý các điểm không khớp.

Với một mô hình xử lý ngôn ngữ tự nhiên của AI được nhúng trong quy trình tiếp nhận, các ngân hàng có thể giao tiếp 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 một quy trình tiếp nhận nhanh hơn, ít bị sai sót hơn do ai đó đánh dấu 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 xảy ra trước khi chúng đi vào hệ thống.

2. Phát hiện gian lận danh tính

Các mô hình máy tính thị giác (computer vision) và phát hiện danh tính tổng hợp (synthetic identity) do AI cung cấp 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 hợp lệ đối với các chuyên viên phân tích con người. Các công cụ này tổng hợp dữ liệu từ nhiều nguồn theo thời gian, và chúng có thể nhìn thấy các mối liên hệ giữa các dữ liệu mà con người sẽ bỏ sót, đồng thời các công cụ máy móc dựa trên quy tắc truyền thống cũng không thể giải mã. Chúng nhanh chóng đối chiếu danh tính của một khách hàng với hoạt động ngoài đời thực và đưa ra cảnh báo khi xuất hiện các điểm không khớp để các chuyên viên phân tích có thể điều tra.

3. Giám sát KYC và AML theo thời gian thực

Duy trì dữ liệu khách hàng sau khi tiếp nhận là một quá trình không có điểm dừng. Việc giám sát các hoạt động của khách hàng với tổ chức, rà soát các tin tức bất lợi về họ và hiểu bất kỳ thay đổi nào trong mạng lưới kinh doanh của họ là rất quan trọng để tránh bỏ lỡ dấu hiệu cho thấy hồ sơ rủi ro của khách hàng có sự thay đổi. 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 kích hoạt cảnh báo khi dữ liệu mới cho thấy có sự thay đổi về hồ sơ rủi ro.

4. Tuân thủ và báo cáo

Các giải pháp tiếp nhận 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 lĩnh vực cần cải thiện và tạo ra báo cáo cho các bên liên quan nội bộ và cơ quan quản lý. Các giải pháp báo cáo GenAI không chỉ giới hạn ở việc nạp lượng lớn dữ liệu và trả lời các 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 bảng điều khiển (dashboard) và trong các báo cáo. Tính minh bạch này cho phép ban lãnh đạo ngân hàng nhận diện và ngăn chặn các vấn đề mới phát sinh trước khi chúng trở thành các vấn đề lớn.

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

Các hệ thống GenAI và tự động hóa được hỗ trợ bởi AI học hỏi 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, mà không cần thực hiện tái nền tảng (replatforming) lớn hoặc một quy trình tích hợp dài. Điều này cho phép các tổ chức khai thác giá trị từ các khoản đầu tư AI của họ theo thời gian.

Khả năng học tập 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 AI trên các hướng dẫn mới thường mất ít thời gian hơn so với việc cập nhật thủ công các nền tảng không dùng AI. Đồng thời, việc này còn nhanh hơn so với việc huấn luyện các chuyên viên phân tích về các hướng dẫn mới. AI thực sự cũng có thể hỗ trợ quá trình huấn luyện này, bằng cách trả lời các câu hỏi đơn giản hoặc tóm tắt những thay đổi theo các định dạng dễ đọc. Các chuyên viên 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 rủi ro bất đối xứng cho KYC/AML bằng AI

Các công cụ KYC và AML do AI cung cấp là tương lai của quản lý rủi ro tài chính. Chúng có thể hạn chế mạnh mẽ 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 thay đổi để bảo vệ trước các mối đe dọa trong tương lai. Khi các cơ quan quản lý ngày càng siết chặt việc soi xét vai trò của các tổ chức tài chính trong tội phạm quốc tế, và tội phạm ngày càng giỏi hơn trong việc né tránh các biện pháp 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 củng cố khả năng bảo vệ ngay bây giờ và trong tương lai.