La IA antilavado de dinero en detalle

El lavado de dinero o blanqueo de capital se refiere a las formas en que actores individuales o grupos criminales introducen los ingresos de sus actividades ilegales en el sistema financiero global para que parezcan haber sido obtenidos legítimamente. Los bancos de EE. UU. gastan alrededor de 25 mil millones de dólares al año en procesos para combatir el lavado de dinero, y las multas impuestas a los bancos en todo el mundo por no prevenirlo superaron los 6 mil millones de dólares en 2023.

Estos grupos criminales están siendo más sofisticados en evadir controles, mientras que los bancos encuentran difícil identificar acciones reales de blanqueo de capital, ya que la gran mayoría de las alertas que su software de seguimiento genera para investigación están realmente conectadas a transacciones limpias. Esos falsos positivos desperdician esfuerzos y dinero.

Ahora, las instituciones financieras están comenzando a complementar o reemplazar el software antilavado de dinero (AML) basado en reglas predefinidas con software más sofisticado impulsado por IA. Este software es mejor para encontrar patrones ocultos en las transacciones y relaciones entre personas y empresas, realiza una búsqueda más exhaustiva de actividades sospechosas y evalúa más eficazmente a los clientes según su riesgo de lavado de dinero. El resultado puede ser recibir menos falsos positivos, una mayor protección contra actores ilegales y multas regulatorias, y menores costos de cumplimiento.

¿Qué es la IA?

La inteligencia artificial es un conjunto de técnicas estadísticas que permiten a las computadoras ver relaciones, hacer deducciones y predecir escenarios basados en patrones aprendidos de grandes cantidades de datos. Las empresas de servicios financieros están utilizando técnicas de IA para automatizar procesos administrativos, incluyendo la lucha contra el fraude con tarjetas de crédito, la personalización de ofertas de productos, la realización de recomendaciones a los equipos de ventas y la lucha contra el blanqueo de capital.

¿Qué es AML AI?

Los sistemas tradicionales basados en reglas que buscan señales de advertencia de actividad criminal o transacciones sospechosas basadas en patrones preprogramados están cediendo terreno a los sistemas basados en IA que pueden detectar las características de comportamiento relacionadas con lavado de dinero. Históricamente, el software de AML ha buscado señales que podrían indicar actividad criminal, así como información complementaria como la aparición de un cliente en una lista de sanciones internacionales, depósitos bancarios justo por debajo del umbral que requiere informes al gobierno, o transferencias de montos desde una cuenta que son similares a los recientemente depositados.

El desafío es que los criminales emplean tácticas en evolución para blanquear sus ingresos en lo que parecen ser transacciones financieras legítimas. Además de crear empresas fantasma para dificultar el rastreo de la propiedad, invierten en empresas existentes que realizan la mayor parte de su negocio en efectivo y luego inflan sus ingresos. También depositan su efectivo en pequeñas cantidades en varias instituciones financieras y canalizan efectivo a través de países con regulaciones menos estrictas. Esto significa que los métodos tradicionales de AML son a menudo ineficaces mientras generan un número muy alto de falsos positivos que pueden costar a los bancos decenas de millones de dólares al año.

Los sistemas basados en IA pueden detectar patrones de transacciones ocultos entre redes de personas, comparar comportamientos con los que históricamente son comunes para una organización o sus pares, asignar puntajes de riesgo a los clientes basándose en su actividad pasada y la información de Know Your Customer (KYC, conoce a tu cliente), y clasificar eventos para cerrar investigaciones que presentan bajo riesgo. La detección de fraudes en transacciones, pagos electrónicos a proveedores, AML y KYC se encuentra entre los cinco principales casos de uso de IA en servicios financieros, según investigaciones del fabricante de chips para inteligencia artificial NVIDIA.

Conclusiones clave

• La inteligencia artificial puede ayudar a los bancos a reducir sus costos de cumplimiento normativo al detectar cambios más finos en el comportamiento de los clientes y adaptarse a nuevos riesgos a medida que surgen.
• El software ayuda a combatir el lavado de dinero al encontrar riesgos previamente ocultos y reducir el número de alertas de falsos positivos que los equipos de AML necesitan investigar.
• Los bancos aún mantienen un número similar de informes a las autoridades sobre actividad legítimamente sospechosa.
• El costo de los procesos ineficientes es alto, ya que las multas regulatorias globales por no detener el lavado de dinero están siempre en aumento.

La IA antilavado de dinero en detalle

Los bancos están bajo una intensa presión para erradicar las técnicas cada vez más sofisticadas de blanqueo de capital y evitar fuertes multas mientras mantienen bajo control sus costos de cumplimiento regulatorio. Al reemplazar las herramientas de software basadas en reglas con aplicaciones de AML basadas en IA, los bancos pueden mejorar su identificación de actividades sospechosas hasta en un 40 %, según McKinsey & Company, mientras reducen sustancialmente su número de falsos positivos.

Los enfoques de IA incluyen la aplicación de aprendizaje automático para calificar a los clientes y predecir su propensión a cometer un delito financiero. Las aplicaciones de AML también utilizan aprendizaje no supervisado, en el cual un sistema de aprendizaje automático no recibe ejemplos etiquetados y descubre relaciones por sí mismo a partir de datos en bruto, para identificar cambios en los comportamientos de los clientes y capturar con mayor precisión el riesgo. Los sistemas de IA pueden incorporar modelos de comportamiento esperado, que detectan desviaciones y reemplazan las reglas fijas. Las herramientas de AML basadas en IA también clasifican los eventos basados en reglas para cerrar automáticamente o dar menor prioridad a las investigaciones de bajo riesgo.

¿Cómo funciona AML AI?

Cuando empresas o individuos quieren abrir una cuenta bancaria, los bancos realizan evaluaciones de riesgo. Eso incluye hacer una serie de preguntas a los posibles clientes sobre su trabajo, residencia, fuentes de ingresos y cómo planean mover dinero. Los bancos también se aseguran de que los posibles clientes no estén en listas internacionales de sanciones que les prohíban transferir fondos. Además, deben determinar si cada individuo es una persona expuesta políticamente, es decir, una figura política, un familiar o un asociado cercano de una, lo que los somete a un mayor escrutinio. Luego, los bancos realizan procesos KYC y califican a los posibles solicitantes según su riesgo de lavado de dinero o fraude.

El problema es que parte de la información depende de que los clientes respondan de manera honesta, por lo que las instituciones financieras necesitan formas automatizadas de verificar si la actividad bancaria real de los clientes se desvía de su intención declarada. Los controles tradicionales AML observan datos de transacciones, incluyendo el movimiento internacional de fondos, si transacciones de montos similares se mueven rápidamente entre cuentas, y si los clientes han dividido grandes transacciones en montos más pequeños. Los criminales a menudo mueven dinero a cuentas en diferentes países cuyas regulaciones AML son menos estrictas que las del país en el que residen. Otra dificultad es que estos comportamientos también pueden tener explicaciones benignas.

Los sistemas basados en IA son mejores para analizar datos y encontrar patrones que los analistas humanos y los controladores de riesgos no pueden identificar por sí solos. El software puede aplicar puntuaciones de riesgo basadas en comportamientos para predecir la propensión de un cliente a cometer un delito, ejecutar modelos predictivos para mostrar si las investigaciones de nivel uno pueden cerrarse de manera segura sin necesidad de escalar a equipos más especializados, y simular el lavado de dinero para evaluar la efectividad de los sistemas de monitoreo de transacciones. Esto puede reducir el número de alertas que no indican actividades reales de lavado de dinero, lo que ayuda a reducir los costos de cumplimiento. La tecnología de IA generativa puede ayudar a los bancos a resumir evaluaciones iniciales de riesgo y redactar informes de actividades sospechosas para las fuerzas del orden.

Las técnicas de IA comúnmente utilizadas en AML incluyen aprendizaje profundo por refuerzo, redes generativas antagónicas (GAN) y redes neuronales gráficas (GNN). Las GAN generalizan a partir de ejemplos de lavado de dinero aprendidos a partir de datos de entrenamiento para encontrar patrones modificados a medida que los criminales ajustan sus enfoques. Las GNN buscan relaciones entre personas y entidades aprendidas durante el entrenamiento, incluyendo aquellas previamente no identificadas. Ese análisis ayuda a los bancos a detectar actividades de lavado de dinero que involucran a grupos de actores criminales. El aprendizaje profundo por refuerzo puede enseñar a los modelos de IA a aprender sobre nuevas relaciones entre puntos de datos al enseñar al sistema a buscar retroalimentación positiva por tomar la decisión correcta. Los modelos pueden luego adaptar su monitoreo de transacciones a estrategias cambiantes.

Los sistemas de AML basados en IA pueden aprender sobre la marcha. Por ejemplo, si el software de IA encuentra transacciones que comparten características y es muy improbable que estén relacionadas con el lavado de dinero, puede hacer recomendaciones para cambios en el sistema principal que permitan transacciones similares en el futuro.

Un informe de 2022 del Bank of sobre IA concluyó que "una de las razones por las que la IA es importante es porque puede habilitar nuevos casos de uso", como abordar el problema del fraude de identidad sintética, en el que los criminales crean identidades "a partir de un rompecabezas de datos reales... que puede ser difícil de identificar por los analistas humanos". Los sistemas de AML basados en IA también pueden emplear redes neuronales no supervisadas para analizar fuentes de datos muy amplias, incluyendo direcciones IP de computadoras y patrones de comportamiento, para generar alertas.

Ventajas de AML AI

Los sistemas tradicionales AML deben ajustarse para lograr una sensibilidad óptima ante actividades que podrían levantar alertas. Generar pocas alertas implica correr el riesgo de no detectar actividad criminal, lo que puede atraer la atención y multas de los reguladores. Generar demasiadas alertas puede abrumar al personal de cumplimiento de los bancos, que necesita revisar cada señal y decidir cómo actuar. Los sistemas de IA han demostrado que pueden generar casi el mismo número de informes de actividades sospechosas (SARs), pero con un número significativamente menor de falsos positivos. A continuación, lea más sobre estos y otros beneficios de la IA.

• Aumentar/mejorar la precisión de la detección de riesgos. Las técnicas de IA pueden ayudar a mejorar la precisión en la detección de riesgos al consumir y sintetizar grandes cantidades de datos estructurados y no estructurados, luego aprender sobre patrones de comportamiento y detectar anomalías. Las redes neuronales pueden identificar patrones similares a aquellos en los que han sido entrenadas, haciendo recomendaciones que pueden cerrar las puertas a los grupos criminales para realizar pequeños cambios en sus esquemas de fraude y eludir reglas conocidas.
• Reducir los costos operativos. Los sistemas de AML basados en IA pueden ayudar a reducir los costos operativos al disminuir el número de alertas de falsos positivos que los equipos de riesgo necesitan investigar. Cada alerta desencadena una investigación de nivel uno, lo que consume tiempo del personal. Entre el 90 y el 95 % de esas alertas se cierran antes de que se escalen a una investigación más intensiva de nivel dos y el archivo de un SAR ante las autoridades.
• Mejorar el cumplimiento y la gobernanza. Los departamentos de cumplimiento, las organizaciones de TI y las líneas de negocio de los bancos están bajo presión debido a los cambios en las regulaciones de AML y la falta de reglas globales, aunque cierta convergencia está comenzando a ocurrir. Algunos reguladores, incluidos los de Estados Unidos y Reino Unido, están alentando a los bancos a adoptar IA para sus sistemas de AML. Las instituciones financieras también están utilizando técnicas de IA y aprendizaje automático para realizar pruebas de identificación de riesgos. La IA también puede ayudar a reducir la actividad de blanqueo de capital que pasa desapercibida y que podría generar un escrutinio regulatorio.

Limitaciones de la IA en AML

Aplicar IA para combatir el lavado de dinero no funcionará bien si los bancos no tienen suficientes datos de alta calidad para entrenar los modelos y obtener resultados consistentemente precisos. Los bancos también necesitan asegurarse de contar con el personal adecuado para entrenar, ajustar y mantener los modelos de IA, y deben considerar la privacidad de los datos de los clientes al diseñar sus sistemas. Además, la IA puede ser opaca: no siempre es claro cómo un sistema de IA generativa llega a sus respuestas. McKinsey aconseja a los bancos reunirse con los reguladores con bastante anticipación antes de desarrollar un sistema de AML basado en IA. A continuación, lee más sobre estas y otras limitaciones de la IA.

• Calidad y disponibilidad de los datos. Los datos incompletos o inexactos pueden afectar el rendimiento de los modelos de IA, que necesitan ver suficientes ejemplos de alta calidad durante su entrenamiento para poder identificar con precisión transacciones sospechosas una vez que se implementan. Los bancos con acceso limitado a datos, especialmente aquellos sobre verdaderos casos de blanqueo de capital, pueden desear considerar otro enfoque.
  
• Desafíos regulatorios y de cumplimiento. Las regulaciones de AML, que cambian constantemente y a menudo son vagas e inconsistentes, pueden poner a prueba a los departamentos de cumplimiento, las organizaciones de TI y las líneas de negocio de los bancos. Por ejemplo, las recomendaciones Financial Action Task Force (FATF), un organismo mundial que establece estándares para AML, deja mucha libertad en su orientación a las autoridades de supervisión. Jamie Dimon, CEO de JPMorgan Chase, ha pedido que se simplifiquen y mejoren los requisitos de AML. Las reglas están comenzando a unificarse. En 2024, la Unión Europea creó una nueva autoridad de AML con sede en Frankfurt, cuyas reglas se aplican a todas las empresas del bloque, sin necesidad de que se transpongan a las leyes nacionales.
  
• Problemas operativos y técnicos. La mayoría de los bancos también deben abordar los desafíos de integración de sistemas, ya que los datos almacenados en mainframes y otros sistemas heredados generalmente no están listos para ser procesados por IA. Los bancos también luchan por mantener datos de alta calidad sobre sus clientes, en particular aquellos que han estado con ellos por mucho tiempo, cuya historia puede estar parcialmente almacenada en formatos no estandarizados o derivada de formularios en papel, según la consultora McKinsey & Company.
  
• Falsos positivos y negativos. Las tasas de falsos positivos —transacciones financieras limpias que el software señala como posibles actividades de lavado de dinero— pueden alcanzar hasta el 95 %. Pero los bancos aún deben investigarlas, lo que es un proceso costoso y que consume mucho tiempo. Por otro lado, los falsos negativos —cuando las transacciones de entidades sancionadas o el verdadero lavado de dinero pasan desapercibidos— pueden llevar a acciones regulatorias y dañar la reputación
  
• Adaptabilidad y evolución de las tácticas criminales. Los lavadores de dinero son adversarios sofisticados que emplean técnicas en constante evolución para evadir la detección. Una vez que los actores malintencionados identifican las reglas utilizadas para detectar el lavado, pueden modificar ligeramente su comportamiento para evadirlas.
  
• Preocupaciones de privacidad. Los bancos que diseñan IA para combatir el lavado de dinero deben considerar los aspectos de privacidad de estos sistemas. Los bancos tienen acceso a grandes cantidades de datos, incluida información personal, y los derechos para utilizar esta información deben evaluarse en contexto.

Casos de uso de AML AI

Los bancos están aplicando técnicas de AML AI cuando incorporan clientes, monitorean sus actividades bancarias y reportan comportamientos sospechosos a las autoridades. El software puede hacer que los procesos sean más rápidos y efectivos al construir perfiles de comportamiento a partir de patrones a veces ocultos para clasificar mejor las transacciones, rastrear documentos y noticias para detectar clientes potencialmente riesgosos, y acelerar la redacción de informes regulatorios.

• Monitoreo de transacciones. Los modelos de IA pueden monitorear transacciones en busca de actividades ilegales de dos maneras principales:
  • Reconocimiento de patrones. A partir de sus datos de entrenamiento, los modelos de IA pueden aprender a reconocer patrones de transacciones que eluden los sistemas tradicionales de AML basados en reglas, por ejemplo, identificando transacciones "estructuradas", en las que grandes sumas de dinero se dividen en cantidades más pequeñas, o analizando grandes cantidades de datos para identificar empresas fantasma utilizadas para transferir dinero. La IA también puede modelar comportamientos esperados de los clientes, así como desviaciones de esos comportamientos que pueden indicar actividad criminal, reemplazando los enfoques basados en reglas que pueden no ser tan precisos.
  • Monitoreo en tiempo real. La velocidad de los pagos digitales está aumentando la demanda de sistemas de AML impulsados por IA que puedan analizar grandes volúmenes de datos rápidamente, incluso en tiempo real. Michael Hsu, contralor interino de la moneda en los Estados Unidos, dijo en un discurso en enero de 2024 que los pagos digitales más rápidos están llevando a fraudes más rápidos, lo que presiona a los bancos a construir "los frenos adecuados para un sistema financiero más en tiempo real".
• Diligencia debida del cliente (CDD) y conoce a tu cliente (KYC). Los bancos pueden identificar y evaluar a los clientes en línea utilizando técnicas automatizadas de incorporación basadas en IA para ayudar a hacer los procesos de KYC más rápidos y precisos. Esto incluye la verificación de identidad digital y el escaneo de documentos de identificación. A través del monitoreo continuo de las transacciones, los bancos pueden identificar mejor a los clientes de alto riesgo analizando más datos de los que permiten las revisiones periódicas.
  • Incorporación automatizada. Los bancos pueden mejorar la velocidad y precisión al abrir cuentas de clientes escaneando documentos de identificación para su verificación en línea y aplicando IA para evaluar su autenticidad.
  • Monitoreo continuo. Dado que los clientes pueden comportarse de manera diferente a lo largo de su relación con un banco, y debido a que los resultados electorales a nivel mundial pueden cambiar si alguien es considerado un objetivo políticamente expuesto, las instituciones financieras están empleando herramientas basadas en IA para verificar continuamente las transacciones, la propiedad beneficiaria, las listas de sanciones y la cobertura mediática. El monitoreo continuo verifica si el comportamiento del cliente se ha vuelto más riesgoso desde la última evaluación realizada por el banco.
• Informes de actividades sospechosas (SAR). Los bancos necesitan presentar SAR a los reguladores para señalar casos sospechosos de lavado de dinero y financiamiento del terrorismo.
  • Las herramientas de informes automatizados habilitadas por IA generativa pueden ayudar a generar SAR de manera más eficiente que los analistas humanos trabajando solos.
  • Precisión mejorada en los informes. Muchos SAR sufren de narrativas poco claras y de información faltante, dejando amplio margen para la mejora utilizando sistemas de IA generativa, que también pueden crear listas de elementos de seguimiento.
• Filtrado de sanciones. Las frecuentes actualizaciones de las listas internacionales de sanciones (como después del comienzo de la guerra entre Rusia y Ucrania) y las dificultades para identificar entidades comerciales entre variaciones de nombres de personas o empresas en diferentes países e idiomas pueden abrumar a los sistemas tradicionales de AML.
  • El filtrado automático mediante IA puede extraer y clasificar información de documentos no estructurados, encontrar sinónimos para términos de alerta y descartar términos con ortografía similar pero con significados diferentes.
  • Reducción de falsos positivos. El resultado puede ser una reducción de falsos positivos, lo que requiere menos revisiones intensivas en tiempo por parte de analistas, lo que reduce los costos.
• Análisis y visualización mejorados. Las técnicas de visualización de datos, incluidos los gráficos de relaciones entre personas y entidades, pueden ayudar a los usuarios empresariales no técnicos a ver cambios en el riesgo y la distribución geográfica de los casos sospechosos de lavado de dinero.
  • Visualización de datos. Además de los gráficos de relaciones, las técnicas de IA pueden ayudar a los analistas a detectar la ubicación de actividades ilícitas en mapas y explorar tableros para acceder a detalles más específicos. El resultado puede ser una toma de decisiones más rápida y efectiva.
  • Los informes del panel de control muestran métricas y progreso contra indicadores clave de rendimiento (KPI) para transacciones monitoreadas, alertas generadas, SAR presentados, e investigaciones abiertas y cerradas.
• Cumplimiento normativo. Las herramientas de IA pueden ayudar a las instituciones financieras a mantenerse al tanto de las actualizaciones regulatorias y adaptarse a ellas, incluida la documentación que permite la auditabilidad.
  • Actualizaciones regulatorias. El aumento de las multas por lavado de dinero y KYC, junto con la creación de nuevos organismos reguladores para hacerlas cumplir, están incrementando la demanda de tecnología que ayude a los bancos a mantenerse al día con las reglas cambiantes y reducir la probabilidad de sanciones reemplazando o complementando los procesos manuales con automatizados.
  • Pruebas de auditoría. Estas herramientas de software también pueden generar pruebas de auditoría que demuestren cómo se tomaron las decisiones relacionadas con AML y ayudar a escribir registros para auditorías que muestren la actividad y el acceso a los datos.
• Gestión de casos. La automatización de flujos de trabajo y las herramientas de colaboración pueden ayudar con el cumplimiento de AML priorizando alertas, recomendando acciones y automatizando los informes. El software puede rastrear alertas y proporcionar tableros que muestran actividades sospechosas.
  • Automatización de los flujos de trabajo. Según la consultora IT KPMG, las instituciones financieras podrían ahorrar en promedio una cuarta parte de sus costos anuales de cumplimiento utilizando herramientas de automatización de flujos de trabajo contra el crimen financiero. Las herramientas de IA también pueden mantener actualizados los procesos de KYC integrando los cambios regulatorios en los flujos de trabajo de incorporación.
  • Herramientas de colaboración. El software de gestión de casos ayuda a los departamentos a coordinar sus actividades proporcionando un almacén centralizado de información de cumplimiento.
• Detección y prevención del fraude. Los bancos tienen tiempo para detener el lavado de dinero después de que se descubre, aunque los casos de fraude deben detenerse idealmente antes de que se completen las transacciones para evitar pérdidas. Los sistemas de IA emplean aprendizaje adaptativo, lo que les permite ayudar en la detección de transacciones fraudulentas. Los modelos de IA también proporcionan una vista amplia de los clientes, lo que permite a los bancos ver investigaciones e informes que abarcan AML, fraude y sanciones por soborno y corrupción, según KPMG.
  • Soluciones integradas de fraude y AML. La combinación de técnicas para contrarrestar el fraude y el lavado de dinero en un solo paquete de software beneficia a los bancos al ayudar a los equipos de lucha contra el fraude y AML a recopilar y compartir datos pertinentes de los clientes, presentar una visión general de los riesgos que enfrenta el banco y cerrar brechas que los delincuentes pueden utilizar para evadir la detección.
  • Aprendizaje adaptativo. A medida que los bancos confirman nuevos casos de fraude, los sistemas de IA pueden utilizar estos datos para mejorar con el tiempo, particularmente cuando se trata de encontrar casos límite cerca del umbral de detección que probablemente resulten en actividad no detectada o falsos positivos.

Cómo incorporar IA en AML

Los bancos que desean rediseñar los procesos de AML para incorporar técnicas de IA deben primero evaluar su estrategia de datos, incluida la calidad de los datos que poseen. Deben considerar cómo se puede utilizar la IA en departamentos y flujos de trabajo que manejan KYC, la incorporación de clientes y la lucha contra el lavado de dinero. Los sistemas resultantes deben evaluarse en su contexto para determinar su idoneidad y cumplimiento regulatorio. Lee más para conocer estos y otros pasos.

1. Evaluar los procesos actuales de AML. Los bancos deben revisar cómo contrarrestan el lavado de dinero, cuán efectivos son los sistemas actuales para prevenirlo, y los costos que podrían ahorrarse y las mejoras que podrían lograrse con un enfoque basado en IA.
2. Definir objetivos y requisitos. Los bancos deben establecer los objetivos de la implementación de IA, incluidos los criterios de éxito claramente definidos, como reducir los costos operativos y disminuir el número de falsos positivos.
3. Fortalecer la recolección y preparación de datos. Los bancos necesitan asegurarse de que sus datos sean de alta calidad y cantidad suficiente para entrenar los modelos de IA. También deben contar con talento suficiente en ciencia de datos para ajustar los modelos y refinar enfoques (más sobre esto después).
4. Elegir las herramientas y tecnologías de IA adecuadas. Seleccionar un sistema de IA que se ajuste a los casos de uso requeridos es clave. Los sistemas deben ser capaces de monitorear transacciones en tiempo real, aplicar aprendizaje automático y procesamiento de lenguaje natural (NLP) a los procesos de incorporación de clientes y KYC, y usar GenAI y NLP para ayudar a generar informes de actividades sospechosas. Los bancos pueden usar análisis predictivos para evaluar comportamientos anómalos o sospechosos. El análisis de IA basada en gráficos puede ayudar a encontrar redes de personas y entidades que no son evidentes para los analistas.
5. Desarrollar y entrenar modelos de IA. Existen dos formas principales de entrenar modelos de AML AI. Con el aprendizaje supervisado —para modelos de comportamiento, puntuación de riesgo de clientes y evaluación de eventos para listas de AML y sanciones— se muestran al modelo ejemplos etiquetados de los cuales aprender. Esto es ventajoso cuando un modelo necesita aprender sobre las relaciones entre entradas y salidas. Para casos de uso como la segmentación de clientes y la detección de anomalías, los bancos suelen usar el aprendizaje no supervisado, en el cual los modelos ven casos no etiquetados de lavado de dinero y fraude, así como falsos positivos. Sin la ayuda de científicos de datos, el modelo aprende a identificar las características de ambos grupos de transacciones. Los modelos no supervisados pueden descubrir relaciones en los datos que no se habían detectado antes.
6. Integrar la IA con los sistemas existentes. Muchos procesos de AML operan en sistemas de TI heredados, por lo que los bancos necesitan invertir en la creación de conectores con sistemas antiguos de monitoreo de transacciones y de reporte, o modernizar su infraestructura para manejar las demandas de la IA.
7. Capacitar y apoyar al personal. La capacitación en herramientas y procesos de IA es importante tanto para el cumplimiento normativo como para superar la resistencia del personal a adoptar la tecnología.
8. Esforzarse por la mejora continua y la adaptación. La IA está diseñada para promover el aprendizaje continuo, y los bancos deben adoptar una mentalidad similar al implementar y utilizar la tecnología. Para las alertas de AML, los bancos también deben considerar la capacidad de los modelos para recordar (recall), que mide su capacidad para generar casi el mismo número de informes de actividades sospechosas reales a partir de un grupo mucho más reducido de alertas.
9. Ayudar a garantizar el cumplimiento normativo. Las leyes y regulaciones en torno a la IA están evolucionando, y los bancos deben mantenerse al tanto de ellas para mantener el cumplimiento. Los controles internos, la capacitación y la designación de un oficial encargado de gestionar el cumplimiento continuo son partes clave de un cumplimiento efectivo de AML.

El futuro de la IA en AML

Los requisitos de AML establecidos por las autoridades globales están evolucionando, mientras que los presupuestos de AML de los bancos están bajo presión, lo que hace que el análisis y la automatización potenciados por IA sean más atractivos. En EE. UU., la Red de Control de Delitos Financieros (FinCEN) del Departamento del Tesoro está considerando reglas que extenderían la Ley de Secreto Bancario a los asesores de inversión, incluyéndolos en la obligación de presentar informes de actividades sospechosas (SAR). El regulador suizo FINMA ha estado ordenando a los bancos que realicen revisiones más exhaustivas de AML, y se espera que la nueva Autoridad Antilavado de Dinero de la UE introduzca una supervisión más directa sobre hasta 40 instituciones financieras.

Es posible que los bancos busquen duplicar los nuevos métodos mejorados por IA para la detección de fraudes, ya que ocultar dinero detrás de autos de alta gama, joyas y arte ha dificultado rastrear la actividad ilícita. Los grupos que realizan blanqueo de capital también utilizan redes sociales para reclutar trabajadores de bajo rango para depositar dinero, haciendo que las actividades delictivas sean más difíciles de detectar para los sistemas tradicionales.

Moderniza y fortalece tu sistema antilavado de dinero (AML) con Oracle

Oracle Financial Crime and Compliance Management Cloud Service incluye motores de software que puntúan dinámicamente entidades y transacciones para evaluar riesgos, y congelan transacciones de entidades o países sancionados para revisión inmediata por un analista. También cuenta con una capacidad completa de gestión de casos diseñada para la forma en que trabajan los investigadores.

Oracle Financial Services Compliance Studio incluye análisis estadísticos y tecnología de IA supervisada y no supervisada, lo que ayuda a comprender mejor y monitorear riesgos y reducir los costos de mantener una plataforma de cumplimiento y lucha contra el crimen financiero.

El enfoque de Oracle ayudó a un gran banco multinacional a implementar modelos de IA en solo seis semanas y generar entre un 45 y un 65 % menos alertas, mientras seguía produciendo al menos el 99 % del número de informes de actividades sospechosas (SAR) que tenía cuando el volumen de alertas era mucho más alto.

Oracle Financial Services Compliance Agent es un servicio en la nube potenciado por IA que permite a los bancos probar sus sistemas de monitoreo de transacciones y simular actores maliciosos para poner a prueba sus programas de AML, ayudando a reducir costos y riesgos regulatorios. Oracle también está desarrollando un componente de IA generativa para su software de delitos financieros, que ayudará a redactar narrativas para los informes de casos.

Preguntas frecuentes sobre AML AI

¿AML se automatizará?
Cada vez más, los bancos están automatizando sus procesos de AML utilizando herramientas de IA que pueden recopilar y procesar datos de múltiples departamentos. Estas herramientas complementan y apoyan a los analistas y otros trabajadores responsables de la función AML.

¿Qué es la IA generativa en la lucha contra el lavado de dinero?
Los bancos están utilizando IA generativa para buscar términos relacionados que no están codificados directamente en los motores de reglas del software tradicional de AML, identificar relaciones difíciles de detectar entre transacciones y redactar narrativas para actividades sospechosas y otros informes.

¿Qué es la automatización inteligente en AML?
La automatización inteligente se utiliza para reducir el trabajo manual involucrado en la revisión de transacciones que un sistema AML marca incorrectamente como fraudulentas. Lo hace aplicando nuevos patrones que el modelo de IA ha aprendido para clasificar futuras transacciones. Esto puede ayudar a reducir los costos de los bancos y mejorar la precisión.