Agentes de IA em conformidade e combate à lavagem de dinheiro: um guia para a implantação responsável

Para as equipes de AML e conformidade, o desafio raramente é a falta de empenho. Trata-se da pressão crescente para agir com rapidez, reduzir os atritos com os clientes e detectar crimes financeiros reais, tudo isso sem deixar de lado a documentação, a consistência e a supervisão exigidas por um trabalho regulamentado.

Essa pressão se manifesta ao longo de todo o ciclo de vida do cliente. Durante a integração, os analistas podem passar horas analisando documentos, verificando estruturas acionárias, realizando triagens de sanções e listas de observação e avaliando notícias negativas na mídia. Quando os clientes já estão ativos, os sistemas de monitoramento de transações podem sobrecarregar as equipes com falsos positivos. E, quando os casos são encaminhados para um nível superior, os investigadores muitas vezes precisam reunir informações de contexto provenientes de vários sistemas antes de poderem decidir quais medidas tomar.

É aqui que a IA agênica pode começar a ajudar. Os agentes de IA são ideais para fluxos de trabalho que exigem investigação, síntese e encaminhamento criterioso: coleta de informações, conexão de sinais entre sistemas, elaboração de resumos de casos e identificação de casos de maior risco ou incerteza para análise humana.

No guia da Taktile sobre a implantação responsável de agentes de IA em instituições financeiras, exploramos como esses agentes podem auxiliar em alguns dos fluxos de trabalho mais manuais e que exigem maior discernimento no setor de serviços financeiros, incluindo combate à lavagem de dinheiro (AML) e conformidade.

Para essas equipes, a oportunidade não se resume apenas a processar mais alertas ou concluir verificações mais rapidamente. Trata-se de criar uma forma de trabalho mais focada e rica em contexto: uma em que os agentes ajudem a preparar a investigação, os analistas mantenham o controle das decisões críticas e cada resultado possa ser analisado, documentado e aprimorado ao longo do tempo.

Os mecanismos de regras tradicionais são úteis para verificações determinísticas. Eles podem sinalizar transações que ultrapassem um limite ou fazer cumprir requisitos de políticas fixas. No entanto, são menos adequados para as partes do trabalho de combate à lavagem de dinheiro e conformidade que exigem interpretação, investigação e contexto.

Os agentes se destacam por serem capazes de trabalhar com informações não estruturadas, conectar dados de várias fontes, seguir etapas de investigação e identificar quando um caso requer análise humana. Na prática, isso pode ajudar as equipes a passar de alertas brutos e pesquisas manuais para resumos de casos pré-compilados, sinais de risco mais claros e uma análise mais direcionada.

O objetivo não é substituir o julgamento em matéria de conformidade. Trata-se de reduzir o trabalho de investigação que impede os analistas de dedicar tempo suficiente aos casos que realmente exigem seus conhecimentos especializados.

Para tornar isso mais prático, é útil analisar o percurso de AML e conformidade em três etapas interligadas: integração de clientes, monitoramento contínuo de transações e gestão de casos/apresentação de relatórios de suspeita de lavagem de dinheiro (SAR). Cada etapa gera um tipo diferente de carga operacional e oferece uma oportunidade distinta para que os agentes apoiem as pessoas envolvidas no processo.

Durante o processo de integração, as decisões de conformidade geralmente se resumem à verificação das informações fornecidas pelo cliente em relação às políticas internas e às fontes de dados externas. Isso pode incluir informações sobre a titularidade da empresa, origem dos fundos, dados sobre sanções e listas de observação, verificação de endereço e resultados de mídia negativa.

A verificação de documentos é um excelente ponto de partida, pois os agentes podem fazer mais do que apenas extrair texto. Eles são capazes de compreender o significado das informações, compará-las com outras fontes e identificar lacunas.

Na ausência de agentes, os analistas podem utilizar o OCR para extrair dados de documentos e, em seguida, comparar manualmente esses dados com entradas de registros ou fontes de verificação. O OCR pode extrair texto, mas nem sempre consegue determinar se as informações estão completas, são inconsistentes ou têm sentido.

Com a ajuda de agentes, grande parte desse trabalho preparatório pode ser reduzida. Um agente pode analisar os documentos do cliente mesmo quando o formato não é padronizado, cruzar as informações extraídas com registros e fontes de verificação de identidade, identificar inconsistências e resumir as conclusões para o analista.

Para os clientes, isso pode significar menos atrasos e solicitações mais claras de informações que faltam. Para os analistas, significa menos tempo compilando dados e mais tempo analisando o conteúdo do caso.

A cobertura negativa da mídia é outra área em que os agentes podem reduzir significativamente a carga de trabalho manual.

Muitas instituições já automatizam o processo inicial de pesquisa. O trabalho mais difícil consiste em avaliar se o resultado é relevante, associá-lo à entidade correta, avaliar o nível de risco, documentar as conclusões e decidir qual será o próximo passo.

Os agentes podem coletar e ler artigos, associar os resultados ao cliente correto, filtrar alertas de baixo risco e resumir sinais relevantes para análise dos analistas. À medida que o comportamento do cliente muda, os agentes também podem monitorar novos sinais negativos na mídia e solicitar uma análise quando surgirem preocupações.

No entanto, o guia também destaca um ponto importante a ser observado: erros nas sanções e na triagem de PEPs podem acarretar consequências regulatórias imediatas. Por esse motivo, a implantação de agentes nessas áreas deve adotar limites mais baixos para a intervenção humana e a revisão obrigatória da documentação por parte de a gerência sênior.

Este é um princípio útil para a implementação responsável de sistemas de combate à lavagem de dinheiro de forma mais ampla: quanto mais graves forem as consequências regulatórias, mais conservador deve ser o limite de automação.

Depois que os clientes são cadastrados, as equipes de combate à lavagem de dinheiro enfrentam o desafio contínuo de monitorar as atividades em busca de comportamentos suspeitos.

Tradicionalmente, os sistemas de monitoramento de transações apresentam um dilema difícil: ampliar o escopo e sobrecarregar os analistas com falsos positivos, ou restringir os limites e correr o risco de deixar passar ameaças reais. Os sistemas baseados em regras podem sinalizar padrões suspeitos, mas muitas vezes carecem do contexto necessário para distinguir uma anomalia de baixo risco de um sinal de risco significativo.

É aqui que a triagem inteligente de alertas pode ajudar. Em vez de enviar todos os alertas acionados diretamente para a fila de um analista, um agente pode dar início à investigação primeiro.

Quando um alerta é acionado, o agente pode reunir informações contextuais relevantes, como histórico de transações, antecedentes do cliente, padrões de comportamento, alertas anteriores e indicadores de risco. Em seguida, ele pode avaliar o alerta à luz desse panorama mais amplo: resolvendo casos de baixo risco quando apropriado, classificando o nível de preocupação e encaminhando casos de maior risco ou de natureza incerta a um revisor humano, acompanhados de um resumo pré-elaborado.

Para os analistas, isso muda o ponto de partida. Em vez de começarem com um alerta bruto e terem que reunir manualmente o contexto, eles recebem uma visão mais completa do caso, com as evidências relevantes já organizadas. Suas aprovações, modificações e substituições podem então ser incorporadas ao sistema, ajudando o agente a refinar seu julgamento ao longo do tempo.

Para instituições maduras, o valor não reside simplesmente em detectar mais alertas. Trata-se de ajudar as equipes a priorizar os alertas com maior probabilidade de representar um risco real, reduzir o tempo gasto com falsos positivos e direcionar a expertise humana para onde ela pode ter maior impacto.

A importância de um sistema de AML proativo torna-se especialmente evidente quando um caso passa para uma fase mais aprofundada de investigação e documentação.

Nesta fase, os analistas costumam trabalhar com vários sistemas para entender o que aconteceu, por que isso é importante e se a atividade precisa ser comunicada. Eles podem precisar analisar o histórico do cliente, padrões de transações, alertas anteriores, pontuações de risco e evidências de apoio antes de poderem começar a elaborar um relato claro.

A geração narrativa do SAR é um exemplo útil de como os agentes podem auxiliar o processo sem tirar o controle das mãos humanas.

Quando um caso exige a elaboração de um Relatório de Atividade Suspeita, um agente pode ajudar a preparar o rascunho inicial, organizando os fatos relevantes, destacando os principais indicadores de risco e estruturando as conclusões no formato exigido. Em vez de começar do zero, os revisores podem partir de um rascunho narrativo vinculado às informações do cliente, ao histórico de transações e às evidências.

O analista ou revisor continua sendo responsável pela avaliação final, pelo aperfeiçoamento e pelo envio. No entanto, com o contexto já organizado e a narrativa já estruturada, ele pode dedicar mais tempo à avaliação do conteúdo do caso e menos tempo à coleta manual de informações.

Para as equipes de AML, isso pode ajudar a reduzir a carga de documentação, melhorar a consistência entre os arquivos dos casos e facilitar a compreensão, por parte dos revisores, de como se chegou a cada conclusão.

Para as equipes de AML e conformidade, uma implantação responsável começa com um princípio simples: os agentes não devem ficar à margem do fluxo de trabalho como chatbots isolados ou assistentes de pesquisa. Eles devem estar integrados a um processo regulamentado, no qual suas ações sejam contextualizadas, controladas, passíveis de revisão e auditáveis.

Isso significa projetar com base em quatro camadas principais:

Contexto: Os agentes precisam ter acesso às informações necessárias para tomar decisões com segurança, incluindo dados de clientes, resultados de verificações de terceiros, histórico de transações, alertas anteriores e o contexto normativo relevante.

Controles: Requisitos fixos, limites e restrições de política inegociáveis devem continuar a ser regidos por regras. Os agentes são mais úteis quando o trabalho exige investigação, síntese e apoio à tomada de decisões.

Revisão humana: Casos de maior risco, resultados incertos, questões relacionadas a sanções ou PEP (Preposição Pós-Exposição) e atividades sujeitas a notificação devem ser encaminhados a revisores qualificados, com as evidências, o raciocínio e a próxima etapa recomendada claramente visíveis.

Monitoramento: Todas as ações do agente devem ser auditáveis, incluindo quais fontes de dados foram utilizadas, quais ferramentas foram acionadas, quais recomendações foram feitas e se uma pessoa as aprovou, modificou ou as ignorou.

Em conjunto, essas camadas ajudam as equipes de AML a passar da assistência isolada por IA para fluxos de trabalho autônomos que sejam confiáveis o suficiente para dar suporte a operações regulamentadas.

Uma primeira implantação prática de AML geralmente começa com um fluxo de trabalho em que o problema é específico, mensurável e seguro para ser testado.

Para algumas equipes, isso pode significar a verificação de documentos durante o processo de integração. Para outras, pode ser a análise de notícias negativas na mídia, a triagem de alertas para um cenário específico de monitoramento de transações, a elaboração de resumos de casos ou a redação de relatórios de suspeita de atividade criminosa (SAR) para análise humana.

Os melhores pontos de partida têm limites claros, uma linha de base humana conhecida e uma política de escalonamento definida. Isso facilita a avaliação para determinar se o agente está reduzindo o trabalho manual, melhorando a consistência e ajudando os analistas a se concentrarem nos casos que exigem uma análise mais aprofundada.

Entre as métricas úteis para acompanhar estão:

As implantações bem-sucedidas de agentes de AML não são necessariamente aquelas que automatizam o máximo desde o primeiro dia. São aquelas que conquistam confiança ao longo do tempo, mantendo o controle, melhorando a visibilidade e ajudando os analistas a aplicar seu discernimento onde é mais importante.

Se sua equipe está analisando como os agentes poderiam reduzir o trabalho manual de investigação, mantendo o controle e a supervisão, baixe o guia completo para obter um roteiro prático para a implantação responsável em áreas como conformidade e combate à lavagem de dinheiro, bem como em casos de análise de crédito e prevenção de fraudes.

Como os agentes de IA podem ajudar na conformidade com as normas contra lavagem de dinheiro?

Os agentes de IA podem ajudar a automatizar o trabalho de investigação, resumir o contexto dos clientes e das transações, classificar alertas, auxiliar na análise de notícias negativas na mídia e redigir relatórios de suspeita de atividade criminosa (SAR) para revisão humana.

Os agentes de IA podem reduzir os falsos positivos na prevenção da lavagem de dinheiro?

Os agentes podem ajudar a reduzir a carga de falsos positivos ao incorporar uma análise contextual à triagem de alertas, resolvendo os casos de menor risco quando for o caso e encaminhando os casos de maior risco com evidências de apoio.

Os agentes de IA devem lidar com sanções ou com a triagem de PEP de forma autônoma?

O guia recomenda limites mais baixos para a intervenção humana e uma revisão obrigatória por parte de gestores de nível sênior no que diz respeito a sanções e fluxos de trabalho relacionados a PEPs, uma vez que erros podem acarretar consequências regulatórias imediatas.

Que controles são necessários para os agentes de AML?

Os agentes de AML precisam de controles de acesso aos dados, regras de escalonamento, fluxos de trabalho para revisão humana, trilhas de auditoria, monitoramento de desempenho e políticas claras que determinem quando os agentes podem recomendar, resolver ou escalar casos.