Как может ИИ-управляемая процедура KYC снизить асимметричный риск для банков?

Джон Флауэрс занимает должность глобального руководителя отдела финансовых рынков в eClerx. Имея более 30 лет опыта в сфере финансовых технологических услуг, он занимал различные руководящие должности как в области технологий бизнеса, так и в сфере взаимодействия с клиентами.

Откройте для себя лучшие новости и события финтеха!

Подпишитесь на рассылку FinTech Weekly

Читают руководители JP Morgan, Coinbase, Blackrock, Klarna и другие

Асимметричный риск постоянно угрожает банкам, финтех-компаниям и другим строго регулируемым бизнесам. Неполный аудит одного клиента, пропускающий его участие в отмывании денег или других преступлениях, может привести к многомиллионным штрафам, ущербу репутации и регуляторным мерам на самом высоком уровне руководства. Потому что даже небольшие ошибки могут иметь такие масштабные последствия, устранение мелких пробелов в процессах “знай своего клиента” (KYC) и AML (AML) является важнейшим для защиты как самих учреждений, так и их заинтересованных сторон.

Традиционно эффективное соблюдение требований KYC и AML требовало всесторонней оценки риска клиента при его подключении, а затем — регулярного мониторинга изменений в профиле риска или поведении, зачастую с помощью чрезвычайно ручных процессов, склонных к задержкам. Теперь ИИ и автоматизация позволяют укрепить процессы KYC и повысить контроль AML, используя данные в реальном времени и позволяя более проактивно предотвращать финансовые преступления.

Какова роль ИИ в снижении рисков KYC/AML?

Ошибки в операционной деятельности и штрафы происходят несмотря на значительные инвестиции банков в процессы и решения AML/KYC. Согласно исследованию Juniper Research, в 2024 году глобальные расходы на KYC составили 30,8 миллиарда долларов в прошлом году. Тем не менее, многие учреждения по-прежнему полагаются на ручную обработку и обновление данных клиентов, что замедляет процесс подключения и задерживает обновления, которые могли бы выявить изменения в профиле риска.

Автоматизация некоторых из этих процессов с помощью правил-основанной роботизированной автоматизации процессов (RPA) может ускорить работу, но при этом может привести к высокому уровню ложных срабатываний, требующих дополнительных ручных проверок. В то же время, преступники используют передовые технологии, чтобы избежать обнаружения через процессы KYC и AML. Используя ИИ и украденные или фальшивые данные, они могут создавать документы и истории, выглядящие достаточно правдоподобно, чтобы обмануть аналитиков и базовые автоматизированные системы.

Добавление автоматизации с поддержкой ИИ и GenAI в RPA может помочь банкам решать эти задачи несколькими способами.

1. Опыт подключения клиента

В рамках процесса KYC компании предоставляют новым клиентам список необходимых документов и данных, которые они не могут проверить самостоятельно. Когда эти требования не доводятся до клиента должным образом, это может вызвать путаницу и задержки в одобрении. Особенно это актуально, когда запрашиваемая информация не четко соответствует конкретным нормативным требованиям юрисдикции(s), создавая дополнительную работу для аналитиков, которым приходится устранять несоответствия.

С помощью модели обработки естественного языка на базе ИИ, встроенной в процесс подключения, банки могут эффективно коммуницировать и запрашивать необходимую информацию в соответствии с конкретными нормативами соответствующих юрисдикций. В результате процесс подключения становится быстрее и менее подвержен ошибкам, вызванным неправильным выбором или подачей документов, не соответствующих местным и внутренним требованиям. Это позволяет предотвратить появление пробелов и ошибок в данных до их попадания в систему.

2. Обнаружение мошенничества с личностью

Модели компьютерного зрения и синтетического обнаружения личности, основанные на ИИ, могут выявлять клиентов, чьи документы или финансовая история выглядят фальшивыми или украденными, даже если они кажутся легитимными для человека-аналитика. Эти инструменты синтезируют данные из различных источников за определенное время, выявляя связи между данными, которые пропустил бы человек, и которые не могут быть распознаны традиционными правилами. Они быстро связывают личность клиента с реальной деятельностью и поднимают тревогу при обнаружении несоответствий, чтобы аналитики могли провести расследование.

3. Мониторинг KYC и AML в реальном времени

Поддержание данных клиента после подключения — это бесконечный процесс. Мониторинг деятельности клиента в учреждении, поиск негативных новостей о нем и отслеживание изменений в его деловых связях — критически важные задачи для предотвращения пропуска признаков изменения профиля риска клиента. Модели GenAI могут организовать такой мониторинг в реальном времени, собирая данные из различных платформ и источников, устанавливая исходный профиль риска для каждого клиента и поднимая тревоги при появлении новых данных, указывающих на изменение риска.

4. Соблюдение нормативных требований и отчетность

Комплексные решения для подключения и мониторинга также предоставляют банкам необходимые аналитические данные для оценки соответствия AML, выявления областей для улучшения и формирования отчетов для внутренних заинтересованных сторон и регуляторов. Решения на базе GenAI не ограничиваются только сбором больших объемов данных и ответами на вопросы. Их также можно обучить отображать обработанную информацию с помощью интуитивных графиков и диаграмм, на панелях управления и в отчетах. Такая видимость позволяет руководству банка выявлять и предотвращать возникающие проблемы до того, как они станут серьезными.

5. Адаптация к технологическим и нормативным изменениям

Системы на базе GenAI и автоматизации с поддержкой ИИ учатся на своих данных. Это означает, что их можно обучать адаптироваться, когда банки подключают новые источники данных и технологические платформы, без необходимости масштабных перестроек или длительных интеграционных процессов. Это позволяет учреждениям получать больше пользы от своих инвестиций в ИИ со временем.

Способность ИИ к обучению также облегчает обновление требований при изменениях нормативных актов. Обучение и тестирование моделей KYC на базе ИИ по новым руководствам обычно занимает меньше времени, чем ручное обновление неиспользующих ИИ платформ. Это быстрее, чем обучение аналитиков новым правилам. ИИ также может помочь в этом процессе, отвечая на простые вопросы или кратко резюмируя изменения в легко читаемой форме. Аналитики быстро получают актуальную информацию, необходимую для последовательного соблюдения и внедрения новых политик.

Снижение асимметричного риска для KYC/AML с помощью ИИ

Инструменты KYC и AML на базе ИИ представляют будущее управления финансовыми рисками. Они могут значительно ограничить экспозицию банков к асимметричным рискам сегодня и адаптироваться к меняющимся технологическим и нормативным условиям, чтобы защититься от будущих угроз. Поскольку регуляторы все больше обращают внимание на роль финансовых учреждений в международной преступной деятельности, а преступники становятся все более искусными в обход традиционных систем KYC и AML, интеграция ИИ в рабочие процессы KYC и AML — наиболее эффективный способ для учреждений укрепить защиту сейчас и в будущем.