IA, AML 5 minutos de lectura
Taktile comparte con ACAMS Today los últimos avances en inteligencia artificial aplicados a la lucha contra el lavado de dinero
Esta publicación es una adaptación de un artículo de la revista ACAMS Today escrito por Maximilian Eber, cofundador y director de tecnología (CPTO) de Taktile, y Dustin Eaton, director del área de Fraude y Prevención de Lavado de Dinero.
En un artículo de la revista ACAMS Today, Maximilian Eber, cofundador y director de tecnología (CPTO) de Taktile, y Dustin Eaton, director del área de Fraude y Prevención de Lavado de Dinero, sostienen que el cambio de los sistemas de prevención de lavado de dinero basados en reglas a los impulsados por inteligencia artificial se está convirtiendo rápidamente en una ventaja práctica.
Los programas actuales de lucha contra el lavado de dinero detectan menos del 1 % de los 2 billones de dólares que se estima se blanquean a nivel mundial cada año. Y eso a pesar de que las instituciones financieras gastan alrededor de 206 mil millones de dólares al año en cumplimiento normativo, los resultados siguen siendo insuficientes.
Esa brecha explica por qué la IA está ganando terreno: puede detectar patrones con mayor eficacia, mejorar la precisión y reducir el trabajo manual.
Con la creciente confianza en la IA, los organismos reguladores están fomentando ahora, por primera vez, su adopción en la lucha contra el lavado de dinero.
Eber y Eaton presentan una guía práctica para la implementación responsable de la IA en la lucha contra el lavado de dinero (AML). Explican por qué la IA es especialmente adecuada para los retos actuales en materia de AML y en qué áreas está generando el mayor impacto. También describen lo que esperan los reguladores desde el punto de vista de la gobernanza de la IA y cómo los equipos pueden reducir los riesgos asociados a su adopción. Por último, comparten los factores que influyen en el éxito de la mayoría de las iniciativas de IA.
Por qué la IA es la solución ideal para los retos actuales en materia de lucha contra el lavado de dinero
En el artículo de la revista ACAMS Today, Eber y Eaton destacan que la evidencia sobre el uso de la inteligencia artificial en la lucha contra el lavado de dinero ha pasado de ser mera teoría a generar resultados medibles en programas del mundo real.
Según un estudio de validación de Guidehouse, el 61 % de las instituciones financieras informó haber reducido el riesgo tras implementar la inteligencia artificial y el aprendizaje automático en la lucha contra el lavado de dinero.
Una de las principales razones es el reconocimiento de patrones. La IA puede detectar comportamientos y patrones complejos que los analistas humanos podrían pasar por alto al revisar los casos uno por uno.
La IA también puede organizar datos estructurados, como el historial de cuentas de los clientes, e información no estructurada, como noticias negativas en los medios, lo que ayuda a los analistas a decidir qué alertas vale la pena investigar con mayor alcance y rapidez.
Eber y Eaton también destacan la capacidad comprobada de la IA para reducir la carga de trabajo diaria a la que suelen enfrentarse los equipos de cumplimiento. Por ejemplo, la implementación de la IA en el monitoreo de transacciones ha dado lugar a una reducción del 50 al 70 % en las tasas de falsos positivos en comparación con el uso de sistemas tradicionales basados en reglas. Esto puede generar ahorros significativos o liberar recursos para dedicarlos a investigaciones de mayor riesgo.
Desde el monitoreo de transacciones hasta la verificación de sanciones, los equipos de lucha contra el lavado de dinero están ganando en eficiencia y reduciendo el riesgo gracias a la inteligencia artificial. Estos equipos suelen tener éxito cuando tratan los modelos de inteligencia artificial como activos regulados, gestionados con un rigor similar al de los modelos de crédito o de capital.
Lee la publicación completa de la revista ACAMS Today.
Cómo se han ampliado las regulaciones contra el lavado de dinero para garantizar un despliegue seguro de la IA
Como señalan Eber y Eaton en el artículo de ACAMS Today, la gobernanza de la IA en el ámbito de la lucha contra el lavado de dinero (AML) se basa principalmente en marcos conocidos de gestión de riesgos de modelos, en lugar de introducir requisitos completamente nuevos.
Un punto de referencia clave es la guía SR 11-7 de la Junta de la Reserva Federal sobre la gestión del riesgo de modelos. Aunque se publicó en 2011 junto con la OCC, sus ideas fundamentales siguen siendo aplicables a los sistemas modernos de lucha contra el lavado de dinero.
Los tres componentes principales siguen siendo los mismos:
- Solidez conceptual: Comprender cómo funciona el modelo, por qué debería funcionar y por qué se adapta al caso de uso.
- Monitoreo continuo: Realiza un seguimiento del desempeño a lo largo del tiempo para asegurarte de que el modelo siga funcionando según lo esperado e identificar cuándo es necesario recalibrarlo.
- Validación: Se requiere una revisión independiente a cargo de personal calificado que no haya participado en el desarrollo, centrada en la eficacia, las limitaciones y los supuestos.
Sin embargo, la incorporación de capacidades de IA agentiva añade un nivel adicional de complejidad:
- Explicabilidad: Los modelos de IA son más complejos que los sistemas basados en reglas porque combinan muchas señales a la vez y las ponderan de manera diferente según el contexto, en lugar de seguir una única regla del tipo «si X, entonces Y».Para ofrecer explicaciones que respalden las expectativas de transparencia, los equipos pueden utilizar técnicas como las Explicaciones Aditivas de Shapley (SHAP), que estiman en qué medida cada factor de entrada contribuyó a una predicción específica, o las Explicaciones Locales Interpretables Independientes del Modelo (LIME), que aproximan el comportamiento del modelo en torno a un caso específico mediante un modelo más sencillo y fácil de explicar.
- Aprendizaje dinámico: Los modelos que se vuelven a entrenar con mayor frecuencia requieren un monitoreo más riguroso para controlar la deriva. Esto se debe a que el comportamiento en el mundo real cambia con el tiempo, y un modelo que tuvo un buen desempeño en el pasado puede perder precisión a medida que evolucionan los patrones de fraude, el comportamiento de los clientes y la calidad de los datos.
- Calidad de los datos: El desempeño de la IA depende en gran medida de la calidad y la representatividad de los datos, lo que hace que el linaje de los datos, los controles de calidad y las pruebas de sesgo sean elementos fundamentales de la gobernanza.
En conjunto, estas prácticas de gobernanza hacen que la adopción de la IA sea más segura, más fácil de auditar y más sencilla de justificar ante los organismos reguladores, sin frenar la innovación.
Superar las limitaciones de los sistemas tradicionales de prevención del lavado de dinero
Los programas tradicionales de lucha contra el lavado de dinero (AML) se diseñaron para una época diferente: volúmenes más bajos, una evolución más lenta de las tipologías y sistemas que podían ajustarse únicamente mediante reglas. Pero hoy en día, se espera que los equipos hagan algo más que «marcar casillas».
Entender en qué aspectos la IA aporta valor en la lucha contra el lavado de dinero (AML) y cuáles son los marcos de gobernanza que buscan los reguladores es solo el primer paso. La implementación es el siguiente reto: elegir los casos de uso adecuados, demostrar el desempeño, establecer controles preparados para auditorías e implementar la tecnología de manera segura sin interrumpir las operaciones.
En la siguiente parte de esta serie, Maximilian Eber y Dustin Eaton comparten una guía práctica de operaciones para las instituciones financieras que adoptan estrategias de lucha contra el lavado de dinero (AML) basadas en inteligencia artificial, que incluye prácticas concretas de gobernanza, enfoques de validación y estrategias de implementación diseñadas para reducir el riesgo.
