¿Cómo puede la verificación de identidad impulsada por IA reducir el riesgo asimétrico para los bancos?

John Flowers desempeña el cargo de Director Global de Mercados Financieros en eClerx. Con más de 30 años de experiencia en el sector de servicios de tecnología financiera, ha ocupado diversos cargos ejecutivos tanto en el área tecnológica de la empresa como en la atención a clientes.

¡Descubre las principales noticias y eventos del sector fintech!

Suscríbete al boletín de FinTech Weekly

Leído por ejecutivos de JP Morgan, Coinbase, Blackrock, Klarna y más

El riesgo asimétrico representa una amenaza constante para bancos, fintechs y otros negocios altamente regulados. Una revisión incompleta de la diligencia debida en un solo cliente que pase por alto su participación en lavado de dinero u otros delitos puede resultar en multas multimillonarias, daños a la reputación y acciones regulatorias en los niveles más altos de liderazgo. Porque incluso pequeños errores pueden producir estas consecuencias desproporcionadas, eliminar brechas menores en los procesos de conocimiento del cliente (KYC) es esencial para proteger tanto a las instituciones como a sus stakeholders.

Tradicionalmente, el cumplimiento efectivo de KYC y anti lavado de dinero (AML) ha requerido una evaluación integral del riesgo del cliente durante la incorporación, seguida de monitoreo programado para detectar cambios en el perfil o comportamiento de riesgo, a menudo mediante procesos manuales que son propensos a retrasos. Ahora, la inteligencia artificial y la automatización hacen posible fortalecer KYC y mejorar la supervisión AML mediante el uso de datos en tiempo real y permitiendo un enfoque más proactivo en la prevención del delito financiero.

¿Cuáles son los roles de la IA en la reducción del riesgo de KYC/AML?

Los errores operativos y las sanciones ocurren a pesar de la inversión sustancial de los bancos en procesos y soluciones AML/KYC. Juniper Research estimó que en 2024 el gasto global en KYC alcanzó los 30.8 mil millones de dólares el año pasado. Sin embargo, muchas instituciones todavía dependen del procesamiento manual y la actualización de datos de los clientes, lo que ralentiza la incorporación y retrasa las actualizaciones que podrían detectar cambios en el perfil de riesgo.

Automatizar algunos de estos procesos mediante automatización robótica de procesos basada en reglas (RPA) puede acelerar las cosas, pero puede generar altas tasas de falsos positivos que requieren más tiempo para revisiones manuales. Mientras tanto, los delincuentes utilizan tecnología avanzada para evitar ser detectados por los procesos de KYC y AML. Con IA y datos de identidad falsos o robados, pueden crear documentos e historiales que parecen reales lo suficiente para engañar a analistas y sistemas automatizados básicos.

Agregar automatización habilitada por IA y GenAI a la RPA puede ayudar a los bancos a abordar estos desafíos de varias maneras.

1. Experiencia de incorporación del cliente

Como parte del proceso de KYC, las empresas proporcionan a los nuevos clientes una lista de documentos y datos que no pueden verificar de forma independiente. Cuando estos requisitos no se comunican de manera efectiva, puede confundir a los clientes y retrasar las aprobaciones. Esto es especialmente cierto cuando la información solicitada no se alinea claramente con los requisitos regulatorios específicos de la(s) jurisdicción(es), creando trabajo adicional para los analistas que deben resolver las discrepancias.

Con un modelo de procesamiento de lenguaje natural (PLN) de IA integrado en el proceso de incorporación, los bancos pueden comunicarse de manera efectiva y solicitar la información adecuada según las regulaciones específicas de las jurisdicciones aplicables. El resultado es un proceso de incorporación más rápido y menos propenso a errores causados por alguien que marca la casilla equivocada o presenta documentos que no corresponden a los requisitos locales e internos. Esto puede evitar brechas y errores en los datos antes de que ingresen al sistema.

2. Detección de fraude de identidad

Los modelos de visión por computadora y detección de identidades sintéticas habilitados por IA pueden marcar a los clientes cuyos documentos o historiales financieros parecen falsos o robados, incluso si parecen legítimos para los analistas humanos. Estas herramientas sintetizan datos de múltiples fuentes a lo largo del tiempo, y pueden detectar conexiones entre los datos que los humanos pasarían por alto, y que los motores de reglas tradicionales no pueden descifrar. Rápidamente correlacionan la identidad del cliente con actividades en el mundo real y generan alertas cuando aparecen discrepancias para que los analistas puedan investigar.

3. Monitoreo en tiempo real de KYC y AML

Mantener los datos del cliente después de la incorporación es un proceso continuo. Monitorear las actividades del cliente en la institución, buscar noticias adversas sobre ellos y entender cualquier cambio en sus redes comerciales es fundamental para no pasar por alto señales de un cambio en el perfil de riesgo del cliente. Los modelos de GenAI pueden orquestar este tipo de monitoreo en tiempo real, ingiriendo datos de múltiples plataformas y fuentes, estableciendo un perfil de riesgo base para cada cliente y generando alertas cuando los nuevos datos indican un cambio en el perfil de riesgo.

4. Cumplimiento y generación de informes

Las soluciones integrales de incorporación y monitoreo también proporcionan a los bancos los datos necesarios para evaluar el cumplimiento de AML, identificar áreas de mejora y generar informes para los stakeholders internos y reguladores. Las soluciones de informes con GenAI no se limitan a ingerir grandes cantidades de datos y responder preguntas. También pueden ser entrenadas para mostrar la información procesada mediante gráficos y tablas intuitivos, en paneles de control y en informes. Esta visibilidad permite a la dirección del banco identificar y detener problemas emergentes antes de que se conviertan en problemas mayores.

5. Adaptación a cambios tecnológicos y regulatorios

Los sistemas de GenAI y automatización habilitada por IA aprenden de sus entradas. Esto significa que pueden ser entrenados para adaptarse cuando los bancos conectan nuevas fuentes de datos y plataformas tecnológicas, sin requerir una reestructuración importante o un proceso de integración prolongado. Esto permite a las instituciones obtener más valor de sus inversiones en IA con el tiempo.

La capacidad de aprendizaje de la IA también facilita que los bancos actualicen sus requisitos cuando cambian las regulaciones. Capacitar y probar modelos de IA para KYC con nuevas directrices suele tomar menos tiempo que actualizar manualmente plataformas no basadas en IA. También es más rápido que capacitar a los analistas en nuevas regulaciones. La IA puede ayudar en esta capacitación, respondiendo preguntas simples o resumiendo los cambios en formatos fáciles de entender. Los analistas pueden acceder rápidamente a la información actual que necesitan para seguir y hacer cumplir las nuevas políticas de manera consistente.

Reduciendo el riesgo asimétrico en KYC/AML con IA

Las herramientas de KYC y AML impulsadas por IA representan el futuro de la gestión del riesgo financiero. Pueden limitar drásticamente la exposición de los bancos a riesgos asimétricos hoy en día y también adaptarse a entornos tecnológicos y regulatorios en evolución para proteger contra amenazas futuras. Con los reguladores aumentando la vigilancia sobre el papel de las instituciones financieras en delitos internacionales, y los delincuentes volviéndose más hábiles para evadir los controles tradicionales de KYC y AML, integrar IA en los flujos de trabajo de KYC y AML es la forma más efectiva para que las instituciones fortalezcan su protección ahora y en el futuro.