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

Джон Флауэрс занимает должность глобального руководителя по финансовым рынкам в eClerx. Имея более 30 лет опыта в сфере финансовых технологий и услуг, он занимал различные руководящие должности как в области технологий, так и в работе с клиентами.

Откройте для себя лучшие новости и события в финтехе!

Подпишитесь 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 малых 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 AML (борьба с отмыванием денег) требовало всесторонней оценки риска клиента при его приеме, а затем — регулярного мониторинга изменений в его профиле или поведении, зачастую с помощью очень ручных процессов, склонных к задержкам. Сейчас ИИ и автоматизация позволяют укрепить процессы KYC и повысить контроль за AML, используя данные в реальном времени и внедряя более проактивный подход к предотвращению финансовых преступлений.

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 все еще происходят. 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 части этих процессов с помощью правил-основанной роботизированной автоматизации процессов (RPA) может ускорить работу, но при этом часто вызывает высокий уровень ложных срабатываний, требующих дополнительных ручных проверок. В то же время преступники используют передовые технологии, чтобы избежать обнаружения через процессы KYC и AML. С помощью ИИ и украденных или поддельных данных о личности 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 поможет 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 полностью соответствует конкретным нормативным требованиям юрисдикции, что создает дополнительную работу для аналитиков, которым приходится устранять несоответствия.

Использование модели обработки естественного языка (NLP) с ИИ в процессе onboarding позволяет банкам эффективно коммуницировать и запрашивать нужную информацию, исходя из конкретных нормативных требований 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 личностью

Модели компьютерного зрения и синтетического обнаружения личности, основанные на ИИ, могут выявлять клиентов, чьи документы или финансовая история выглядят поддельными или украденными, даже если они кажутся легитимными для человека-аналитика. Эти инструменты собирают данные из различных источников за определенное время, выявляют связи между ними, которые пропустил бы человек, и которые не могут быть расшифрованы традиционными правилами. Они быстро связывают личность клиента с реальной деятельностью и поднимают тревогу 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 учреждении, отслеживание негативных новостей и изменений в его деловых связях — критически важные задачи для своевременного выявления признаков изменения профиля риска. Модели GenAI могут осуществлять такой мониторинг в реальном времени, собирая данные из различных платформ и источников, устанавливать исходный профиль риска для каждого клиента и сигнализировать о возможных изменениях, когда новые данные указывают на риск.

4. Соблюдение нормативных требований и отчетность

Комплексные решения по onboarding и мониторингу 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 также можно обучить отображать обработанную информацию в виде интуитивных графиков, диаграмм, на панелях управления и в отчетах. Такая видимость помогает руководству банка своевременно выявлять и предотвращать возникающие проблемы, не допуская их перерастания в крупные инциденты.

5. Адаптация к технологическим и нормативным изменениям

GenAI и системы автоматизации на базе ИИ учатся 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 новых нормативных данных 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 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 в будущем. В условиях усиленного внимания регуляторов к роли финансовых институтов в международной преступности и растущей способности преступников обходить традиционные механизмы KYC и AML, интеграция ИИ в рабочие процессы KYC и AML — наиболее эффективный способ укрепить защиту сейчас и в будущем.