Aaron Ricadela | Estrategista de Conteúdo | 28 de agosto de 2024
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.
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.
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
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.
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.
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.
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.
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.
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.
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.
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.
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.