IA no combate à lavagem de dinheiro explicada

A lavagem de dinheiro se refere às maneiras pelas quais os atores individuais ou grupos criminosos injetam os rendimentos de suas atividades ilegais no sistema financeiro global para fazer com que pareçam ter sido obtidos de forma legítima. Os bancos norte-americanos gastam cerca de US$ 25 bilhões por ano em processos de combate à lavagem de dinheiro, e as multas cobradas de bancos no mundo todo por não conseguirem impedir que ela aconteça chegaram a US$ 6 bilhões em 2023.

Os criminosos estão cada vez mais sofisticados para burlar os controles, enquanto os bancos estão enfrentando cada vez mais dificuldades para identificar ações reais de lavagem de dinheiro, pois a grande maioria dos alertas que os softwares de rastreamento sinalizam são falsos positivos. Isso desperdiça esforço e dinheiro.

Agora, as instituições financeiras estão começando a complementar ou substituir o software de combate à lavagem de dinheiro (AML) com base em regras predefinidas por um software mais sofisticado com tecnologia de IA. Este software é melhor para encontrar padrões ocultos em transações e relacionamentos entre pessoas e empresas, telas mais detalhadas para atividades suspeitas e pontuar mais efetivamente os clientes com base no risco de lavagem de dinheiro. O resultado pode ser um menor número de alertas falsos positivos, maior proteção contra agentes ilegais e multas regulatórias e menores custos de conformidade.

O que é IA?

A inteligência artificial é um conjunto de técnicas estatísticas que permite aos computadores ver relacionamentos, fazer deduções e prever cenários com base em padrões aprendidos com grandes quantidades de dados. As empresas de serviços financeiros estão usando técnicas de IA para automatizar processos de back-office, incluindo combater fraudes em cartões de crédito, personalizar ofertas de produtos, fazer recomendações para equipes de vendas e combater à lavagem de dinheiro.

O que é IA no combate à lavagem de dinheiro?

Os sistemas tradicionais baseados em regras, que procuram sinais de alerta de atividade criminosa ou transações suspeitas com base em padrões pré-programados, estão cedendo lugar a sistemas baseados em IA que podem detectar as características comportamentais da lavagem de dinheiro. Historicamente, o software AML tem procurado sinais de alerta que possam indicar atividade criminosa, bem como informações complementares, como o fato de um cliente do banco constar em uma lista de sanções internacionais, depósitos bancários logo abaixo do limite que exige relatórios para o governo ou transferências de valores de uma conta que sejam semelhantes aos pagos recentemente.

O desafio é que os criminosos empregam táticas em constante evolução para lavar seus lucros no que parecem ser transações financeiras legítimas. Além de criar empresas de fachada para dificultar o rastreamento da propriedade, eles investem em empresas existentes que fazem a maior parte de seus negócios em dinheiro e depois aumentam suas receitas. Eles também depositam seu dinheiro em pequenas quantias em várias instituições financeiras e canalizam o dinheiro por países com regulamentações muito flexíveis. Isso significa que os métodos tradicionais de combate à lavagem de dinheiro geralmente são ineficazes e geram um número muito alto de falsos positivos que podem custar aos bancos mais de dezenas de milhões de dólares por ano.

Os sistemas baseados em IA podem detectar padrões de transações ocultas entre redes de pessoas, comparar comportamentos com aqueles que são historicamente comuns para uma organização ou seus pares, atribuir pontuações de risco aos clientes com base em suas atividades passadas e nas informações do Know Your Customer (KYC) e fazer a triagem de eventos para encerrar investigações de baixo risco. A detecção de fraudes para transações, pagamentos eletrônicos a fornecedores, combate à lavagem de dinheiro e KYC estão entre os cinco principais casos de uso de IA em serviços financeiros, de acordo com pesquisa da NVIDIA, fabricante de chips de IA.

Principais conclusões

• A inteligência artificial pode ajudar os bancos a reduzir os custos de conformidade regulatória, detectando mudanças mais detalhadas no comportamento dos clientes e se adaptando a novos riscos à medida que eles surgem.
• O software ajuda a combater a lavagem de dinheiro, encontrando riscos anteriormente ocultos e reduzindo o número de alertas falsos positivos que as equipes precisam investigar.
• Os bancos ainda mantêm um número semelhante de relatórios para as autoridades sobre atividades legitimamente suspeitas.
• O custo de processos ineficientes é alto, pois as multas regulatórias globais por não impedir a lavagem de dinheiro estão aumentando.

IA no combate à lavagem de dinheiro explicada

Os bancos estão sob intensa pressão para eliminar técnicas cada vez mais sofisticadas de lavagem de dinheiro e evitar multas altas, mantendo os custos de conformidade regulatória sob controle. Ao substituir ferramentas de software baseadas em regras por aplicações de combate à lavagem de dinheiro baseados em IA, os bancos podem melhorar a identificação de atividades suspeitas em até 40%, de acordo com relatórios da McKinsey & Company, reduzindo significativamente o número de falsos positivos.

As abordagens de IA incluem a aplicação de machine learning para pontuar clientes com o objetivo de prever a propensão a perpetrar um crime financeiro. As aplicações de combate à lavagem de dinheiro também usam o aprendizado não supervisionado, no qual um sistema de machine learning não recebe exemplos rotulados e coleta relacionamentos por conta própria a partir de dados brutos, para identificar mudanças no comportamento dos clientes e capturar riscos com mais precisão. Os sistemas de IA podem incorporar modelos de comportamento esperado, que sinalizam desvios e substituem regras fixas. As ferramentas de combate à lavagem de dinheiro baseadas em IA também fazem triagem de eventos de cenários baseados em regras para encerrar ou despriorizar automaticamente investigações de baixo risco.

Como a IA é aplicada no combate à lavagem de dinheiro?

Quando empresas ou indivíduos querem abrir uma conta bancária, os bancos fazem avaliações de risco. Isso inclui fazer aos clientes em potencial uma série de perguntas sobre seu trabalho, residência, fontes de renda e como eles planejam movimentar o dinheiro. Os bancos também se certificam de que os clientes em potencial não estejam em listas de sanções internacionais que os proíbam de transferir fundos. Eles também precisam determinar se cada indivíduo é uma pessoa politicamente exposta, ou seja, uma figura política ou membro da família ou um colaborador próximo de uma figura política, o que os sujeita a um exame mais minucioso. Em seguida, os bancos realizam processos de KYC e classificam os possíveis candidatos quanto ao risco de lavagem de dinheiro ou fraude.

O problema é que algumas das informações dependem de os clientes responderem honestamente, portanto, as instituições financeiras precisam de maneiras automatizadas de ver se a atividade bancária real dos clientes se desvia de sua intenção declarada. Os controles tradicionais de combate à lavagem de dinheiro analisam os dados das transações, incluindo o movimento internacional de fundos, se as transações de valores semelhantes estão se movendo rapidamente entre as contas e se os clientes dividiram grandes transações em transações menores. Os criminosos muitas vezes transferem dinheiro para contas em diferentes países, cujos regulamentos de combate à lavagem de dinheiro são menos rigorosos do que onde eles residem. Outra dificuldade é que esses comportamentos também podem ter justificativas plausíveis.

Os sistemas baseados em IA são melhores na análise de dados para encontrar padrões que os analistas e controladores de risco humanos não conseguem encontrar sozinhos. O software pode aplicar a pontuação de risco comportamental para prever a propensão de um cliente a cometer um crime, executar modelos preditivos para mostrar se as investigações de nível um podem ser encerradas com segurança sem escalonamento para equipes mais especializadas e simular a lavagem de dinheiro para avaliar a eficácia dos sistemas de monitoramento de transações. Isso pode reduzir o número de alertas que não sinalizam uma atividade real de lavagem de dinheiro, ajudando a diminuir os custos de conformidade. A tecnologia de IA generativa pode ajudar os bancos a resumir as avaliações iniciais de risco e redigir relatórios de atividades suspeitas para a aplicação da lei.

As técnicas de IA comumente usadas no combate à lavagem de dinheiro incluem aprendizado por reforço profundo, redes adversárias generativas (GANs) e redes neurais gráficas (GNNs). As GANs generalizam a partir de exemplos de lavagem de dinheiro aprendidos com dados de treinamento para encontrar padrões modificados à medida que os criminosos ajustam suas abordagens. As GNNs procuram relacionamentos entre pessoas e entidades aprendidas durante o treinamento, incluindo as não identificadas anteriormente. Essa análise ajuda os bancos a identificar atividades de lavagem de dinheiro envolvendo grupos de agentes criminosos. O aprendizado por reforço profundo pode ensinar modelos de IA a aprender sobre novas relações entre pontos de dados, ensinando o sistema a buscar feedback positivo para tomar a decisão certa. Os modelos podem então adaptar seu monitoramento de transações às estratégias de mudança.

Os sistemas de combate à lavagem de dinheiro baseados em IA podem aprender à medida que avançam. Por exemplo, se o software de IA encontrar transações que compartilham características e são muito improváveis de serem lavagem de dinheiro, ele pode fazer recomendações de mudanças no sistema mestre, que permitiriam transações semelhantes no futuro.

Um relatório do Banco da Inglaterra sobre IA de 2022 concluiu que “uma das razões pelas quais a IA é importante é que ela pode permitir novos casos de uso” – por exemplo, lidar com o problema da fraude de identidade sintética, na qual os criminosos criam identidades “a partir de um quebra-cabeça de dados reais… que podem ser difíceis de ser identificados por analistas humanos”. Os sistemas de combate à lavagem de dinheiro baseados em IA também podem empregar redes neurais não supervisionadas para analisar fontes de dados muito amplas, incluindo endereços IP de computadores e padrões de comportamento, para gerar alertas.

Benefícios da IA no combate à lavagem de dinheiro

Os sistemas tradicionais de combate à lavagem de dinheiro precisam ser ajustados para que tenham a sensibilidade ideal para atividades que possam acionar sinais de alerta. O disparo de poucos alertas acarreta o risco de deixar passar atividades criminosas, além de chamar a atenção e gerar multas dos órgãos reguladores. Um número excessivo de alertas pode sobrecarregar a equipe de conformidade dos bancos, que precisa analisar cada sinalização e decidir como agir em relação a ela. Os sistemas de IA demonstraram que podem gerar quase o mesmo número de relatórios de atividades suspeitas (SARs), mas com um número muito reduzido de falsos positivos. Continue lendo para saber mais sobre esses e outros benefícios da IA.

• Aumente/melhore a precisão da detecção de riscos. As técnicas de IA podem ajudar a melhorar a precisão da detecção de riscos, consumindo e sintetizando grandes quantidades de dados estruturados e não estruturados e aprendendo sobre padrões de comportamento e detectando anomalias. As redes neurais podem identificar padrões semelhantes àqueles em que foram treinadas, fazendo recomendações que podem impedir que grupos criminosos façam pequenas alterações em seus esquemas de fraude para burlar regras já conhecidas.
• Reduza os custos operacionais. Os sistemas de combate à lavagem de dinheiro baseados em IA podem ajudar a reduzir os custos operacionais, reduzindo o número de alertas falsos positivos que as equipes de risco precisam investigar. Cada alerta aciona uma investigação de nível um, que custa tempo à equipe. Entre 90% e 95% desses alertas são fechados antes de serem escalados para uma investigação mais intensiva de nível dois e para o registro de SAR junto às autoridades.
• Melhore a conformidade e a governança. Os departamentos de conformidade, as organizações de TI e as linhas de negócios dos bancos estão sob pressão devido às mudanças nas regulamentações de combate à lavagem de dinheiro e à falta de regras globais, embora alguma convergência esteja começando a acontecer. Alguns reguladores, incluindo os Estados Unidos e o Reino Unido, estão incentivando os bancos a adotar a IA para seus sistemas de combate à lavagem de dinheiro. As instituições financeiras também estão usando técnicas de IA e machine learning para executar testes de identificação de risco. A IA também pode ajudar a reduzir atividades de lavagem de dinheiro não identificadas que podem levar ao escrutínio regulatório.

Limitações da IA no combate à lavagem de dinheiro

A aplicação da IA para combater a lavagem de dinheiro não funcionará corretamente se os bancos não tiverem dados de alta qualidade suficientes para treinar modelos que forneçam resultados consistentemente precisos. Os bancos também precisam garantir que tenham o talento certo na equipe para treinar, ajustar e manter modelos de IA, e precisam considerar a privacidade de dados dos clientes ao projetar sistemas. Nem sempre fica claro como um sistema de IA generativa chega às suas respostas. O McKinsey aconselha os bancos a se reunirem com os reguladores bem antes de desenvolver um sistema de combate à lavagem de dinheiro baseado em IA. Leia mais sobre essas e outras limitações de IA.

• Qualidade e disponibilidade de dados. Dados incompletos ou imprecisos podem prejudicar o desempenho dos modelos de IA, que precisam ver exemplos suficientes de alta qualidade durante o treinamento para poderem sinalizar com precisão as transações suspeitas quando forem implementadas. Bancos com acesso limitado a dados, especialmente dados sobre exemplos reais de lavagem de dinheiro, podem considerar outra abordagem.
  
• Desafios regulatórios e de conformidade. As normas de combate à lavagem de dinheiro em constante mudança e, às vezes, vagas e inconsistentes, podem sobrecarregar os departamentos de conformidade, as organizações de TI e as linhas de negócios dos bancos. Por exemplo, as recomendações do Grupo de Ação Financeira (GAFI), um órgão global que define padrões para o combate à lavagem de dinheiro, deixa ampla margem de manobra em sua orientação às autoridades de supervisão. O CEO do JPMorgan Chase, Jamie Dimon, pediu que os requisitos de combate à lavagem de dinheiro sejam simplificados e aprimorados. As regras estão começando a ser unificadas. Em 2024, a UE criou uma autoridade de combate à lavagem de dinheiro, sediada em Frankfurt, cujas regras se aplicam a empresas em todo o bloco, sem a necessidade de serem transpostas para as leis nacionais.
  
• Problemas operacionais e técnicos. A maioria dos bancos também precisa enfrentar os desafios de integração de sistemas, pois os dados armazenados em mainframes e outros sistemas legados geralmente não estão prontos para serem processados pela IA. Os bancos também enfrentam dificuldades para manter dados de alta qualidade sobre seus clientes, principalmente os mais antigos, cujo histórico pode estar parcialmente armazenado em formatos não padronizados e retirados de formulários impressos, de acordo com a consultoria McKinsey & Company.
  
• Falsos positivos e negativos. As taxas de falsos positivos – transações financeiras benignas que são sinalizadas pelo software como possíveis atividades de lavagem de dinheiro – podem chegar a 95%. Mas os bancos ainda precisam examiná-los, o que é um processo caro e demorado. Por outro lado, os falsos negativos – quando as transações de entidades sancionadas ou de lavagem de dinheiro passam despercebidas – podem levar a ações regulatórias e danos à reputação.
  
• Adaptabilidade e evolução de táticas criminosas. Os criminosos são sofisticados, e empregam técnicas em constante evolução para evitar serem detectados. Quando eles identificam as regras usadas para detectar a lavagem, podem modificar ligeiramente seu comportamento para contorná-las.
  
• Preocupações com a privacidade. Os bancos que projetam IA para combater a lavagem de dinheiro precisam considerar os aspectos de privacidade desses sistemas. Os bancos têm acesso a quantidades significativas de dados, incluindo informações pessoais, e os direitos de uso dessas informações devem ser avaliados em contexto.

Casos de uso da IA no combate à lavagem de dinheiro

Os bancos estão aplicando técnicas de IA no combate à lavagem de dinheiro ao trazer clientes a bordo, monitorar suas atividades bancárias e relatar comportamento suspeito às autoridades. O software pode tornar os processos mais rápidos e eficazes, criando perfis comportamentais a partir de padrões, às vezes ocultos, para classificar melhor as transações, vasculhando documentos e notícias em busca de clientes potencialmente arriscados e acelerando a elaboração de relatórios regulatórios.

• Monitoramento de transações. Os modelos de IA podem monitorar transações em busca de atividades ilegais de duas maneiras principais.
  • Reconhecimento de padrões. A partir de seus dados de treinamento, os modelos de IA podem aprender a reconhecer padrões de transação que escapam aos sistemas tradicionais de combate à lavagem de dinheiro baseados em regras, por exemplo, identificando transações "estruturadas", nas quais grandes somas de dinheiro são divididas em quantidades menores ou analisando grandes quantidades de dados para identificar empresas fantasmas usadas para transferir dinheiro. A IA também pode modelar os comportamentos esperados dos clientes, bem como os desvios desses comportamentos que podem indicar atividade criminosa, substituindo abordagens baseadas em regras que podem não ser tão precisas.
  • Monitoramento em tempo real. A velocidade dos pagamentos digitais está estimulando a demanda por sistemas de combate à lavagem de dinheiro com tecnologia de IA que possam examinar rapidamente grandes volumes de dados, até mesmo em tempo real. Michael Hsu, controlador interino da moeda dos EUA, disse em um discurso em janeiro de 2024 que pagamentos digitais mais rápidos estão levando a fraudes mais rápidas, pressionando os bancos a criar “os freios certos para um sistema financeiro mais em tempo real”.
• Due Diligence do Cliente (CDD) e KYC (Know Your Customer). Os bancos podem identificar e rastrear clientes online usando técnicas de integração automatizada baseadas em IA para ajudar a tornar os processos de KYC mais rápidos e precisos. Isso inclui verificação de identidade digital e digitalização de documentos de identificação. Por meio do monitoramento contínuo das transações, os bancos podem identificar melhor os clientes de alto risco, analisando mais dados do que as revisões periódicas permitem.
  • Integração automatizada. Os bancos podem ajudar a aumentar a velocidade e a precisão na abertura de contas de clientes, digitalizando documentos de identificação para verificação online e aplicando a IA para avaliar a autenticidade.
  • Monitoramento contínuo. Como os clientes podem se comportar de forma diferente ao longo de seu relacionamento com um banco e como os resultados das eleições em todo o mundo podem mudar o fato de alguém ser considerado um alvo politicamente exposto, as instituições financeiras estão empregando ferramentas baseadas em IA para verificar continuamente as transações, a propriedade efetiva, as listas de sanções e a cobertura da mídia. O monitoramento contínuo verifica se o comportamento do cliente pode ter se tornado mais arriscado desde que um banco o avaliou pela última vez.
• Relatório de atividade suspeita (SAR). Os bancos precisam apresentar SARs aos órgãos reguladores para sinalizar casos suspeitos de lavagem de dinheiro e financiamento do terrorismo.
  • As ferramentas de relatórios automatizados habilitadas pela IA generativa podem ajudar a gerar SARs de forma mais eficiente do que analistas humanos que trabalham sozinhos.
  • Maior precisão de relatórios. Muitos relatórios de atividade suspeita apresentam narrativas pouco claras e falta de informações, deixando amplo espaço para melhorias usando sistemas de IA generativa, que também podem criar listas de itens de acompanhamento.
• Triagem de sanções. As atualizações frequentes das listas de sanções internacionais (como após o início da guerra entre a Rússia e a Ucrânia) e as dificuldades de correspondência entre entidades comerciais e variações de nomes de pessoas ou empresas em diferentes países e idiomas podem sobrecarregar os sistemas tradicionais de combate à lavagem de dinheiro.
  • A triagem automatizada com o uso de IA pode extrair e classificar informações de documentos não estruturados, encontrar sinônimos para termos de alerta vermelho e descartar termos com grafia semelhante e significados diferentes.
  • Redução de falsos positivos. O resultado pode ser uma redução de falsos positivos, exigindo menos revisões demoradas por parte dos analistas, o que aumentaria os custos.
• Análise e visualização aprimoradas. As técnicas de visualização de dados, incluindo gráficos de relacionamentos entre pessoas e entidades, podem ajudar os usuários comerciais não técnicos a ver as mudanças no risco e a distribuição geográfica dos casos com suspeita de lavagem de dinheiro.
  • Visualização de dados. Além dos gráficos de relacionamento, as técnicas de IA podem ajudar os analistas a identificar a localização das atividades criminosas nos mapas e a pesquisar nos painéis para acessar detalhes mais precisos. O resultado pode ser uma tomada de decisão mais rápida e eficaz.
  • O relatório de painel mostra as métricas e o progresso em relação aos principais indicadores de desempenho (KPIs) para transações monitoradas, alertas gerados, SARs arquivados e investigações abertas e encerradas.
• Conformidade regulatória. As ferramentas de IA podem ajudar as instituições financeiras a se manterem a par e se adaptarem às atualizações regulatórias, inclusive com documentação que permita a auditoria.
  • Atualizações regulatórias. O aumento das multas por lavagem de dinheiro e KYC, e os novos órgãos reguladores destinados a aplicá-las, estão aumentando a demanda por uma tecnologia que possa ajudar os bancos a se manterem em dia com as mudanças nas regras e a reduzir a probabilidade de multas, substituindo ou complementando processos manuais por processos automatizados.
  • Trilhas de auditoria. Essas ferramentas de software também podem gerar trilhas de auditoria que demonstram como as decisões de combate à lavagem de dinheiro foram tomadas e ajudam a criar registros para auditorias que mostram a atividade e o acesso aos dados.
• Gerenciamento de casos. As ferramentas de colaboração e automação do fluxo de trabalho podem ajudar na conformidade com o combate à lavagem de dinheiro, priorizando alertas, recomendando ações e automatizando relatórios. O software pode rastrear alertas e fornecer painéis exibindo atividades suspeitas.
  • Automação do fluxo de trabalho. As instituições financeiras podem economizar, em média, um quarto de seus custos anuais de conformidade usando ferramentas de automação de fluxo de trabalho contra crimes financeiros, de acordo com a KPMG, uma consultoria de TI. As ferramentas de IA também podem manter os processos de KYC atualizados, trazendo as mudanças regulatórias para os fluxos de trabalho de integração.
  • Ferramentas de colaboração. O software de gerenciamento de casos ajuda os departamentos a coordenar suas atividades, fornecendo um depósito central de informações de conformidade.
• Detecção e prevenção de fraudes. Os bancos têm algum tempo para interromper a lavagem de dinheiro depois que ela é descoberta, embora o ideal seja que os casos de fraude sejam interrompidos antes da realização das transações para evitar perdas. Os sistemas de IA empregam o aprendizado adaptativo, para que possam ajudar na triagem transacional. Os modelos de IA também oferecem uma visão ampla dos clientes, para que os bancos possam ver investigações e relatórios que abrangem o combate à lavagem de dinheiro, fraude e sanções por suborno e corrupção, de acordo com a KPMG.
  • Soluções integradas de fraude e combate à lavagem de dinheiro. A combinação de técnicas para combater a fraude e a lavagem de dinheiro em um único pacote de software beneficia os bancos ao ajudar as equipes de antifraude e de combate à lavagem de dinheiro a coletar e compartilhar dados pertinentes dos clientes, apresentar uma visão geral dos riscos enfrentados pelo banco e fechar as brechas que os criminosos podem usar para evitar os alertas.
  • Aprendizagem adaptativa. À medida que os bancos confirmam novos casos de fraude, os sistemas de IA podem usar esses dados para melhorar ao longo do tempo, especialmente quando se trata de encontrar casos de borda perto do limite de detecção que provavelmente resultarão em atividade perdida ou falsos positivos.

Como Incorporar a IA ao combate à lavagem de dinheiro

Os bancos que desejam redesenhar processos de combate à lavagem de dinheiro para incorporar técnicas de IA devem primeiro avaliar sua estratégia de dados, incluindo os dados que possuem. É necessário considerar como a IA pode ser usada em todos os departamentos e fluxos de trabalho que lidam com o KYC, a integração de clientes e o combate à lavagem de dinheiro. Os sistemas resultantes precisam ser avaliados no contexto da adequação e avaliados quanto à conformidade regulatória. Continue lendo para saber mais sobre essas e outras etapas.

1. Avalie os processos atuais de combate à lavagem de dinheiro. Os bancos precisam analisar como combatem a lavagem de dinheiro, a eficácia dos sistemas atuais na prevenção, os custos que poderiam ser reduzidos e as melhorias que poderiam ser feitas com uma abordagem baseada em IA.
2. Defina objetivos e requisitos. Os bancos devem definir os objetivos de uma implementação de IA, inclusive com critérios de sucesso claramente definidos, como reduzir os custos operacionais e o número de falsos positivos.
3. Armazene a coleta e a preparação de dados. Os bancos precisam garantir que seus dados sejam limpos e tenham qualidade e quantidade suficientes para treinar modelos de IA. Também precisam ter talentos suficientes em ciência de dados na equipe para ajustar modelos e refinar abordagens (mais sobre isso adiante).
4. Escolha as ferramentas e tecnologias de IA certas. É fundamental selecionar um sistema de IA que atenda aos casos de uso necessários. Os sistemas devem ser capazes de monitorar transações em tempo real, aplicar machine learning e processamento de linguagem natural (PNL) aos processos de integração e KYC do cliente e usar GenAI e NLP para ajudar a gerar relatórios de atividades suspeitas. Os bancos podem usar análises preditivas para avaliar comportamentos anômalos ou suspeitos. A análise de IA gráfica pode ajudar a encontrar redes de pessoas e entidades que não são aparentes para os analistas.
5. Desenvolva e treine modelos de IA. Há duas maneiras principais pelas quais os modelos de IA para o combate à lavagem de dinheiro podem ser treinados. Com o aprendizado supervisionado para modelos comportamentais, pontuação de risco do cliente e pontuação de eventos para combate à lavagem de dinheiro e listas de sanções, os modelos recebem exemplos rotulados com os quais podem aprender. Isso é vantajoso quando um modelo precisa aprender sobre relacionamentos entre entradas e saídas. Para casos como segmentação de clientes e detecção de anomalias, os bancos geralmente usam o aprendizado não supervisionado, no qual os modelos apresentam casos não rotulados de lavagem de dinheiro e fraude, bem como falsos positivos. Sem qualquer ajuda de cientistas de dados, o modelo aprende a identificar as características de ambos os grupos de transações. Modelos não supervisionados podem aprender sobre relacionamentos em dados que não foram detectados antes.
6. Integre a IA aos sistemas existentes. Muitos processos de AML são executados em sistemas de TI legados, portanto, os bancos precisam investir na criação de conectores com sistemas de monitoramento de transações e relatórios mais antigos e seus vários tipos de dados, ou modernizar sua infraestrutura para lidar com as demandas de IA.
7. Equipe de treinamento e suporte. O treinamento em ferramentas e processos de IA é importante tanto para a conformidade regulatória quanto para superar a resistência da equipe à adoção da tecnologia.
8. Busque o aprimoramento e a adaptação contínuos. A IA foi projetada para promover o aprendizado contínuo, e os bancos precisam adotar uma mentalidade semelhante ao implementar e usar a tecnologia. Para os alertas de combate à lavagem de dinheiro, os bancos também precisam considerar a chamada capacidade de recall dos modelos, que mede sua capacidade de gerar quase o mesmo número de relatórios reais de atividades suspeitas a partir de um grupo muito menor de alertas.
9. Ajude a garantir a conformidade regulatória. As leis e regulamentações relacionadas à IA estão evoluindo, e os bancos precisam estar atentos a elas para manter a conformidade. Os controles internos, o treinamento e a nomeação de um executivo para gerenciar a conformidade contínua são partes fundamentais da conformidade efetiva com o combate à lavagem de dinheiro.

Futuro da IA no combate à lavagem de dinheiro

Os requisitos de combate à lavagem de dinheiro definidos pelas autoridades globais estão evoluindo, enquanto os respectivos orçamentos dos bancos estão sob pressão, o que torna a análise e a automação baseadas em IA mais atraentes. Nos EUA, a Financial Crimes Enforcement Network (FinCEN) do Departamento do Tesouro está considerando regras que estenderiam a Lei de Sigilo Bancário aos consultores de investimentos, inclusive exigindo que eles apresentem SARs. A FINMA, órgão regulador suíço, tem ordenado que os bancos realizem análises mais completas de AML, e espera-se que a nova Autoridade de Combate à Lavagem de Dinheiro da UE introduza uma supervisão mais direta de até 40 instituições financeiras.

Os bancos podem tentar dobrar o uso de novos métodos de detecção de fraude aprimorados por IA, já que esconder dinheiro atrás de carros de luxo, itens colecionáveis, joias e arte tornou a prática mais difícil de ser rastreada. Os criminosos dinheiro também usam as mídias sociais para recrutar trabalhadores de baixo escalão para depositar dinheiro, o que torna a atividade de risco mais difícil de ser eliminada pelos sistemas tradicionais.

Modernize e fortaleça sua luta contra a lavagem de dinheiro (AML) com a Oracle

O Oracle Financial Crime and Compliance Management Cloud Service inclui mecanismos de software que pontuam dinamicamente entidades e transações em busca de risco e congelam transações para entidades ou países sancionados para revisão imediata por um analista. Ele também possui um recurso completo de gerenciamento de casos projetado para a forma como os investigadores trabalham.

O Oracle Financial Services Compliance Studio inclui análise estatística e tecnologia de IA de aprendizado supervisionado e não supervisionado, que ajuda a entender e monitorar melhor os riscos e a reduzir os custos de manutenção de uma plataforma para conformidade e combate a crimes financeiros.

A abordagem da Oracle ajudou um grande banco multinacional a implementar modelos de IA em seis semanas e a gerar de 45% a 65% menos alertas, enquanto ainda produzia pelo menos 99% do número de relatórios de atividades suspeitas que tinha quando o volume de alertas era muito maior.

O Oracle Financial Services Compliance Agent é um serviço de nuvem alimentado por IA que permite que os bancos testem seus sistemas de monitoramento de transações e simulem agentes mal-intencionados para testar seus programas de combate à lavagem de dinheiro, ajudando a reduzir custos e os riscos regulatórios. A Oracle também está desenvolvendo um componente de IA generativa para o software de crimes financeiros, a fim de ajudar a escrever narrativas de casos para relatórios.

Perguntas frequentes sobre a IA no combate à lavagem de dinheiro

O combate à lavagem de dinheiro será automatizado?
Os bancos estão automatizando cada vez mais seus processos de combate à lavagem de dinheiro usando ferramentas de IA que podem coletar e processar dados de todos os departamentos. Essas ferramentas complementam e apoiam os analistas e outros funcionários responsáveis pela função de combate à lavagem de dinheiro.

O que é IA generativa no combate à lavagem de dinheiro?
Os bancos estão usando a GenAI para procurar termos relacionados que não estão codificados nos mecanismos de regras do software de combate à lavagem de dinheiro tradicional, para identificar relacionamentos difíceis de detectar entre transações e para criar narrativas para atividades suspeitas e outros relatórios.

O que é automação inteligente no combate à lavagem de dinheiro?
A automação inteligente é usada para reduzir o trabalho manual envolvido na revisão de transações que um sistema de combate à lavagem de dinheiro sinaliza incorretamente como fraudulentas. Ela faz isso aplicando novos padrões que o modelo de IA aprendeu para classificar transações futuras. Isso pode ajudar a reduzir os custos dos bancos e melhorar a precisão.