AI điều khiển có thể giảm rủi ro bất đối xứng cho ngân hàng như thế nào?

John Flowers đảm nhiệm vai trò Giám đốc Toàn cầu về Thị trường Tài chính tại eClerx. Với hơn 30 năm kinh nghiệm trong lĩnh vực dịch vụ công nghệ tài chính, ông từng đảm nhận nhiều vị trí điều hành ở cả mảng công nghệ của doanh nghiệp lẫn phía khách hàng.

Khám phá tin tức và sự kiện fintech hàng đầu!

Đăng ký nhận bản tin của FinTech Weekly

Được đọc bởi các lãnh đạo tại JP Morgan, Coinbase, Blackrock, Klarna và nhiều đơn vị khác

Rủi ro bất đối xứng luôn là mối đe dọa đối với các ngân hàng, fintech và các doanh nghiệp khác chịu sự quản lý chặt chẽ. Một cuộc rà soát thẩm định (due diligence) không đầy đủ đối với một khách hàng duy nhất, bỏ sót việc họ có liên quan đến rửa tiền hoặc các tội phạm khác, có thể dẫn tới các khoản phạt lên tới hàng triệu USD, tổn hại danh tiếng và các biện pháp từ cơ quan quản lý ở cấp lãnh đạo cao nhất. Bởi ngay cả những sai sót nhỏ cũng có thể tạo ra các hậu quả phóng đại như vậy, việc loại bỏ các khoảng trống nhỏ trong quy trình định danh khách hàng theo yêu cầu (KYC) là thiết yếu để bảo vệ cả các tổ chức và các bên liên quan của họ.

Truyền thống, tuân thủ KYC hiệu quả và phòng chống rửa tiền (AML) thường đòi hỏi đánh giá toàn diện rủi ro khách hàng trong giai đoạn tiếp nhận ban đầu, sau đó là giám sát định kỳ cho các thay đổi về hồ sơ rủi ro hoặc hành vi, thường thông qua các quy trình thủ công đặc biệt dễ gây chậm trễ. Giờ đây, AI và tự động hóa giúp tăng cường KYC và nâng cao giám sát AML bằng cách sử dụng dữ liệu thời gian thực và thúc đẩy cách tiếp cận chủ động hơn trong phòng chống tội phạm tài chính.

AI có vai trò gì trong giảm rủi ro KYC/AML?

Các lỗi vận hành và mức phạt vẫn đang xảy ra dù các ngân hàng đã đầu tư đáng kể vào các quy trình và giải pháp AML/KYC. Juniper Research cho biết mức chi tiêu KYC toàn cầu năm 2024 đạt 30,8 tỷ USD vào năm ngoái. Tuy nhiên, nhiều tổ chức vẫn dựa vào xử lý thủ công và cập nhật dữ liệu khách hàng, khiến việc onboarding chậm lại và làm trễ các cập nhật có thể phát hiện thay đổi trong hồ sơ rủi ro.

Tự động hóa một số quy trình này bằng robotic process automation (RPA) dựa trên quy tắc có thể giúp tăng tốc, nhưng có thể tạo ra tỷ lệ báo động giả cao, buộc phải dành thêm thời gian cho các khâu rà soát thủ công. Trong khi đó, tội phạm đang sử dụng công nghệ tiên tiến để né khỏi việc bị phát hiện bởi các quy trình KYC và AML. Với AI và dữ liệu nhận dạng bị đánh cắp hoặc giả mạo, chúng có thể tạo ra tài liệu và lịch sử trông đủ thật để đánh lừa các nhà phân tích và các hệ thống tự động cơ bản.

Kết hợp tự động hóa hỗ trợ AI và GenAI vào RPA có thể giúp ngân hàng giải quyết các thách thức này theo nhiều cách.

1. Trải nghiệm onboarding khách hàng

Trong quy trình KYC, các công ty cung cấp cho khách hàng mới danh sách các tài liệu và dữ liệu cần thiết mà họ không thể tự xác minh độc lập. Khi các yêu cầu này không được truyền đạt hiệu quả, chúng có thể gây nhầm lẫn cho khách hàng và làm chậm phê duyệt. Điều này đặc biệt đúng khi thông tin được yêu cầu không khớp rõ ràng với các yêu cầu quy định cụ thể của khu vực tài phán (các khu vực tài phán) liên quan, tạo thêm công việc cho các nhà phân tích, những người sau đó phải xử lý các điểm không nhất quán.

Với một mô hình xử lý ngôn ngữ tự nhiên (NLP) dựa trên AI được tích hợp trong quá trình onboarding, ngân hàng có thể truyền đạt hiệu quả và yêu cầu đúng thông tin dựa trên các quy định cụ thể của các khu vực tài phán áp dụng. Kết quả là quy trình onboarding nhanh hơn, ít xảy ra lỗi do một người chọn sai tùy chọn hoặc nộp tài liệu không tương ứng với các yêu cầu nội bộ và tại địa phương. Điều này có thể ngăn các lỗ hổng dữ liệu và sai sót đi vào hệ thống.

2. Phát hiện gian lận danh tính

Các mô hình computer vision và phát hiện danh tính tổng hợp (synthetic identity) dựa trên AI có thể gắn cờ những khách hàng có tài liệu hoặc lịch sử tài chính trông như giả mạo hoặc bị đánh cắp, ngay cả khi chúng vẫn trông hợp lệ với các nhà phân tích con người. Những công cụ này tổng hợp dữ liệu từ nhiều nguồn theo thời gian, và chúng có thể nhìn thấy mối liên hệ giữa dữ liệu mà con người sẽ bỏ sót, cũng như các công cụ máy dò quy tắc truyền thống không thể giải mã. Chúng nhanh chóng đối chiếu danh tính khách hàng với hoạt động ngoài đời thực và đưa ra cảnh báo khi phát hiện các điểm không khớp để nhà phân tích có thể điều tra.

3. Giám sát KYC và AML theo thời gian thực

Duy trì dữ liệu khách hàng sau onboarding là một quá trình không có điểm dừng. Việc giám sát các hoạt động của khách hàng với tổ chức, rà soát tin tức bất lợi về họ và hiểu bất kỳ thay đổi nào trong mạng lưới kinh doanh của họ là rất quan trọng để tránh bỏ lỡ dấu hiệu cho thấy hồ sơ rủi ro của khách hàng có sự thay đổi. Các mô hình GenAI có thể điều phối kiểu giám sát này theo thời gian thực bằng cách nạp dữ liệu từ nhiều nền tảng và nguồn dữ liệu, thiết lập hồ sơ rủi ro chuẩn cho từng khách hàng và đưa ra cảnh báo khi dữ liệu mới cho thấy có thay đổi về hồ sơ rủi ro.

4. Tuân thủ và báo cáo

Các giải pháp onboarding và giám sát toàn diện cũng cung cấp cho ngân hàng những thông tin dữ liệu cần thiết để đánh giá mức độ tuân thủ AML, xác định các lĩnh vực cần cải thiện và tạo báo cáo cho các bên liên quan nội bộ cũng như cơ quan quản lý. Các giải pháp báo cáo GenAI không chỉ giới hạn ở việc nạp lượng dữ liệu lớn và trả lời câu hỏi. Chúng cũng có thể được huấn luyện để hiển thị thông tin đã xử lý bằng các biểu đồ và hình minh họa trực quan, trên bảng điều khiển (dashboard) và trong báo cáo. Nhờ khả năng nhìn thấy rõ ràng này, ban lãnh đạo ngân hàng có thể xác định và ngăn chặn các vấn đề mới nổi trước khi chúng trở thành những rắc rối lớn.

** 5. Thích ứng với thay đổi công nghệ và quy định**

Các hệ thống tự động hóa hỗ trợ GenAI và AI học từ các đầu vào của chúng. Điều đó có nghĩa là chúng có thể được huấn luyện để thích ứng khi ngân hàng kết nối các nguồn dữ liệu và nền tảng công nghệ mới, mà không cần thay đổi nền tảng lớn (replatforming) hoặc quy trình tích hợp kéo dài. Điều này cho phép các tổ chức khai thác nhiều giá trị hơn từ các khoản đầu tư AI của họ theo thời gian.

Năng lực học tập của AI cũng giúp ngân hàng cập nhật yêu cầu dễ dàng hơn khi quy định thay đổi. Việc huấn luyện và kiểm thử các mô hình KYC bằng AI trên các hướng dẫn mới thường mất ít thời gian hơn so với việc cập nhật thủ công các nền tảng không sử dụng AI. Nó cũng nhanh hơn so với việc huấn luyện các nhà phân tích theo các hướng dẫn mới. Bản thân AI cũng có thể hỗ trợ quá trình huấn luyện này, bằng cách trả lời các câu hỏi đơn giản hoặc tóm tắt các thay đổi dưới dạng dễ đọc. Các nhà phân tích có thể nhanh chóng nhận được thông tin hiện tại cần thiết để luôn tuân thủ và thực thi các chính sách mới một cách nhất quán.

Giảm rủi ro bất đối xứng trong KYC/AML với AI

Các công cụ KYC và AML dựa trên AI đại diện cho tương lai của quản lý rủi ro tài chính. Chúng có thể hạn chế mạnh mức độ ngân hàng tiếp xúc với các rủi ro bất đối xứng ngay hôm nay, đồng thời thích ứng với môi trường công nghệ và quy định đang thay đổi để phòng vệ trước các mối đe dọa trong tương lai. Khi các cơ quan quản lý ngày càng soi xét vai trò của các tổ chức tài chính trong các hoạt động tội phạm quốc tế, và tội phạm ngày càng tinh vi hơn trong việc né tránh các kiểm soát KYC và AML truyền thống, việc tích hợp AI vào quy trình KYC và AML là cách hiệu quả nhất để các tổ chức củng cố khả năng bảo vệ hiện tại và cả trong tương lai.