Hur vi borde utnyttja AI-baserade lösningar för att stoppa brottslighet inom anti-financial crime compliance

Hur vi borde utnyttja AI-lösningar för att stoppa brottslighet inom anti-financial crime compliance

Publicerat av: Redaktionen

Oliver Wyman, en del av Marsh McLennan (NYSE: MMC), har skapat en guide för ansvariga inom anti-financial crime compliance (FCC) som gör det lättare att identifiera användningsområden och strukturera en implementeringsplan på hög nivå för AI-baserade funktioner inom området.

Artificiell intelligens (AI) har blivit en topprioritet i alla organisationer, till stor del på grund av de spännande möjligheter som generativ AI och de stora språkmodeller (LLM) som ligger till grund för den öppnar upp för.

Efterlevnad av regler för bekämpning av ekonomisk brottslighet (AFC) är ett prioriterat område, och med goda skäl; i grunden är dessa modeller mönsterigenkänningsmotorer, och mönsterigenkänning har legat till grund för mycket av AFC-analysen i flera år.

Utöver generativ AI börjar institutioner och tillsynsmyndigheter bli mer bekväma med att anta en bredare uppsättning AI-modeller som möjliggör skarpare riskdifferentiering, sofistikerad anomalidetektering och mer avancerade lösningar för att öka utredningarna. Även om AFC-team måste gå försiktigt fram för att hantera de risker som nya AI-lösningar utgör, bör de vara glada över AI:s potential att automatisera många av de vardagliga AFC-uppgifter som ofta är mycket manuella och ineffektiva.

Hur vi borde utnyttja AI-baserade lösningar för att stoppa brottslighet inom anti-financial crime complianceBanker som har börjat använda AI-baserade lösningar inom områden som screening av bevakningslistor, kundkännedom (KYC) och transaktionsövervakning ser betydande förbättringar i sina program.

Med den här typen av framsteg är det ingen överraskning att många AFC-team intensifierar sina ansträngningar för att utveckla AI-lösningar. Enligt Celents rapport “2023 Technology Transformation in Financial Crime Compliance Report” anser 73% av organisationerna att deras nuvarande teknik är otillräcklig och 86% hävdar att de planerar att öka investeringarna i AI-lösningar under de kommande två åren.

Dessutom utvecklas den offentliga sektorns intresse för AI:s roll i riskhanteringen för ekonomisk brottslighet. Globala tillsynsmyndigheter, som Anti-Money Laundering 2020 i USA och Europe AI Act, främjar innovation genom policyer, fastställer riktlinjer för AI-utveckling och betonar användningen av avancerad teknik som AI och maskininlärning för ekonomiska brott.

Även om AI-lösningar medför inneboende risker och kräver noggrann styrning och planering, bör AFC-team uppmuntras och entusiasmeras av AI:s potential att förändra deras program. Genom en noggrann, välplanerad och samarbetsinriktad strategi tror vi att företag framgångsrikt kan navigera i integrationen av AI i AFC-funktionen, och att AFC-personal kommer att ha frigjort kapacitet för att fokusera på mer strategiskt beslutsfattande och riskbedömning.

Framtida AI-aktiverade programinom anti-financial crime compliance

Vi förväntar oss att framtida statliga program för bekämpning av finansiell brottslighet kommer att använda AI inom flera områden och automatisera eller minska många arbetsintensiva och ineffektiva aktiviteter. AI ska dock inte förväntas ersätta expertisen hos AFC:s medarbetare som besitter omfattande kunskap om riskhantering; regelbaserade lösningar och manuella processer kommer fortfarande att vara nödvändiga delar av ett effektivt program, och AFC:s ledning måste förstå de inneboende styrkorna och svagheterna i de olika formerna av AI för att hitta den balansen.

Ett tillvägagångssätt för AI-implementering inom anti-financial crime compliance

Att övergå till en AI-baserad AFC-funktion kräver mer än att bara ersätta befintliga lösningar med en AI-baserad lösning. Ledare inom bekämpning av finansiell brottslighet bör inse att detta är en omvandling av processer, styrning, människor och operativa strukturer. Vi anser att företagen måste följa en strategisk spelbok och prioritera viktiga principer för att minska riskerna och säkerställa ett framgångsrikt genomförande genom hela livscykeln för förändringshantering, från för- till efterimplementering.

Nästa steg för att anamma AI i arbetet mot finansiell brottslighet

AI-lösningar som generativ AI innebär nya risker som kräver noggrann planering, testning och styrning, och teamen bör vara beredda att genomföra resan i samarbete med tillsynsmyndigheter, affärs- och teknikpartners samt team för hantering av modellrisker. Vi har tagit fram denna playbook för att hjälpa ledare inom bekämpning av finansiell brottslighet att identifiera användningsfall och strukturera en implementeringsplan på hög nivå när de hanterar övergången till en AI-baserad funktion.

Som ett nästa steg bör ledare för bekämpning av finansiell brottslighet börja granska sina program och prioritera användningsfall baserat på tekniska möjliggörare och begränsningar, aptit för innovation och befintliga styrkor och svagheter i programprocessen. De bör engagera sig med interna och externa intressenter under hela den potentiella övergången till ny AI-driven teknik för att säkerställa att det finns en tydlig inriktning på målen och en tydlig väg framåt från pilotlösningar till implementering. För organisationer som är beredda att ta steget till AI-integration kan resan bli mödosam, men den representerar framtiden för efterlevnad av regler mot finansiell brottslighet.

Läs och ladda ned orginalrapporten här.

Författare: David Choi, Stefano Boezio, och James Gordon

 

 

 

 

 

 

Relaterade Artiklar

Vi använder cookies och andra identifierare för att förbättra din upplevelse. Detta gör att vi kan säkerställa din åtkomst, analysera ditt besök på vår webbplats. Det hjälper oss att erbjuda dig ett personligt anpassat innehåll och smidig åtkomst till användbar information. Klicka på ”Jag godkänner” för att acceptera vår användning av cookies och andra identifierare eller klicka ”Mer information” för att justera dina val. Jag Godkänner Mer Information >>

-
00:00
00:00
Update Required Flash plugin
-
00:00
00:00