Inteligência Artificial e Prevenção de Crimes Financeiros: Por que os Bancos Precisam de uma Abordagem Equilibrada

A inteligência artificial é uma moeda de duas faces para os bancos: enquanto desbloqueia muitas possibilidades para operações mais eficientes, também pode representar riscos externos e internos.

Os criminosos financeiros estão utilizando a tecnologia para produzir vídeos deepfake, vozes e documentos falsos que podem passar por detecção computacional e humana, ou para intensificar atividades de fraude por e-mail. Nos EUA, a inteligência artificial gerativa é esperada para acelerar as perdas por fraude a uma taxa de crescimento anual de 32%, alcançando US$ 40 bilhões até 2027, de acordo com um relatório recente da Deloitte.

Talvez, então, a resposta dos bancos deva ser armarem-se com ferramentas ainda melhores, aproveitando a inteligência artificial em toda a prevenção de crimes financeiros. As instituições financeiras estão começando a implantar a inteligência artificial em esforços de prevenção de crimes financeiros (AFC) – para monitorar transações, gerar relatórios de atividade suspeita, automatizar a detecção de fraude e mais. Essas têm o potencial de acelerar processos enquanto aumentam a precisão.

O problema é quando os bancos não equilibram a implementação da inteligência artificial com o julgamento humano. Sem um humano no loop, a adoção da inteligência artificial pode afetar a conformidade, o viés e a adaptabilidade a novas ameaças.

Acreditamos em uma abordagem cautelosa e híbrida para a adoção da inteligência artificial no setor financeiro, que continuará a exigir entrada humana.

A diferença entre sistemas de AFC baseados em regras e impulsionados por IA

Tradionalmente, a AFC – e, em particular, os sistemas de combate à lavagem de dinheiro (AML) – operam com regras fixas definidas pelas equipes de conformidade em resposta a regulamentações. No caso do monitoramento de transações, por exemplo, essas regras são implementadas para sinalizar transações com base em critérios pré-definidos específicos, como limites de valor de transação ou fatores de risco geográfico.

A inteligência artificial apresenta uma nova forma de triagem para riscos de crimes financeiros. Modelos de aprendizado de máquina podem ser usados para detectar padrões suspeitos com base em uma série de conjuntos de dados em constante evolução. O sistema analisa transações, dados históricos, comportamento do cliente e dados contextuais para monitorar qualquer coisa suspeita, aprendendo com o tempo, oferecendo monitoramento de crimes adaptativo e potencialmente mais eficaz.

No entanto, enquanto os sistemas baseados em regras são previsíveis e facilmente auditáveis, os sistemas impulsionados por IA introduzem um elemento complexo de “caixa preta” devido a processos de tomada de decisão opacos. É mais difícil rastrear o raciocínio de um sistema de IA para sinalizar determinado comportamento como suspeito, dado que muitos elementos estão envolvidos. Isso pode levar o IA a chegar a uma conclusão com base em critérios desatualizados, ou fornecer insights factualmente incorretos, sem que isso seja imediatamente detectável. Também pode causar problemas para a conformidade regulatória de uma instituição financeira.

Desafios regulatórios possíveis

As instituições financeiras devem aderir a padrões regulatórios rigorosos, como a Diretiva de Combate à Lavagem de Dinheiro da UE e a Lei de Sigilo Bancário dos EUA, que exigem tomada de decisão clara e rastreável. Os sistemas de IA, especialmente os modelos de aprendizado profundo, podem ser difíceis de interpretar.

Para garantir a responsabilidade ao adotar a inteligência artificial, os bancos precisam de planejamento cuidadoso, testes rigorosos, estruturas de conformidade especializadas e supervisão humana. Os humanos podem validar decisões automatizadas interpretando o raciocínio por trás de uma transação sinalizada, tornando-a explicável e defensável para os reguladores.

As instituições financeiras também estão sob pressão crescente para usar ferramentas de Inteligência Artificial Explicável (XAI) para tornar as decisões impulsionadas por IA compreensíveis para reguladores e auditores. A XAI é um processo que permite aos humanos compreender a saída de um sistema de IA e sua tomada de decisão subjacente.

Julgamento humano necessário para uma visão holística

A adoção da inteligência artificial não pode dar lugar à complacência com sistemas automatizados. Os analistas humanos trazem contexto e julgamento que a IA falta, permitindo tomada de decisão matizada em casos complexos ou ambíguos, o que permanece essencial nas investigações de AFC.

Entre os riscos da dependência da IA estão a possibilidade de erros (por exemplo, falsos positivos, falsos negativos) e viés. A IA pode ser propensa a falsos positivos se os modelos não forem bem ajustados ou forem treinados com dados enviesados. Embora os humanos também sejam suscetíveis a viés, o risco adicional da IA é que pode ser difícil identificar o viés dentro do sistema.

Além disso, os modelos de IA são executados com os dados que lhes são fornecidos – eles podem não capturar padrões suspeitos novos ou raros fora das tendências históricas, ou com base em insights do mundo real. A substituição completa de sistemas baseados em regras por IA poderia deixar pontos cegos no monitoramento de AFC.

Em casos de viés, ambiguidade ou novidade, a AFC precisa de um olhar discernidor que a IA não pode fornecer. Ao mesmo tempo, se remove os humanos do processo, poderia severamente prejudicar a capacidade das equipes de entender padrões em crimes financeiros, identificar padrões e reconhecer tendências emergentes. Isso, por sua vez, poderia dificultar manter os sistemas automatizados atualizados.

Uma abordagem híbrida: combinando sistemas de AFC baseados em regras e impulsionados por IA

As instituições financeiras podem combinar uma abordagem baseada em regras com ferramentas de IA para criar um sistema em camadas que aproveite as forças de ambas as abordagens. Um sistema híbrido tornará a implementação da IA mais precisa a longo prazo e mais flexível para lidar com ameaças emergentes de crimes financeiros, sem sacrificar a transparência.

Para fazer isso, as instituições podem integrar modelos de IA com feedback humano contínuo. O aprendizado adaptativo dos modelos seria, portanto, baseado não apenas em padrões de dados, mas também em entrada humana que os refina e reequilibra.

Nem todos os sistemas de IA são iguais. Os modelos de IA devem passar por testes contínuos para avaliar a precisão, a justiça e a conformidade, com atualizações regulares com base em mudanças regulatórias e novas inteligências de ameaças identificadas pelas equipes de AFC.

Especialistas em risco e conformidade devem ser treinados em IA, ou um especialista em IA deve ser contratado para a equipe, para garantir que o desenvolvimento e a implantação da IA sejam executados dentro de certos limites. Eles também devem desenvolver estruturas de conformidade específicas para a IA, estabelecendo um caminho para a adesão regulatória em um setor emergente para especialistas em conformidade.

Como parte da adoção da IA, é importante que todos os elementos da organização sejam informados sobre as capacidades dos novos modelos de IA com os quais estão trabalhando, mas também sobre suas limitações (como o potencial de viés), para torná-los mais perceptivos a possíveis erros.

A organização também deve considerar estrategicamente outros fatores para preservar a segurança e a qualidade dos dados. É essencial investir em infraestrutura de dados de alta qualidade e segura e garantir que sejam treinados com conjuntos de dados precisos e diversificados.

A IA é e continuará a ser tanto uma ameaça quanto uma ferramenta defensiva para os bancos. Mas eles precisam lidar com essa poderosa nova tecnologia corretamente para evitar criar problemas em vez de resolvê-los.