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

_John Flowers là Trưởng bộ phận Thị trường Tài chính Toàn cầu tại eClerx. Với hơn 30 năm kinh nghiệm trong lĩnh vực dịch vụ công nghệ tài chính, ông đã đảm nhiệm nhiều vai trò điều hành ở cả mảng công nghệ kinh doanh và giao tiếp khách hàng.

Khám phá các tin tức và sự kiện công nghệ tài chính hàng đầu!

Đăng ký nhận bản tin hàng tuần của FinTech Weekly

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

Rủi ro bất đối xứng là mối đe dọa thường trực đối với các ngân hàng, công ty fintech và các doanh nghiệp chịu sự quản lý chặt chẽ khác. Một đánh giá thẩm định không đầy đủ đối với một khách hàng duy nhất mà bỏ sót sự liên quan của họ trong hoạt động rửa tiền hoặc các tội phạm khác có thể dẫn đến các khoản phạt trị giá nhiều triệu đô la, thiệt hại về danh tiếng và các biện pháp xử lý theo quy định ở cấp lãnh đạo cao nhất. Bởi vì ngay cả những sai sót nhỏ cũng có thể tạo ra những hậu quả lớn hơn nhiều, việc loại bỏ những lỗ hổng nhỏ trong quy trình Biết rõ khách hàng (KYC) là điều cần thiết để bảo vệ cả tổ chức và các bên liên quan.

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

Vai trò của AI trong việc giảm thiểu rủi ro KYC/AML là gì?

Các lỗi vận hành và hình phạt vẫn xảy ra bất chấp khoản đầu tư đáng kể của các ngân hàng vào các quy trình và giải pháp AML/KYC. Juniper Research ước tính chi tiêu KYC toàn cầu năm ngoái là 30,8 tỷ USD. Tuy nhiên, nhiều tổ chức vẫn dựa vào việc xử lý và cập nhật dữ liệu khách hàng thủ công, điều này làm chậm quá trình tiếp nhận và trì hoãn các bản cập nhật có thể phát hiện ra những thay đổi trong hồ sơ rủi ro.

Tự động hóa một số quy trình này bằng cách sử dụng tự động hóa quy trình bằng robot (RPA) dựa trên quy tắc có thể tăng tốc độ, nhưng có thể tạo ra tỷ lệ dương tính giả cao, đòi hỏi nhiều thời gian hơn cho việc xem xét 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 nhận dạng bị đánh cắp hoặc giả mạo, chúng có thể tạo ra các tài liệu và lịch sử trông đủ thật để đánh lừa các nhà phân tích và hệ thống tự động cơ bản.

Việc bổ sung tự động hóa hỗ trợ AI và GenAI vào RPA có thể giúp các ngân hàng giải quyết những 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 một danh sách các tài liệu và dữ liệu cần thiết mà họ không thể xác minh độc lập. Khi các yêu cầu này không được truyền đạt hiệu quả, nó có thể gây nhầm lẫn cho khách hàng và làm chậm quá trình phê duyệt. Điều này đặc biệt đúng khi thông tin được yêu cầu không phù hợp rõ ràng với các yêu cầu quy định cụ thể của (các) khu vực pháp lý, tạo thêm công việc cho các nhà phân tích, những người sau đó phải giải quyết sự khác biệt.

Với mô hình xử lý ngôn ngữ tự nhiên 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 hiện hành. Kết quả là một quy trình tiếp nhận nhanh hơn và ít bị lỗi hơn do ai đó chọn sai ô hoặc gửi tài liệu không tương ứng với các yêu cầu địa phương và nội bộ. Điều này có thể ngăn chặn các khoảng trống dữ liệu và lỗi trước khi chúng xâm nhập vào hệ thống.

2. Phát hiện gian lận danh tính

Các mô hình thị giác máy tính hỗ trợ AI và phát hiện danh tính tổng hợp có thể gắn cờ những khách hàng có tài liệu hoặc lịch sử tài chính có vẻ là giả mạo hoặc bị đánh cắp, ngay cả khi chúng trông hợp pháp đối với các nhà phân tích con người. Các công cụ này tổng hợp dữ liệu từ nhiều nguồn theo thời gian và có thể thấy các kết nối giữa các dữ liệu mà con người sẽ bỏ lỡ và các công cụ quy tắc truyền thống không thể giải mã. Chúng nhanh chóng tương quan danh tính khách hàng với hoạt động trong thế giới thực và đưa ra các cảnh báo khi có sự khác biệt 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 khi tiếp nhận là một quy trình không bao giờ kết thúc. Việc giám sát hoạt động của khách hàng với tổ chức, quét 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 không bỏ lỡ các dấu hiệu thay đổi trong hồ sơ rủi ro của khách hàng. Các mô hình GenAI có thể điều phối loại giám sát này theo thời gian thực bằng cách tiếp nhận dữ liệu từ nhiều nền tảng và nguồn dữ liệu, thiết lập hồ sơ rủi ro cơ sở cho mỗi khách hàng và đưa ra cảnh báo khi dữ liệu mới cho thấy sự thay đổi 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 dữ liệu cần thiết để đánh giá việc tuân thủ AML, xác định các lĩnh vực cần cải thiện và tạo 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 tiếp nhận lượng lớn dữ liệu và trả lời câu hỏi. Chúng cũng có thể được dạy để hiển thị thông tin đã xử lý bằng cách sử dụng đồ thị và biểu đồ trực quan, trên bảng điều khiển và trong báo cáo. Khả năng hiển thị này cho phép lãnh đạo ngân hàng xác định và ngăn chặn các vấn đề mới nổi trước khi chúng trở thành vấn đề lớn.

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

GenAI và các hệ thống tự động hóa hỗ trợ AI học hỏi từ đầu vào của chúng. Điều đó có nghĩa là chúng có thể được đào tạo để thích ứng khi các ngân hàng kết nối các nguồn dữ liệu và nền tảng công nghệ mới mà không yêu cầu thay đổi nền tảng lớn hoặc quy trình tích hợp kéo dài. Điều này cho phép các tổ chức thu được nhiều giá trị hơn từ các khoản đầu tư AI của họ theo thời gian.

Khả năng học hỏi của AI cũng giúp các ngân hàng dễ dàng cập nhật các yêu cầu của họ khi các quy định thay đổi. Việc đào tạo và kiểm tra 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 phải AI. Nó cũng nhanh hơn việc đào tạo các nhà phân tích về các hướng dẫn mới. AI thực sự có thể hỗ trợ việc đào tạo này, bằng cách trả lời các câu hỏi đơn giản hoặc tóm tắt các thay đổi ở các định dạng dễ đọc. Các nhà phân tích có thể nhanh chóng có được thông tin hiện tại cần thiết để tuân thủ và thực thi một cách nhất quán các chính sách mới.

Giảm thiểu rủi ro bất đối xứng cho KYC/AML với AI

Các công cụ KYC và AML hỗ trợ AI đại diện cho tương lai của quản lý rủi ro tài chính. Chúng có thể hạn chế mạnh mẽ mức độ rủi ro bất đối xứng của các ngân hàng ngày hôm nay và cũng có thể thích ứng với các môi trường công nghệ và quy định đang phát triển để bảo vệ chống lại các mối đe dọa trong tương lai. Với việc các cơ quan quản lý ngày càng giám sát chặt chẽ 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 quy trình làm việc KYC và AML là cách hiệu quả nhất để các tổ chức tăng cường bảo vệ ngay bây giờ và trong tương lai.