Как использование ИИ для KYC может снизить асимметричный риск для банков?

Джон Флауэрс занимает должность глобального руководителя отдела финансовых рынков в eClerx. Обладая более чем 30-летним опытом работы в сфере финансовых технологий и услуг, он занимал различные руководящие должности как в области технологий, так и в сфере взаимодействия с клиентами.

Откройте для себя ведущие новости и события финтеха!

Подписывайтесь на рассылку FinTech Weekly

Читают руководители JP Morgan, Coinbase, Blackrock, Klarna и других компаний

Асимметричный риск постоянно угрожает банкам, финтех-компаниям и другим строго регулируемым бизнесам. Неполная проверка одного клиента, которая не выявила его участие в отмывании денег или других преступлениях, может привести к многомиллионным штрафам, ущербу репутации и регуляторным мерам на самом высоком уровне руководства. Даже небольшие ошибки могут иметь такие масштабные последствия, поэтому устранение мелких пробелов в процессах «знай своего клиента» (KYC) является важнейшей задачей для защиты как самих учреждений, так и их заинтересованных сторон.

Традиционно эффективное соблюдение требований KYC и противодействия отмыванию денег (AML) требовало всесторонней оценки рисков клиента при его приеме, а затем — регулярного мониторинга изменений в его профиле или поведении, зачастую с помощью чрезвычайно ручных процессов, склонных к задержкам. Сейчас искусственный интеллект и автоматизация позволяют укрепить процессы KYC и повысить контроль за AML, используя данные в реальном времени и позволяя более проактивно предотвращать финансовые преступления.

Какова роль ИИ в снижении рисков KYC/AML?

Несмотря на значительные инвестиции банков в процессы и решения AML/KYC, ошибки в операционной деятельности и штрафы продолжают происходить. Согласно исследованию Juniper Research, в 2024 году глобальные расходы на KYC составили 30,8 миллиарда долларов в прошлом году. Однако многие учреждения по-прежнему полагаются на ручную обработку и обновление данных клиентов, что замедляет процесс приема 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 поддельные данные, они могут создавать документы и истории, выглядящие достаточно правдоподобно, чтобы обмануть аналитиков и базовые автоматизированные системы.

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

1. Опыт клиентского onboarding

В рамках процесса KYC компании предоставляют новым клиентам список необходимых документов и данных, которые они не могут проверить самостоятельно. Если эти требования не донесены ясно, это может запутать клиентов и задержать одобрение. Особенно это актуально, когда запрашиваемая информация не соответствует конкретным нормативным требованиям юрисдикции, что создает дополнительную работу для аналитиков, которым приходится устранять несоответствия.

Используя модель обработки естественного языка на базе ИИ, встроенную в процесс onboarding, банки могут эффективно коммуницировать и запрашивать нужную информацию в соответствии с конкретными нормативами соответствующих юрисдикций. В результате процесс приема становится быстрее и менее подвержен ошибкам, вызванным неправильным выбором или подачей документов, не соответствующих местным и внутренним требованиям. Это помогает предотвратить появление пробелов и ошибок в данных еще на этапе их ввода.

2. Обнаружение мошенничества с идентичностью

Модели компьютерного зрения и синтетического обнаружения идентичности на базе ИИ могут выявлять клиентов, чьи документы или финансовая история выглядят поддельными 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 тревожные сигналы при обнаружении несоответствий, чтобы аналитики могли провести расследование.

3. Мониторинг KYC и AML в реальном времени

Поддержание актуальности данных клиента после его приема — это бесконечный процесс. Мониторинг деятельности клиента в рамках учреждения, отслеживание негативных новостей о нем и понимание изменений в его деловых связях — критически важные задачи для своевременного выявления признаков изменения профиля риска клиента. Модели GenAI могут осуществлять 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 onboarding и мониторинга также предоставляют банкам необходимые аналитические данные для оценки соответствия AML, выявления областей для улучшения и подготовки отчетов для внутренних и внешних регуляторов. Решения на базе GenAI не ограничиваются только обработкой больших объемов данных и ответами на вопросы. Их можно обучить отображать обработанную информацию с помощью интуитивных графиков и диаграмм, на панелях управления и в отчетах. Такая видимость позволяет руководству банка своевременно выявлять и предотвращать возникающие проблемы, не допуская их перерастания в крупные инциденты.

5. Адаптация к технологическим и нормативным изменениям

Системы на базе GenAI и автоматизации с поддержкой ИИ обучаются на своих данных. Это означает, что их можно обучать адаптироваться при подключении новых источников данных и технологических платформ 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 нормативам 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 в KYC/AML с помощью ИИ

Инструменты KYC и AML на базе ИИ представляют будущее управления финансовыми рисками. Они могут значительно снизить экспозицию банков к асимметричным рискам сегодня и адаптироваться к меняющимся технологическим и нормативным условиям, обеспечивая защиту от будущих угроз. В условиях, когда регуляторы все больше обращают внимание на роль финансовых институтов 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.