Як штучний інтелект, керований процес KYC може зменшити асиметричний ризик для банків?

Джон Флауерс виконує обов’язки Глобального керівника фінансових ринків у eClerx. Маючи понад 30 років досвіду у сфері фінансових технологічних послуг, він займав різні керівні посади як у технологічній сфері компанії, так і на стороні клієнтів.

Дізнайтеся про найновіші новини та події у фінтеху!

Підписуйтеся на розсилку FinTech Weekly

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

Асиметричний ризик постійно загрожує банкам, фінтехам та іншим строго регульованим бізнесам. Недосконала перевірка одного клієнта, яка пропускає його участь у відмиванні грошей або інших злочинах, може призвести до багатомільйонних штрафів, репутаційних втрат і регуляторних заходів на найвищому рівні керівництва. Навіть невеликі помилки можуть мати значні наслідки, тому усунення дрібних прогалин у процесах “знай свого клієнта” (KYC) є критично важливим для захисту як самих установ, так і їхніх зацікавлених сторін.

Традиційно ефективне дотримання вимог KYC та протидії відмиванню грошей (AML) вимагало всебічної оцінки ризиків клієнта під час його прийому, а потім — запланованого моніторингу змін у профілі ризику або поведінці, часто за допомогою надзвичайно ручних процесів, схильних до затримок. Тепер штучний інтелект і автоматизація дозволяють зміцнити KYC і покращити контроль AML, використовуючи дані у реальному часі та запроваджуючи більш проактивний підхід до запобігання фінансовим злочинам.

Які ролі відіграє штучний інтелект у зменшенні ризиків KYC/AML?

Операційні помилки та штрафи трапляються попри значні інвестиції банків у процеси та рішення AML/KYC. За даними Juniper Research, у 2024 році глобальні витрати на KYC склали 30,8 мільярдів доларів у минулому році. Однак багато установ досі покладаються на ручну обробку та оновлення даних клієнтів, що уповільнює процес прийому і затримує оновлення, які могли б виявити зміни у профілі ризику.

Автоматизація деяких із цих процесів за допомогою правил-орієнтованої роботизованої автоматизації процесів (RPA) може прискорити їх, але може спричинити високий рівень хибних спрацьовувань, що вимагає додаткового часу на ручний перегляд. Тим часом злочинці використовують передові технології, щоб уникнути виявлення через процеси KYC і AML. За допомогою штучного інтелекту та викрадених або фальшивих даних особистості вони можуть створювати документи та історії, що виглядають досить реальними, щоб обдурити аналітиків і базові автоматизовані системи.

Додавання автоматизації з підтримкою AI і GenAI до RPA може допомогти банкам вирішити ці виклики кількома способами.

1. Досвід клієнта під час прийому

Як частина процесу KYC, компанії надають новим клієнтам список необхідних документів і даних, які вони не можуть підтвердити самостійно. Якщо ці вимоги не комунікуються ефективно, це може заплутати клієнтів і затримати схвалення. Це особливо актуально, коли запитувана інформація не чітко відповідає конкретним регуляторним вимогам юрисдикції(й), що створює додаткову роботу для аналітиків, які мають вирішувати розбіжності.

З використанням моделі обробки природної мови (NLP) з AI, інтегрованої у процес прийому, банки можуть ефективно комунікувати і запитувати відповідну інформацію відповідно до конкретних регуляцій юрисдикцій. Це дозволяє пришвидшити процес прийому, зменшити кількість помилок, спричинених неправильним вибором або поданням документів, що не відповідають внутрішнім або місцевим вимогам. Це може запобігти появі прогалин і помилок у даних ще до їх потрапляння до системи.

2. Виявлення шахрайства з особистістю

Моделі комп’ютерного зору та синтетичного виявлення особистостей, що базуються на штучному інтелекті, можуть позначати клієнтів, документи або фінансову історію яких здаються підробленими або викраденими, навіть якщо вони виглядають легітимними для людських аналітиків. Ці інструменти синтезують дані з кількох джерел за часом і можуть бачити зв’язки між даними, які пропускають люди, і які не можуть розпізнати традиційні правила. Вони швидко корелюють ідентичність клієнта з реальними діями і піднімають тривоги при виявленні розбіжностей для подальшого розслідування.

3. Моніторинг у реальному часі KYC і AML

Підтримка даних клієнтів після їх прийому — це безперервний процес. Моніторинг активності клієнтів у межах установи, пошук негативних новин і розуміння змін у їхніх бізнес-мережах є критичними для виявлення ознак зміни профілю ризику клієнта. Моделі GenAI можуть координувати цей моніторинг у реальному часі, обробляючи дані з різних платформ і джерел, встановлюючи базовий профіль ризику для кожного клієнта і піднімаючи тривоги при появі нових даних, що свідчать про зміну ризикового профілю.

4. Відповідність та звітність

Комплексні рішення для прийому і моніторингу також надають банкам необхідні дані для оцінки відповідності AML, виявлення сфер для покращення і створення звітів для внутрішніх зацікавлених сторін і регуляторів. Звітувальні рішення на базі GenAI не обмежуються лише обробкою великих обсягів даних і відповіддю на запитання. Їх можна навчити відображати оброблену інформацію у зручних графіках і діаграмах, на панелях управління та у звітах. Це дозволяє керівництву банку швидко виявляти і запобігати виникненню проблем ще до їхнього ускладнення.

5. Адаптація до технологічних і регуляторних змін

Моделі GenAI і системи автоматизації з підтримкою AI навчаються на своїх даних. Це означає, що їх можна тренувати для адаптації, коли банки підключають нові джерела даних і технологічні платформи, без необхідності масштабної перебудови або тривалих інтеграційних процесів. Це дозволяє установам отримувати більше цінності від своїх інвестицій у AI з часом.

Здатність AI до навчання також полегшує оновлення вимог при зміні регуляцій. Навчання і тестування моделей AI для KYC за новими регламентами зазвичай займає менше часу, ніж ручне оновлення не-AI платформ. Це швидше, ніж навчання аналітиків новим правилам. AI також може допомагати у цьому навчанні, відповідаючи на прості запитання або підсумовуючи зміни у легкочитабних форматах. Аналітики швидко отримують актуальну інформацію для послідовного дотримання і застосування нових політик.

Зменшення асиметричного ризику для KYC/AML за допомогою AI

Інструменти AI для KYC і AML уособлюють майбутнє управління фінансовими ризиками. Вони можуть суттєво обмежити експозицію банків до асиметричних ризиків сьогодні і адаптуватися до змін у технологічних і регуляторних умовах, щоб захистити від майбутніх загроз. Оскільки регулятори все частіше приділяють увагу ролі фінансових установ у міжнародних злочинах, а злочинці стають все більш майстерними у обході традиційних контролів KYC і AML, інтеграція AI у робочі процеси KYC і AML є найефективнішим способом для установ зміцнити захист зараз і в майбутньому.