Cómo automatizar el onboarding de KYB en 8 pasos

Y los clientes sienten esa fricción. Una investigación de EY reveló que 42 % de las pymes estaba insatisfecha con la velocidad del proceso de onboarding, y 36 % con el grado de automatización.

La IA agéntica está empezando a cambiar esto al llevar más trabajo de investigación a las etapas iniciales del proceso, de modo que los casos sencillos avancen más rápido y los revisores humanos puedan concentrarse donde más importa su criterio.

Conclusiones clave

• Empiece por el trabajo, no por la tecnología. Separe las verificaciones determinísticas de la investigación y del criterio genuino antes de decidir qué automatizar.
• Deje que el riesgo y la complejidad determinen el recorrido. Los casos de bajo riesgo pueden recibir más automatización, mientras que los de riesgo medio y alto reciben investigación adicional o revisión humana.
• Use reglas, IA, flujos de trabajo y experiencia humana en conjunto. Cada uno es adecuado para una parte distinta del proceso de onboarding.
• Diseñe la revisión humana dentro del flujo de trabajo. El objetivo es darles a los revisores un caso mejor preparado, no simplemente sacarlos del proceso.
• Pruebe y mejore de forma continua. El umbral adecuado entre automatización y revisión humana debe probarse, no darse por supuesto.

Paso 1: Mapee su flujo de onboarding actual

Empiece por lo que realmente ocurre hoy.

Repase casos recientes de KYB y observe el trabajo que requiere cada etapa.

Algunas tareas son en gran medida determinísticas: obtener datos, comprobar si está presente la información requerida o aplicar reglas de política predefinidas.

Otras son de investigación: resolver información contradictoria, entender una estructura de propiedad compleja o determinar si un resultado de noticias adversas es relevante.

Y algunas requieren genuinamente criterio humano.

Una forma útil de abordarlo es ver qué capacidad se adapta mejor a cada parte del proceso.

Preste especial atención al trabajo que exige más investigación. Suelen ser los pasos en los que los equipos reúnen, contrastan e interpretan información de forma manual, y donde las nuevas capacidades de IA pueden marcar la mayor diferencia. Taktile analiza estas oportunidades con más detalle en su guía para crear una estrategia de onboarding impulsada por IA.

Paso 2: Defina niveles de riesgo y reglas de enrutamiento

No todos los clientes necesitan el mismo recorrido de onboarding.

Una vez mapeado el flujo de trabajo, analice qué casos podrían avanzar de forma automática y cuáles podrían beneficiarse de una investigación adicional o de una revisión humana.

Un punto de partida sencillo son tres niveles de riesgo:

• Riesgo bajo: solicitudes sencillas, con información completa, estructuras de propiedad simples y sin señales de riesgo relevantes. Pueden ser aptas para un alto grado de automatización.
• Riesgo medio: solicitudes con información faltante, estructuras más complejas o señales que requieren más investigación. Pueden activar verificaciones de datos adicionales o una investigación impulsada por IA.
• Riesgo alto: casos con una complejidad o señales de riesgo significativas que requieren una atención más cercana. Pueden pasar a un revisor humano con las evidencias relevantes ya reunidas.

Los criterios exactos dependerán de las políticas, el apetito de riesgo, los mercados y la base de clientes de la institución.

Una forma útil de pensarlo es hacer explícita la lógica de enrutamiento.

En lugar de tratar el onboarding como algo simplemente automatizado o manual, los equipos pueden combinar reglas, datos, agentes de IA y revisión humana de distintas maneras según el riesgo y la complejidad de cada caso.

Paso 3: Automatice la verificación de empresas y el enriquecimiento de datos

La verificación de empresas es uno de los lugares más naturales para empezar.

La tarea central es confirmar que la empresa existe, que la información enviada es coherente con fuentes confiables y que se dispone de suficiente información para continuar la evaluación.

Gran parte de ese trabajo puede hacerse de forma automática.

Los proveedores de datos pueden obtener información de la empresa y de su registro, datos de propiedad y otras señales relevantes. El flujo de trabajo puede entonces combinar esos insumos, en lugar de pedirle a un analista que los reúna y los compare manualmente.

Lo más difícil es lo que ocurre cuando los datos no dan una respuesta clara.

La cobertura varía según el mercado. Puede faltar información. Dos fuentes pueden no coincidir.

En lugar de dejar que la solicitud se estanque, el flujo de trabajo puede consultar otra fuente, pedir información adicional, activar una investigación más profunda o derivar el caso a revisión.

La IA puede ir aún más lejos. El Business Verification Agent de Taktile, por ejemplo, obtiene datos de registros, de propiedad y de documentación, y compila los hallazgos en un informe estructurado.

Paso 4: Automatice la investigación de la propiedad efectiva y de los UBO

La propiedad es donde el KYB puede volverse complejo rápidamente.

Una empresa con una estructura de propiedad simple puede ser fácil de evaluar. Varias sociedades holding, entidades transfronterizas, registros incompletos o información contradictoria pueden convertir la misma tarea en una investigación considerable.

Tradicionalmente, los analistas pueden tener que armar información de varios documentos y fuentes para entender quién es, en última instancia, el dueño o el controlador de la empresa.

La IA puede ayudar a adelantar buena parte de ese trabajo: reúne la información de propiedad disponible, mapea las relaciones entre entidades y personas, identifica posibles beneficiarios finales (UBO, por sus siglas en inglés) y pone en evidencia las brechas que aún requieren atención.

Esta información también importa desde el punto de vista regulatorio. Los estándares del GAFI sobre propiedad efectiva exigen que las autoridades tengan acceso a información adecuada, precisa y actualizada sobre los verdaderos dueños de las empresas.

Cuando la estructura de propiedad no puede resolverse con confianza, el flujo de trabajo puede, en cambio, pedir más evidencia o pasar el caso a revisión humana.

Paso 5: Automatice la investigación de sanciones, listas de vigilancia y noticias adversas

El screening plantea una distinción similar entre identificar una señal y entender qué significa.

Una posible coincidencia no le dice necesariamente al revisor si identificó a la persona o a la empresa correcta. Del mismo modo, un resultado de noticias adversas puede requerir contexto antes de resultar útil para una decisión.

Aquí es donde la IA puede ampliar los flujos de screening tradicionales.

Un agente puede investigar posibles coincidencias, comparar la información de las entidades, reunir evidencia de respaldo y resumir lo que sigue sin resolverse antes de que el caso llegue a un revisor.

En el caso de las noticias adversas, también puede buscar y estructurar información de fuentes no estructuradas, y ayudar al revisor a entender no solo que se encontró algo, sino por qué puede ser relevante.

La desambiguación de entidades, la calidad de las fuentes subyacentes y los resultados claros y estructurados siguen siendo importantes. El objetivo no es simplemente generar menos alertas, sino hacer que cada alerta sea más fácil de investigar.

Paso 6: Cree puntos de revisión manual para los casos límite

Una forma de ver la automatización no es como un reemplazo de la revisión humana, sino como una manera de hacer esa revisión más focalizada.

Un flujo de onboarding simplificado podría verse así:

• Los datos establecen los hechos conocidos.
• Las reglas aplican la política de forma determinística.
• La IA investiga lo que hay detrás de la información ambigua o no estructurada.
• El flujo de trabajo coordina lo que todavía hace falta.
• Una persona aplica su criterio donde es necesario.

En un caso de riesgo medio o alto, esto significa que el revisor debería recibir juntos los resultados de verificación relevantes, la información de propiedad, los hallazgos del screening y los motivos de la escalación.

En lugar de reconstruir el caso desde el principio, puede concentrarse en la pregunta que sigue sin resolverse.

Esa es la oportunidad más interesante para los equipos de onboarding: no quitar a las personas de cada decisión, sino reducir cuánto trabajo de investigación debe hacerse antes de que su experiencia sea realmente necesaria.

Paso 7: Conecte el enrutamiento, los cambios de política y los registros de auditoría

Una vez que un caso ha completado las verificaciones requeridas, el flujo de trabajo debe determinar qué sucede a continuación.

Según la política de la institución y el caso concreto, eso podría significar continuar automáticamente, pedir más información o pasar el caso a revisión humana.

Sea cual sea el resultado, el camino hacia esa decisión debe seguir siendo trazable.

Dar a los equipos visibilidad sobre qué datos se usaron, qué verificaciones se ejecutaron, qué reglas se activaron y por qué se escaló un caso puede facilitar la comprensión y la mejora del camino de decisión.

Un ejemplo es Capchase. A medida que esta fintech B2B se expandió a nivel internacional, sus flujos de KYB debían admitir distintos mercados, fuentes de datos y requisitos de política. Tras migrar sus flujos de decisión a Taktile, Capchase reportó una reducción de 50 % en el tiempo de procesamiento con más fuentes de datos, junto con una reducción de 99 % en el tiempo necesario para actualizar las políticas. Los cambios que antes tomaban semanas podían probarse y lanzarse en minutos.

Paso 8: Monitoree, pruebe e itere

Un flujo de onboarding automatizado no es un sistema que se configura y se olvida.

Una vez que se introduce la automatización, algunas métricas pueden ayudar a los equipos a entender cómo está funcionando el flujo de trabajo.

Entre las métricas útiles se incluyen:

• Cuántos casos avanzan por cada nivel de riesgo
• Cuántas solicitudes requieren revisión manual
• Tasas de falsos positivos del screening
• Tiempos de respuesta de la revisión manual
• Con qué frecuencia los revisores discrepan de una recomendación automatizada o la modifican de forma sustancial

Antes de ampliar la automatización, los equipos también pueden probar nuevos enfoques con solicitudes históricas.

¿El proceso automatizado identifica la misma evidencia relevante? ¿Omite algo importante? ¿En qué casos el revisor sigue aportando información que cambia de forma significativa el resultado?

Taktile, por ejemplo, permite a los equipos hacer backtesting de los agentes con datos históricos antes de implementarlos y derivar los casos inciertos al Case Manager con el contexto relevante adjunto.

Esos resultados les dan a los equipos una base concreta sobre la cual trabajar.

El objetivo no es llegar a un modelo universal de KYB, sino seguir aprendiendo qué capacidad está mejor posicionada para manejar cada parte del proceso.

Automatizar el KYB es, en última instancia, un desafío de orquestación

La siguiente etapa de la automatización del onboarding tiene menos que ver con reemplazar a los revisores por IA y más con asignar cada capacidad al trabajo para el que es más adecuada.

Los datos y las reglas pueden encargarse de los hechos conocidos y de la política determinística, la IA puede apoyar la investigación y la experiencia humana puede mantenerse enfocada en las decisiones donde el criterio importa más.

Bien hecho, los casos sencillos avanzan más rápido, los complejos llegan mejor preparados y los equipos conservan el control.

Preguntas frecuentes