Как ИИ-управляемый KYC может снизить асимметричный риск для банков?

Джон Флауэрс занимает должность глобального руководителя по финансовым рынкам в eClerx. Имея более чем 30-летний опыт работы в секторе финансовых технологических услуг, он занимал различные руководящие должности как в технологической, так и в клиентской сферах бизнеса.

Откройте для себя главные новости и события в сфере финтеха!

Подпишитесь на рассылку FinTech Weekly

Читается руководителями JP Morgan, Coinbase, Blackrock, Klarna и другими

Асимметричный риск представляет постоянную угрозу для банков, финтех-компаний и других строго регулируемых организаций. Неполная проверка должной осмотрительности в отношении одного клиента, которая не выявила его причастность к отмыванию денег или другим преступлениям, может привести к многомиллионным штрафам, репутационному ущербу и регуляторным мерам на высшем уровне руководства. Поскольку даже незначительные ошибки могут повлечь столь масштабные последствия, устранение даже малейших пробелов в процессах «Знай своего клиента» (KYC) необходимо для защиты как самих учреждений, так и их заинтересованных сторон.

Традиционно эффективное соблюдение требований KYC и ПОД (противодействие отмыванию денег) требовало всесторонней оценки риска клиента при его онбординге с последующим плановым мониторингом изменений в профиле риска или поведении, что часто осуществлялось через исключительно ручные процессы, подверженные задержкам. Теперь ИИ и автоматизация позволяют укрепить KYC и улучшить надзор в сфере ПОД, используя данные в реальном времени и обеспечивая более проактивный подход к предотвращению финансовых преступлений.

Какова роль ИИ в снижении рисков KYC/ПОД?

Операционные ошибки и штрафы происходят, несмотря на значительные инвестиции банков в процессы и решения по ПОД/KYC. Согласно Juniper Research, глобальные расходы на KYC в 2024 году составили 30,8 миллиарда долларов. Тем не менее, многие учреждения по-прежнему полагаются на ручную обработку и обновление данных о клиентах, что замедляет онбординг и задерживает обновления, которые могли бы сигнализировать об изменениях в профиле риска.

Автоматизация некоторых из этих процессов с помощью роботизированной автоматизации процессов (RPA) на основе правил может ускорить работу, но может привести к высокому уровню ложных срабатываний, требующих больше времени на ручную проверку. Между тем, преступники используют передовые технологии, чтобы избежать выявления процессами KYC и ПОД. Используя ИИ и поддельные или украденные данные личности, они могут создавать документы и истории, которые выглядят достаточно реальными, чтобы обмануть аналитиков и базовые автоматизированные системы.

Добавление автоматизации на базе ИИ и GenAI к RPA может помочь банкам решить эти проблемы несколькими способами.

1. Процесс онбординга клиентов

В рамках процесса KYC компании предоставляют новым клиентам перечень необходимых документов и данных, которые они не могут проверить самостоятельно. Когда эти требования изложены недостаточно четко, это может запутать клиентов и задержать утверждение. Особенно это актуально, когда запрашиваемая информация явно не соответствует конкретным регуляторным требованиям соответствующей юрисдикции (юрисдикций), что создает дополнительную работу для аналитиков, которым затем приходится устранять расхождения.

Благодаря встраиванию модели обработки естественного языка (NLP) на основе ИИ в процесс онбординга, банки могут эффективно общаться и запрашивать соответствующую информацию, исходя из конкретных нормативных требований применимых юрисдикций. Результатом является более быстрый процесс онбординга, менее подверженный ошибкам, вызванным тем, что кто-то отметил не ту клетку или предоставил документы, не соответствующие локальным и внутренним требованиям. Это позволяет предотвратить появление пробелов в данных и ошибок еще до их попадания в систему.

2. Выявление мошенничества с личностью

Модели компьютерного зрения и выявления синтетических личностей на базе ИИ могут отмечать клиентов, чьи документы или финансовая история выглядят поддельными или украденными, даже если они кажутся легитимными аналитикам-людям. Эти инструменты синтезируют данные из нескольких источников с течением времени и способны видеть связи между данными, которые человек упустил бы и которые не могут быть расшифрованы традиционными механизмами правил. Они быстро соотносят личность клиента с реальной деятельностью и поднимают флаги при появлении расхождений, чтобы аналитики могли провести расследование.

3. Мониторинг KYC и ПОД в реальном времени

Поддержание актуальности данных о клиентах после онбординга — это непрерывный процесс. Мониторинг активности клиентов в учреждении, сканирование негативных новостей о них и понимание любых изменений в их деловых сетях имеет решающее значение, чтобы не пропустить признаки изменения профиля риска клиента. Модели GenAI могут организовывать такой мониторинг в реальном времени, потребляя данные с нескольких платформ и источников данных, устанавливая базовый профиль риска для каждого клиента и создавая оповещения, когда новые данные указывают на изменение профиля риска.

4. Соответствие требованиям и отчетность

Комплексные решения для онбординга и мониторинга также предоставляют банкам аналитические данные, необходимые для оценки соответствия требованиям ПОД, определения областей для улучшения и подготовки отчетов для внутренних заинтересованных сторон и регуляторов. Отчетные решения на базе GenAI не ограничиваются сбором огромных объемов данных и ответами на вопросы. Их также можно обучить отображать обработанную информацию с помощью интуитивно понятных графиков и диаграмм, на дашбордах и в отчетах. Такая наглядность позволяет руководству банка выявлять и предотвращать возникающие проблемы до того, как они перерастут в серьезные затруднения.

5. Адаптация к технологическим и нормативным изменениям

GenAI и системы автоматизации на базе ИИ обучаются на своих входных данных. Это означает, что их можно обучить адаптироваться, когда банки подключают новые источники данных и технологические платформы, без необходимости капитальной смены платформы или длительного процесса интеграции. Это позволяет учреждениям со временем получать большую отдачу от своих инвестиций в ИИ.

Обучаемость ИИ также облегчает банкам обновление своих требований при изменении нормативных актов. Обучение и тестирование моделей KYC на основе ИИ на новых руководящих принципах обычно занимает меньше времени, чем ручное обновление платформ без ИИ. Это также быстрее, чем обучение аналитиков новым правилам. ИИ может даже помочь в этом обучении, отвечая на простые вопросы или обобщая изменения в удобных для чтения форматах. Аналитики могут быстро получить актуальную информацию, необходимую для последовательного соблюдения и применения новых политик.

Снижение асимметричного риска для KYC/ПОД с помощью ИИ

Инструменты KYC и ПОД на базе ИИ представляют собой будущее управления финансовыми рисками. Они могут резко ограничить подверженность банков асимметричным рискам уже сегодня, а также адаптироваться к меняющимся технологическим и нормативным условиям для защиты от будущих угроз. Поскольку регуляторы все чаще проверяют роль финансовых учреждений в международной преступности, а преступники становятся все более искусными в обходе традиционных средств контроля KYC и ПОД, интеграция ИИ в рабочие процессы KYC и ПОД является наиболее эффективным способом для учреждений усилить защиту сейчас и в будущем.