AI en preventie van financiële criminaliteit: 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 voorbij computer- en menselijke detectie kunnen komen, 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 in 2027 40 miljard USD zal bereiken, 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 voor de preventie van financiële criminaliteit. Financiële instellingen beginnen inderdaad AI in te zetten voor anti-financiële criminaliteit (AFC)-inspanningen – om transacties te monitoren, verdachte activiteitenrapporten te genereren, fraude-opsporing 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 oordeelkundigheid. 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 blijvend menselijke input zal vereisen.

Het verschil tussen regelgebaseerde en AI-gedreven AFC-systemen

Traditioneel hebben AFC – en in het bijzonder anti-witwaspraktijken (AML)-systemen – gewerkt met vaste regels die zijn ingesteld door nalevings 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 van screening voor financiële criminele risico’s. 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 verdachte activiteiten, terwijl het over tijd leert, waardoor adaptieve en potentieel effectievere criminele monitoring mogelijk wordt.

Echter, 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 tot een bepaalde conclusie komt 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 verantwoordingsplicht te waarborgen bij de adoptie van AI, hebben banken zorgvuldige planning, grondige testing, gespecialiseerde nalevingskaders 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 regelgevers.

Financiële instellingen staan ook onder toenemende druk om Explainable AI (XAI)-tools te gebruiken om AI-gedreven beslissingen verklarend te maken voor regelgevers 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 oordeelkundigheid vereist voor holistische visie

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

Onder de risico’s van afhankelijkheid van AI zijn de mogelijkheid van fouten (bijv. valse positieven, valse negatieven) en vooroordelen. AI kan gevoelig 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 kan zijn om vooroordelen binnen het systeem te identificeren.

Bovendien draaien AI-modellen op de gegevens die aan hen worden gevoerd – ze kunnen geen nieuwe of zeldzame verdachte patronen buiten historische trends vangen, of op basis van werkelijke wereldinzichten. Een volledige vervanging van regelgebaseerde systemen met AI kan blindspots creëren in AFC-monitoring.

In gevallen van vooroordeel, dubieuze of noviteit, 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 criminaliteit te begrijpen, patronen te herkennen en opkomende trends te identificeren, 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 de implementatie van AI op lange termijn nauwkeuriger maken en flexibeler in het aanpakken van opkomende financiële criminele bedreigingen, zonder transparantie op te offeren.

Dit kan worden gedaan door AI-modellen te integreren met voortdurende menselijke feedback. Het adaptieve leren 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 worden getest om de nauwkeurigheid, eerlijkheid en naleving te evalueren, met regelmatige updates op basis van regelgevingswijzigingen en nieuwe bedreigingsinformatie, zoals geïdentificeerd door uw AFC-teams.

Risico- en nalevingsdeskundigen moeten worden opgeleid in AI, of een AI-deskundige moet worden aangenomen in het team, om ervoor te zorgen dat AI-ontwikkeling en -implementatie binnen bepaalde grenzen worden uitgevoerd. Zij moeten ook nalevingskaders specifiek voor AI ontwikkelen, waardoor een pad naar regelgevingsnaleving in een opkomende sector voor nalevingsdeskundigen wordt gecreëerd.

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 potentiële fouten.

Uw organisatie moet ook andere strategische overwegingen doen om de beveiliging en gegevenskwaliteit te waarborgen. Het is essentieel om te investeren in hoogwaardige, beveiligde gegevensinfrastructuur en ervoor te zorgen dat deze zijn getraind 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 te voorkomen dat ze problemen creëren in plaats van ze op te lossen.