Taktile comparte los últimos avances de la IA en AML con ACAMS Today

En un artículo de ACAMS Today Magazine, Maximilian Eber, cofundador y CPTO de Taktile, y Dustin Eaton, Principal of Fraud & AML, sostienen que el paso de sistemas de AML basados en reglas a sistemas impulsados por IA se está convirtiendo rápidamente en una ventaja práctica.

Los programas de AML actuales detectan menos del 1 % de los aproximadamente USD 2 billones que se lavan en el mundo cada año. Y aunque las instituciones financieras gastan alrededor de USD 206 mil millones al año en compliance, los resultados siguen siendo insuficientes.

Esa brecha explica por qué la IA gana impulso: puede detectar mejor los patrones, mejorar la precisión y reducir el esfuerzo manual.

Con una confianza creciente en la IA, los reguladores ahora alientan por primera vez su adopción en AML.

Eber y Eaton presentan una hoja de ruta práctica para implementar IA de forma responsable en AML. Explican por qué la IA se adapta de manera particular a los desafíos actuales del AML y dónde está generando el mayor impacto. También describen qué esperan los reguladores desde la perspectiva de la gobernanza de la IA y cómo pueden los equipos reducir el riesgo de adopción. Por último, comparten los factores que influyen en el éxito de la mayoría de las iniciativas de IA.

Por qué la IA se adapta de manera particular a los desafíos actuales del AML

En el artículo de ACAMS Today Magazine, Eber y Eaton subrayan que la evidencia sobre la IA en AML pasó de la teoría a resultados medibles en programas reales.

Según un estudio de validación de Guidehouse, el 61 % de las instituciones financieras reportó una reducción del riesgo tras implementar IA y machine learning en AML.

Una razón importante 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 los medios adversos (adverse media), y ayudar a los analistas a decidir con mayor escala y rapidez qué alertas vale la pena investigar.

Eber y Eaton también destacan la capacidad comprobada de la IA para reducir la carga de trabajo diaria que suelen enfrentar los equipos de compliance. Por ejemplo, implementar IA en el monitoreo de transacciones ha llevado a tasas de falsos positivos entre un 50 % y un 70 % menores que con los sistemas tradicionales basados en reglas. Esto puede generar ahorros significativos o liberar capacidad para investigaciones de mayor riesgo.

Del monitoreo de transacciones al screening de sanciones, los equipos de AML ganan eficiencia y reducen el riesgo con IA. Estos equipos suelen tener éxito cuando tratan los modelos de IA como activos gobernados, gestionados con un rigor similar al de los modelos de crédito o de capital.

Cómo se ampliaron las regulaciones de AML para un despliegue seguro de la IA

Como explican Eber y Eaton en el artículo de ACAMS Today, la gobernanza de la IA en AML se apoya en gran medida en los marcos conocidos de gestión del riesgo 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 (Model Risk Management). Aunque se emitió en 2011 junto con la OCC, sus ideas centrales siguen vigentes para los sistemas de AML modernos.

Los tres componentes centrales siguen siendo los mismos:

• Solidez conceptual: comprender cómo funciona el modelo, por qué debería funcionar y por qué es adecuado para el caso de uso.
• Monitoreo continuo: seguir el desempeño a lo largo del tiempo para asegurar que el modelo siga funcionando como se espera y detectar cuándo hace falta recalibrarlo.
• Validación: exigir una revisión independiente por parte de personal calificado que no haya participado en el desarrollo, centrada en la eficacia, las limitaciones y los supuestos.

Sin embargo, incorporar capacidades de IA agéntica añade una capa extra 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 forma distinta 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 usar técnicas como SHapley Additive exPlanations (SHAP), que estiman cuánto contribuyó cada factor de entrada a una predicción específica, o Local Interpretable Model-agnostic Explanations (LIME), que aproxima el comportamiento del modelo en torno a un caso concreto con un modelo más simple y fácil de explicar.
• Aprendizaje dinámico: los modelos que se reentrenan con más frecuencia requieren un monitoreo más sólido para gestionar la deriva (drift). Esto se debe a que el comportamiento del mundo real cambia con el tiempo, y un modelo que funcionaba bien en el pasado puede volverse menos preciso 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, por lo que el linaje de datos, los controles de calidad y las pruebas de sesgo son centrales para la gobernanza.

En conjunto, estas prácticas de gobernanza hacen que la adopción de la IA sea más segura, más auditable y más fácil de defender ante los reguladores, sin frenar la innovación.

Superar las limitaciones de los sistemas de AML heredados

Los programas de AML heredados se diseñaron para otra época: menores volúmenes, una evolución más lenta de las tipologías y sistemas que podían ajustarse solo con reglas. Hoy, en cambio, se espera que los equipos hagan más que “cumplir con el trámite”.

Entender dónde aporta valor la IA en AML y qué marcos de gobernanza buscan los reguladores es solo el primer paso. La implementación es el siguiente desafío: elegir los casos de uso adecuados, demostrar el desempeño, construir controles listos para auditoría e implementar con seguridad sin interrumpir las operaciones.

En la próxima parte de esta serie, Maximilian Eber y Dustin Eaton comparten una guía operativa práctica para las instituciones financieras que adoptan estrategias de AML impulsadas por IA, con prácticas concretas de gobernanza, enfoques de validación y estrategias de despliegue pensadas para reducir el riesgo.