Bagaimana KYC Berbasis AI Dapat Mengurangi Risiko Asimetris bagi Bank?

John Flowers menjabat sebagai Kepala Global Pasar Keuangan di eClerx. Dengan pengalaman lebih dari 30 tahun di sektor layanan teknologi keuangan, ia telah memegang berbagai posisi eksekutif di sisi teknologi bisnis maupun layanan pelanggan.

Temukan berita dan acara fintech teratas!

Berlangganan newsletter FinTech Weekly

Dibaca oleh eksekutif di JP Morgan, Coinbase, Blackrock, Klarna dan lainnya

Risiko asimetris merupakan ancaman konstan bagi bank, fintech, dan bisnis lain yang sangat diatur. Tinjauan due diligence yang tidak lengkap terhadap satu pelanggan yang melewatkan keterlibatan mereka dalam pencucian uang atau kejahatan lain dapat menyebabkan denda jutaan dolar, kerusakan reputasi, dan tindakan regulasi di tingkat tertinggi. Karena bahkan kesalahan kecil dapat menghasilkan konsekuensi besar ini, menghilangkan celah kecil dalam proses mengetahui pelanggan (KYC) sangat penting untuk melindungi institusi dan pemangku kepentingannya.

Secara tradisional, kepatuhan KYC dan anti-pencucian uang (AML) yang efektif memerlukan evaluasi risiko pelanggan secara menyeluruh saat onboarding, diikuti dengan pemantauan terjadwal terhadap perubahan profil risiko atau perilaku, sering melalui proses yang sangat manual dan rentan terhadap penundaan. Kini, AI dan otomatisasi memungkinkan penguatan KYC dan peningkatan pengawasan AML dengan menggunakan data waktu nyata dan memungkinkan pendekatan yang lebih proaktif terhadap pencegahan kejahatan keuangan.

Apa peran AI dalam pengurangan risiko KYC/AML?

Kesalahan operasional dan denda tetap terjadi meskipun bank telah menginvestasikan secara besar-besaran dalam proses dan solusi AML/KYC. Juniper Research memperkirakan pengeluaran global untuk KYC pada tahun 2024 mencapai $30,8 miliar tahun lalu. Namun, banyak institusi masih bergantung pada proses manual dan pembaruan data pelanggan, yang memperlambat proses onboarding dan menunda pembaruan yang dapat menandai perubahan dalam profil risiko.

Mengotomatisasi beberapa proses ini menggunakan robotic process automation (RPA) berbasis aturan dapat mempercepat proses, tetapi mungkin menghasilkan tingkat positif palsu yang tinggi yang memerlukan waktu lebih lama untuk tinjauan manual. Sementara itu, penjahat menggunakan teknologi canggih untuk menghindari deteksi oleh proses KYC dan AML. Dengan AI dan data identitas palsu atau curian, mereka dapat membuat dokumen dan riwayat yang tampak cukup nyata untuk menipu analis dan sistem otomatis dasar.

Menambahkan otomatisasi berbasis AI dan GenAI ke RPA dapat membantu bank mengatasi tantangan ini dengan berbagai cara.

1. Pengalaman onboarding pelanggan

Sebagai bagian dari proses KYC, perusahaan memberikan daftar dokumen dan data yang tidak dapat diverifikasi secara independen oleh pelanggan baru. Ketika persyaratan ini tidak dikomunikasikan secara efektif, dapat membingungkan pelanggan dan memperlambat proses persetujuan. Hal ini terutama berlaku ketika informasi yang diminta tidak sesuai dengan persyaratan regulasi spesifik dari yurisdiksi terkait, menciptakan pekerjaan tambahan bagi analis yang harus menyelesaikan ketidaksesuaian tersebut.

Dengan model pemrosesan bahasa alami (NLP) berbasis AI yang terintegrasi dalam proses onboarding, bank dapat berkomunikasi secara efektif dan meminta informasi yang sesuai berdasarkan regulasi spesifik dari yurisdiksi yang berlaku. Hasilnya adalah proses onboarding yang lebih cepat dan kurang rentan terhadap kesalahan yang disebabkan oleh seseorang yang mencentang kotak yang salah atau mengirim dokumen yang tidak sesuai dengan persyaratan lokal dan internal. Ini dapat mencegah celah data dan kesalahan sebelum masuk ke sistem.

2. Deteksi penipuan identitas

Model visi komputer berbasis AI dan deteksi identitas sintetis dapat menandai pelanggan yang dokumen atau riwayat keuangannya tampak palsu atau dicuri, bahkan jika tampak sah bagi analis manusia. Alat ini mensintesis data dari berbagai sumber dari waktu ke waktu, dan mereka dapat melihat hubungan antar data yang akan terlewatkan manusia, serta yang tidak dapat dipecahkan oleh mesin aturan tradisional. Mereka dengan cepat mengkorelasikan identitas pelanggan dengan aktivitas dunia nyata dan mengangkat bendera ketika muncul ketidaksesuaian sehingga analis dapat menyelidiki.

3. Pemantauan KYC dan AML waktu nyata

Memelihara data pelanggan setelah onboarding adalah proses yang tak pernah berakhir. Memantau aktivitas pelanggan dengan institusi, memindai berita buruk tentang mereka, dan memahami perubahan dalam jaringan bisnis mereka sangat penting untuk menghindari kehilangan tanda-tanda perubahan dalam profil risiko pelanggan. Model GenAI dapat mengorkestrasi pemantauan semacam ini secara waktu nyata dengan mengimpor data dari berbagai platform dan sumber data, menetapkan profil risiko dasar untuk setiap pelanggan, dan mengangkat peringatan ketika data baru menunjukkan perubahan profil risiko.

4. Kepatuhan dan pelaporan

Solusi onboarding dan pemantauan yang komprehensif juga memberi bank wawasan data yang mereka butuhkan untuk menilai kepatuhan AML, mengidentifikasi area yang perlu diperbaiki, dan menghasilkan laporan untuk pemangku kepentingan internal dan regulator. Solusi pelaporan berbasis GenAI tidak terbatas pada mengimpor data dalam jumlah besar dan menjawab pertanyaan. Mereka juga dapat diajarkan untuk menampilkan informasi yang diproses menggunakan grafik dan bagan yang intuitif, di dashboard, dan dalam laporan. Visibilitas ini memungkinkan pimpinan bank mengidentifikasi dan menghentikan masalah yang muncul sebelum menjadi masalah besar.

5. Beradaptasi dengan perubahan teknologi dan regulasi

GenAI dan sistem otomatisasi berbasis AI belajar dari input mereka. Artinya, mereka dapat dilatih untuk beradaptasi saat bank menghubungkan sumber data dan platform teknologi baru, tanpa memerlukan replatforming besar atau proses integrasi yang panjang. Ini memungkinkan institusi mendapatkan lebih banyak manfaat dari investasi AI mereka seiring waktu.

Kemampuan belajar AI juga memudahkan bank memperbarui persyaratan mereka saat regulasi berubah. Melatih dan menguji model KYC berbasis AI berdasarkan pedoman baru biasanya memakan waktu lebih sedikit daripada memperbarui platform non-AI secara manual. Ini juga lebih cepat daripada melatih analis tentang pedoman baru. AI bahkan dapat membantu dalam pelatihan ini, dengan menjawab pertanyaan sederhana atau merangkum perubahan dalam format yang mudah dibaca. Analis dapat dengan cepat memperoleh informasi terbaru yang mereka butuhkan untuk secara konsisten mengikuti dan menegakkan kebijakan baru.

Mengurangi risiko asimetris untuk KYC/AML dengan AI

Alat KYC dan AML berbasis AI mewakili masa depan manajemen risiko keuangan. Mereka dapat secara tajam membatasi paparan bank terhadap risiko asimetris saat ini dan juga beradaptasi dengan lingkungan teknologi dan regulasi yang berkembang untuk melindungi dari ancaman di masa depan. Dengan regulator yang semakin mengawasi peran lembaga keuangan dalam kejahatan internasional, dan penjahat yang semakin mahir menghindari kontrol KYC dan AML tradisional, mengintegrasikan AI ke dalam alur kerja KYC dan AML adalah cara paling efektif bagi institusi untuk memperkuat perlindungan sekarang dan di masa mendatang.