AI en financiële misdaadpreventie: waarom banken een evenwichtige aanpak nodig hebben

AI is een tweesnijdend zwaard voor banken: terwijl het veel mogelijkheden biedt voor efficiëntere operaties, kan het ook externe en interne risico’s met zich meebrengen.

Financiële criminelen maken gebruik van de technologie om deepfake-video’s, stemmen en valse documenten te produceren die aan computer- en menselijke detectie kunnen ontsnappen, of om e-mailfraude-activiteiten te versnellen. Alleen al in de VS wordt verwacht dat generatieve AI de fraudeverliezen zal versnellen tot een jaarlijkse groeipercentage van 32%, waardoor het tot 40 miljard USD zal stijgen in 2027, volgens een recent rapport van Deloitte.

Misschien moet de reactie van banken dan zijn om zichzelf te bewapenen met nog betere tools, door AI in te zetten in de preventie van financiële misdaad. Financiële instellingen beginnen inderdaad AI in te zetten in anti-financiële misdaad (AFC)-inspanningen – om transacties te monitoren, verdachte activiteitsrapporten te genereren, fraude detectie te automatiseren en meer. Deze hebben het potentieel om processen te versnellen en de nauwkeurigheid te verhogen.

Het probleem is wanneer banken de implementatie van AI niet in evenwicht brengen met menselijke oordeel. Zonder een mens in de lus kan de adoptie van AI van invloed zijn op naleving, vooroordelen en aanpassing aan nieuwe bedreigingen.

We geloven in een voorzichtige, hybride aanpak van AI-adoptie in de financiële sector, die blijft vereisen dat menselijke input wordt verleend.

Het verschil tussen regelgebaseerde en AI-gedreven AFC-systemen

Traditioneel hebben AFC – en in het bijzonder anti-witwas (AML) systemen – met vaste regels gewerkt die zijn ingesteld door compliance-teams in reactie op regelgeving. In het geval van transactiemonitoring, bijvoorbeeld, worden deze regels geïmplementeerd om transacties te markeren op basis van specifieke vooraf gedefinieerde criteria, zoals transactiebedragen of geografische risicofactoren.

AI biedt een nieuwe manier om financiële misdaadrisico’s te screenen. Machine learning-modellen kunnen worden gebruikt om verdachte patronen te detecteren op basis van een reeks datasets die constant evolueren. Het systeem analyseert transacties, historische gegevens, klantgedrag en contextuele gegevens om te monitoren op alles wat verdacht is, terwijl het over tijd leert, adaptieve en potentieel effectievere misdaadmonitoring biedt.

Maar terwijl regelgebaseerde systemen voorspelbaar en gemakkelijk controleerbaar zijn, introduceren AI-gedreven systemen een complex “black box”-element vanwege de ondoorzichtige besluitvormingsprocessen. Het is moeilijker om de redenering van een AI-systeem te traceren voor het markeren van bepaald gedrag als verdacht, gezien het feit dat zoveel elementen zijn betrokken. Dit kan ertoe leiden dat de AI een bepaalde conclusie bereikt op basis van verouderde criteria, of feitelijk onjuiste inzichten biedt, zonder dat dit onmiddellijk detecteerbaar is. Het kan ook problemen veroorzaken voor de naleving van regelgeving door een financiële instelling.

Mogelijke regelgevingsuitdagingen

Financiële instellingen moeten voldoen aan strikte regelgevingsnormen, zoals de EU’s AMLD en de VS’s Bank Secrecy Act, die duidelijke, traceerbare besluitvorming vereisen. AI-systemen, vooral diepe leermodellen, kunnen moeilijk te interpreteren zijn.

Om verantwoordelijkheid te waarborgen bij de adoptie van AI, hebben banken zorgvuldige planning, grondige testing, gespecialiseerde compliance-kaders en menselijke toezicht nodig. Mensen kunnen geautomatiseerde beslissingen valideren door, bijvoorbeeld, de redenering achter een gemarkeerde transactie te interpreteren, waardoor het verklarend en verdedigbaar is voor toezichthouders.

Financiële instellingen staan ook onder toenemende druk om Explainable AI (XAI) tools te gebruiken om AI-gedreven beslissingen verklarend te maken voor toezichthouders en auditors. XAI is een proces dat het mogelijk maakt voor mensen om de output van een AI-systeem en de onderliggende besluitvorming te begrijpen.

Menselijke oordeel is vereist voor een holistische visie

De adoptie van AI kan niet leiden tot zelfgenoegzaamheid met geautomatiseerde systemen. Menselijke analisten brengen context en oordeel met zich mee die AI ontbeert, waardoor nuances besluitvorming mogelijk is in complexe of dubieuze gevallen, wat essentieel blijft in AFC-onderzoeken.

Onder de risico’s van afhankelijkheid van AI vallen de mogelijkheid van fouten (bijv. valse positieven, valse negatieven) en vooroordelen. AI kan vatbaar zijn voor valse positieven als de modellen niet goed zijn afgestemd, of zijn getraind op vooroordeelde gegevens. Terwijl mensen ook vatbaar zijn voor vooroordelen, is het extra risico van AI dat het moeilijk is om vooroordelen binnen het systeem te identificeren.

Verder kunnen AI-modellen alleen functioneren met de gegevens die worden gevoerd – ze kunnen geen nieuwe of zeldzame verdachte patronen buiten historische trends detecteren, of op basis van werkelijke wereldinzichten. Een volledige vervanging van regelgebaseerde systemen door AI kan blinde vlekken in AFC-monitoring achterlaten.

In gevallen van vooroordeel, dubieuze of nieuwe situaties, heeft AFC een onderscheidend oog nodig dat AI niet kan bieden. Tegelijkertijd, als we mensen uit het proces zouden verwijderen, zou dit de mogelijkheid van uw teams om patronen in financiële misdaad te begrijpen, patronen te identificeren en opkomende trends te detecteren, ernstig beperken. Dit zou het moeilijker maken om geautomatiseerde systemen up-to-date te houden.

Een hybride aanpak: combineren van regelgebaseerde en AI-gedreven AFC

Financiële instellingen kunnen een regelgebaseerde aanpak combineren met AI-tools om een multi-laagsysteem te creëren dat de sterke punten van beide benaderingen benut. Een hybride systeem zal AI-implementatie nauwkeuriger maken op de lange termijn en flexibeler in het aanpakken van opkomende financiële misdaadbedreigingen, zonder transparantie op te offeren.

Om dit te doen, kunnen instellingen AI-modellen integreren met voortdurende menselijke feedback. De adaptieve leercurve van de modellen zal dan niet alleen groeien op basis van datapatronen, maar ook op menselijke input die het verfijnt en herbalanceert.

Niet alle AI-systemen zijn gelijk. AI-modellen moeten voortdurend getest worden om nauwkeurigheid, eerlijkheid en naleving te evalueren, met regelmatige updates op basis van regelgevingswijzigingen en nieuwe bedreigingsinformatie zoals geïdentificeerd door uw AFC-teams.

Risico- en compliance-experts moeten getraind worden in AI, of een AI-expert moet worden aangenomen door het team, om ervoor te zorgen dat AI-ontwikkeling en -implementatie binnen bepaalde grenzen wordt uitgevoerd. Zij moeten ook compliance-kaders specifiek voor AI ontwikkelen, een pad creëren voor regelgevingsnaleving in een opkomende sector voor compliance-experts.

Als onderdeel van AI-adoptie is het belangrijk dat alle onderdelen van de organisatie worden geïnformeerd over de mogelijkheden van de nieuwe AI-modellen waarmee ze werken, maar ook over hun beperkingen (zoals potentieel vooroordeel), om hen meer bewust te maken van potentieel fouten.

Uw organisatie moet ook andere strategische overwegingen treffen om beveiliging en gegevenskwaliteit te waarborgen. Het is essentieel om te investeren in hoogwaardige, beveiligde gegevensinfrastructuur en ervoor te zorgen dat ze getraind worden op nauwkeurige en diverse datasets.

AI is en zal blijven zowel een bedreiging als een defensief instrument voor banken. Maar ze moeten deze krachtige nieuwe technologie correct hanteren om problemen te voorkomen in plaats van ze op te lossen.