Làm thế nào AI-Driven KYC có thể giảm thiểu rủi ro bất đối xứng cho các ngân hàng?

John Flowers đảm nhiệm vị trí Trưởng phòng Quản lý Thị trường Tài chính Toàn cầu tại eClerx. Với hơn 30 năm kinh nghiệm trong lĩnh vực dịch vụ công nghệ tài chính, ông đã giữ nhiều vị trí điều hành khác nhau cả về công nghệ doanh nghiệp lẫn phía khách hàng.

Khám phá các tin tức và sự kiện fintech hàng đầu!

Đăng ký nhận bản tin FinTech Weekly

Được đọc bởi các lãnh đạo tại JP Morgan, Coinbase, Blackrock, Klarna và nhiều hơn nữa

Rủi ro bất đối xứng luôn đặt các ngân hàng, fintech và các doanh nghiệp bị quản lý chặt chẽ khác vào tình trạng nguy hiểm. Một cuộc đánh giá thẩm định chưa đầy đủ về một khách hàng đơn lẻ, bỏ sót việc họ có liên quan đến rửa tiền hoặc các tội phạm khác, có thể dẫn đến các khoản phạt hàng triệu đô la, thiệt hại uy tín và các hành động của cơ quan quản lý ở cấp cao nhất. Bởi vì ngay cả những sai sót nhỏ cũng có thể gây ra hậu quả lớn, việc loại bỏ các khoảng trống nhỏ trong quy trình nhận biết khách hàng (KYC) là điều cần thiết để bảo vệ cả tổ chức lẫn các bên liên quan của họ.

Truyền thống, việc tuân thủ hiệu quả các quy định KYC và phòng chống rửa tiền (AML) đòi hỏi phải đánh giá toàn diện rủi ro khách hàng trong quá trình tiếp nhận, sau đó theo dõi định kỳ để phát hiện các thay đổi về hồ sơ hoặc hành vi, thường qua các quy trình thủ công dễ bị chậm trễ. Hiện nay, AI và tự động hóa giúp củng cố quy trình KYC và nâng cao khả năng giám sát AML bằng cách sử dụng dữ liệu theo thời gian thực và cho phép một phương pháp chủ động hơn trong phòng chống tội phạm tài chính.

Vai trò của AI trong giảm thiểu rủi ro KYC/AML là gì?

Các sai sót vận hành và hình phạt vẫn xảy ra mặc dù các ngân hàng đã đầu tư lớn vào các quy trình và giải pháp AML/KYC. Juniper Research ước tính chi tiêu toàn cầu cho KYC năm 2024 là 30,8 tỷ đô la trong năm ngoái. Tuy nhiên, nhiều tổ chức vẫn dựa vào xử lý thủ công và cập nhật dữ liệu khách hàng, điều này làm chậm quá trình tiếp nhận và trì hoãn các cập nhật có thể phát hiện sự thay đổi trong hồ sơ rủi ro.

Việc tự động hóa một số quy trình này bằng cách sử dụng RPA dựa trên quy tắc có thể tăng tốc độ, nhưng có thể tạo ra tỷ lệ dương tính giả cao, đòi hỏi thêm thời gian để xem xét thủ công. Trong khi đó, tội phạm đang sử dụng công nghệ tiên tiến để tránh bị phát hiện qua các quy trình KYC và AML. Với AI và dữ liệu danh tính giả hoặc bị đánh cắp, họ có thể tạo ra các tài liệu và hồ sơ trông rất hợp lệ để lừa các nhà phân tích và hệ thống tự động cơ bản.

Việc bổ sung tự động hóa có khả năng AI và GenAI vào RPA có thể giúp các ngân hàng giải quyết các thách thức này theo nhiều cách khác nhau.

1. Trải nghiệm khách hàng khi tiếp nhận

Trong quy trình KYC, các công ty cung cấp danh sách các tài liệu và dữ liệu khách hàng mới cần cung cấp mà họ không thể xác minh độc lập. Khi các yêu cầu này không được truyền đạt rõ ràng, khách hàng có thể bị nhầm lẫn và gây chậm trễ trong việc phê duyệt. Điều này đặc biệt đúng khi thông tin yêu cầu không phù hợp rõ ràng với các quy định pháp lý của khu vực, tạo thêm công việc cho các nhà phân tích phải giải quyết các sai lệch này.

Với mô hình xử lý ngôn ngữ tự nhiên AI tích hợp trong quy trình tiếp nhận, các ngân hàng có thể giao tiếp hiệu quả và yêu cầu thông tin phù hợp dựa trên các quy định cụ thể của từng khu vực pháp lý. Kết quả là quá trình tiếp nhận nhanh hơn, ít dễ mắc lỗi do người kiểm tra chọn sai mục hoặc nộp tài liệu không phù hợp với yêu cầu địa phương và nội bộ. Điều này có thể ngăn chặn các khoảng trống dữ liệu và lỗi trước khi chúng vào hệ thống.

2. Phát hiện gian lận danh tính

Các mô hình thị giác máy tính dựa trên AI và phát hiện danh tính tổng hợp có thể cảnh báo các khách hàng có tài liệu hoặc lịch sử tài chính giả hoặc bị đánh cắp, ngay cả khi chúng trông hợp lệ đối với nhà phân tích con người. Các công cụ này tổng hợp dữ liệu từ nhiều nguồn theo thời gian, và có thể nhìn thấy các mối liên hệ trong dữ liệu mà con người bỏ lỡ, cũng như các quy tắc truyền thống không thể giải mã. Chúng nhanh chóng liên kết danh tính khách hàng với hoạt động thực tế và cảnh báo khi phát hiện sự khác biệt để các nhà phân tích có thể điều tra.

3. Giám sát KYC và AML theo thời gian thực

Việc duy trì dữ liệu khách hàng sau khi tiếp nhận là một quá trình không bao giờ kết thúc. Giám sát hoạt động của khách hàng với tổ chức, quét các tin tức tiêu cực về họ, và hiểu các thay đổi trong mạng lưới kinh doanh của họ là điều quan trọng để tránh bỏ lỡ các dấu hiệu thay đổi trong hồ sơ rủi ro của khách hàng. Các mô hình GenAI có thể điều phối loại giám sát này theo thời gian thực bằng cách thu thập dữ liệu từ nhiều nền tảng và nguồn dữ liệu, thiết lập hồ sơ rủi ro cơ bản cho từng khách hàng, và cảnh báo khi dữ liệu mới cho thấy sự thay đổi trong hồ sơ rủi ro.

4. Tuân thủ và báo cáo

Các giải pháp tiếp nhận và giám sát toàn diện còn cung cấp cho các ngân hàng các dữ liệu cần thiết để đánh giá tuân thủ AML, xác định các lĩnh vực cần cải thiện, và tạo báo cáo cho các bên liên quan nội bộ và cơ quan quản lý. Các giải pháp báo cáo dựa trên GenAI không chỉ đơn thuần thu thập lượng lớn dữ liệu và trả lời câu hỏi. Chúng còn có thể được huấn luyện để hiển thị thông tin đã xử lý qua các biểu đồ, đồ thị trực quan, trên bảng điều khiển và trong các báo cáo. Tính minh bạch này giúp lãnh đạo ngân hàng nhận diện và ngăn chặn các vấn đề mới nổi trước khi chúng trở thành vấn đề lớn.

5. Thích nghi với công nghệ và thay đổi quy định

Hệ thống AI và tự động hóa dựa trên AI có khả năng học hỏi từ dữ liệu đầu vào của chúng. Điều này có nghĩa là chúng có thể được huấn luyện để thích nghi khi các ngân hàng kết nối các nguồn dữ liệu mới và nền tảng công nghệ mới, mà không cần phải thay đổi toàn bộ hệ thống hoặc mất nhiều thời gian tích hợp. Điều này giúp các tổ chức khai thác tối đa giá trị từ các khoản đầu tư AI của họ theo thời gian.

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

Giảm thiểu rủi ro bất đối xứng trong KYC/AML bằng 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 đáng kể khả năng tiếp xúc của các ngân hàng với rủi ro bất đối xứng ngày nay và còn thích nghi với môi trường công nghệ và quy định ngày càng phát triển để bảo vệ chống lại các mối đe dọa trong tương lai. Với các cơ quan quản lý ngày càng tăng cường giám sát vai trò của các tổ chức tài chính trong tội phạm quốc tế, và tội phạm ngày càng tinh vi hơn trong việc tránh né các quy trình KYC và AML truyền thống, việc tích hợp AI vào quy trình làm việc KYC và AML là cách hiệu quả nhất để các tổ chức tăng cường bảo vệ hiện tại và lâu dài.