Como pode a KYC impulsionada por IA reduzir o risco assimétrico para os bancos?

John Flowers atua como Diretor Global de Mercados Financeiros na eClerx. Com mais de 30 anos de experiência no setor de serviços de tecnologia financeira, ocupou várias funções executivas tanto na área de tecnologia quanto na de relacionamento com clientes.

Descubra as principais notícias e eventos do setor fintech!

Inscreva-se na newsletter da FinTech Weekly

Lida por executivos do JP Morgan, Coinbase, Blackrock, Klarna e mais

O risco assimétrico representa uma ameaça constante para bancos, fintechs e outros negócios altamente regulados. Uma revisão incompleta de due diligence de um único cliente, que deixe passar seu envolvimento em lavagem de dinheiro ou outros crimes, pode resultar em multas de milhões de dólares, danos à reputação e ações regulatórias de alto nível. Porque mesmo pequenos erros podem gerar essas consequências desproporcionais, eliminar lacunas menores nos processos de conhecer o seu cliente (KYC) é essencial para proteger tanto as instituições quanto seus stakeholders.

Tradicionalmente, a conformidade eficaz com KYC e combate à lavagem de dinheiro (AML) exigia uma avaliação abrangente do risco do cliente durante a integração, seguida de monitoramento periódico para mudanças no perfil ou comportamento de risco, muitas vezes por processos extremamente manuais sujeitos a atrasos. Agora, a IA e a automação tornam possível fortalecer o KYC e aprimorar a supervisão de AML usando dados em tempo real e permitindo uma abordagem mais proativa na prevenção de crimes financeiros.

Qual é o papel da IA na redução de riscos de KYC/AML?

Erros operacionais e penalidades continuam ocorrendo apesar do investimento substancial dos bancos em processos e soluções de AML/KYC. A Juniper Research estimou que os gastos globais com KYC em 2024 atingiram US$ 30,8 bilhões no ano passado. Ainda assim, muitas instituições continuam dependendo de processos manuais de atualização de dados dos clientes, o que desacelera a integração e atrasa atualizações que poderiam identificar mudanças no perfil de risco.

Automatizar alguns desses processos usando automação de processos robóticos baseada em regras (RPA) pode acelerar as operações, mas pode gerar altas taxas de falsos positivos, exigindo mais tempo para revisões manuais. Enquanto isso, criminosos usam tecnologia avançada para evitar serem detectados pelos processos de KYC e AML. Com IA e dados de identidade roubados ou falsificados, eles podem criar documentos e históricos que parecem reais o suficiente para enganar analistas e sistemas automatizados básicos.

Adicionar automação habilitada por IA e GenAI ao RPA pode ajudar os bancos a enfrentar esses desafios de várias maneiras.

1. Experiência de integração do cliente

Como parte do processo de KYC, as empresas fornecem aos novos clientes uma lista de documentos e dados que não podem verificar de forma independente. Quando esses requisitos não são comunicados de forma eficaz, podem confundir os clientes e atrasar as aprovações. Isso é especialmente verdadeiro quando as informações solicitadas não estão claramente alinhadas com os requisitos regulatórios específicos da(s) jurisdição(ões), criando trabalho adicional para os analistas que precisam resolver as discrepâncias.

Com um modelo de processamento de linguagem natural (PLN) de IA integrado ao processo de onboarding, os bancos podem comunicar-se de forma eficaz e solicitar as informações adequadas com base nas regulamentações específicas das jurisdições aplicáveis. O resultado é um processo de integração mais rápido, menos propenso a erros causados por alguém marcar a opção errada ou enviar documentos que não correspondem aos requisitos locais e internos. Isso pode evitar lacunas e erros de dados antes que eles entrem no sistema.

2. Detecção de fraude de identidade

Modelos de visão computacional alimentados por IA e detecção de identidade sintética podem sinalizar clientes cujos documentos ou históricos financeiros parecem falsos ou roubados, mesmo que pareçam legítimos para analistas humanos. Essas ferramentas sintetizam dados de múltiplas fontes ao longo do tempo, e conseguem identificar conexões entre os dados que os humanos poderiam perder, e que os motores de regras tradicionais não conseguem decifrar. Elas correlacionam rapidamente a identidade do cliente com atividades no mundo real e levantam alertas quando discrepâncias aparecem, permitindo que os analistas investiguem.

3. Monitoramento de KYC e AML em tempo real

Manter os dados do cliente após a integração é um processo contínuo. Monitorar as atividades do cliente na instituição, buscar notícias adversas sobre ele e entender quaisquer mudanças em suas redes de negócios é fundamental para evitar perder sinais de alteração no perfil de risco do cliente. Modelos de GenAI podem coordenar esse tipo de monitoramento em tempo real, ingerindo dados de múltiplas plataformas e fontes, estabelecendo um perfil de risco base para cada cliente e gerando alertas quando novos dados indicam uma mudança nesse perfil.

4. Conformidade e geração de relatórios

Soluções abrangentes de onboarding e monitoramento também fornecem às instituições os insights de dados necessários para avaliar a conformidade com AML, identificar áreas de melhoria e gerar relatórios para stakeholders internos e reguladores. As soluções de geração de relatórios com GenAI não se limitam a ingerir grandes volumes de dados e responder perguntas. Elas também podem ser treinadas para exibir as informações processadas usando gráficos e tabelas intuitivos, em dashboards e relatórios. Essa visibilidade permite que a liderança do banco identifique e interrompa problemas emergentes antes que se tornem grandes crises.

5. Adaptação às mudanças tecnológicas e regulatórias

GenAI e sistemas de automação habilitados por IA aprendem com suas entradas. Isso significa que podem ser treinados para se adaptar quando os bancos conectam novas fontes de dados e plataformas tecnológicas, sem a necessidade de uma reestruturação completa ou de um processo de integração longo. Isso permite que as instituições obtenham mais valor de seus investimentos em IA ao longo do tempo.

A capacidade de aprendizado da IA também facilita a atualização dos requisitos dos bancos quando as regulamentações mudam. Treinar e testar modelos de IA de KYC com novas diretrizes geralmente leva menos tempo do que atualizar manualmente plataformas não-AI. É também mais rápido do que treinar analistas sobre novas regras. A IA pode ajudar nesse treinamento, respondendo a perguntas simples ou resumindo as mudanças em formatos de fácil leitura. Assim, os analistas podem rapidamente acessar as informações atuais necessárias para seguir e aplicar novas políticas de forma consistente.

Reduzindo o risco assimétrico de KYC/AML com IA

Ferramentas de KYC e AML alimentadas por IA representam o futuro da gestão de riscos financeiros. Elas podem limitar significativamente a exposição dos bancos a riscos assimétricos hoje e também se adaptar a ambientes tecnológicos e regulatórios em evolução para proteger contra ameaças futuras. Com reguladores aumentando a fiscalização sobre o papel das instituições financeiras no crime internacional, e criminosos se tornando mais habilidosos em evitar os controles tradicionais de KYC e AML, integrar IA aos fluxos de trabalho de KYC e AML é a maneira mais eficaz para as instituições fortalecerem a proteção agora e no futuro.