Como automatizar o onboarding de KYB em 8 etapas

E esse atrito é sentido pelos clientes. Uma pesquisa da EY constatou que 42% das PMEs estavam insatisfeitas com a velocidade do processo de onboarding, enquanto 36% estavam insatisfeitas com o grau de automação.

A IA agêntica está começando a mudar isso ao antecipar mais trabalho investigativo no processo, para que os casos simples avancem mais rápido e os revisores humanos possam se concentrar onde o seu julgamento mais importa.

Principais conclusões

• Comece pelo trabalho, não pela tecnologia. Separe as verificações determinísticas da investigação e do julgamento genuíno antes de decidir o que automatizar.
• Deixe que o risco e a complexidade definam o caminho. Casos de baixo risco podem receber mais automação, enquanto casos de risco médio e alto recebem investigação adicional ou revisão humana.
• Use regras, IA, workflow e expertise humana em conjunto. Cada um é adequado a uma parte diferente do processo de onboarding.
• Projete a revisão humana dentro do fluxo. O objetivo é entregar aos revisores um caso mais bem preparado, e não simplesmente tirá-los do processo.
• Teste e melhore continuamente. O limite ideal entre automação e revisão humana deve ser testado, e não presumido.

Etapa 1: Mapeie o seu fluxo de onboarding atual

Comece pelo que realmente acontece hoje.

Percorra casos recentes de KYB e observe o trabalho necessário em cada etapa.

Algumas tarefas são em grande parte determinísticas: recuperar dados, verificar se as informações exigidas estão presentes ou aplicar regras de política predefinidas.

Outras são investigativas: resolver informações contraditórias, entender uma estrutura societária complexa ou determinar se um resultado de mídia negativa é relevante.

E algumas exigem, de fato, julgamento humano.

Uma forma útil de abordar isso é observar qual capacidade é mais adequada a cada parte do processo.

Dê atenção especial ao trabalho que exige muita investigação. Em geral, são as etapas em que as equipes reúnem, cruzam e interpretam informações manualmente, e em que as novas capacidades de IA podem fazer a maior diferença. A Taktile explora essas oportunidades em mais detalhes em seu guia para construir uma estratégia de onboarding orientada por IA.

Etapa 2: Defina faixas de risco e roteamento

Nem todo cliente precisa da mesma jornada de onboarding.

Com o fluxo mapeado, avalie quais casos poderiam avançar automaticamente e quais podem se beneficiar de investigação adicional ou revisão humana.

Um ponto de partida simples são três faixas de risco:

• Risco baixo: Solicitações diretas, com informações completas, estruturas societárias simples e nenhum sinal de risco relevante. Podem ser adequadas para um alto grau de automação.
• Risco médio: Solicitações com informações faltantes, estruturas mais complexas ou sinais que exigem investigação adicional. Podem acionar verificações de dados extras ou uma investigação conduzida por IA.
• Risco alto: Casos com complexidade ou sinais de risco significativos que exigem mais atenção. Podem seguir para um revisor humano com as evidências relevantes já reunidas.

Os critérios exatos dependerão das políticas da instituição, do apetite de risco, dos mercados e da base de clientes.

Uma boa maneira de pensar nisso é tornar a lógica de roteamento explícita.

Em vez de tratar o onboarding como simplesmente automatizado ou manual, as equipes podem combinar regras, dados, agentes de IA e revisão humana de diferentes formas, conforme o risco e a complexidade de cada caso.

Etapa 3: Automatize a verificação empresarial e o enriquecimento de dados

A verificação empresarial é um dos pontos de partida mais naturais.

A tarefa central é confirmar que a empresa existe, que as informações enviadas são consistentes com fontes confiáveis e que você tem informações suficientes para prosseguir com a avaliação.

Grande parte desse trabalho pode acontecer automaticamente.

Provedores de dados podem recuperar informações cadastrais e de registro da empresa, dados societários e outros sinais relevantes. O fluxo pode então combinar essas entradas, em vez de pedir que um analista as reúna e compare manualmente.

A parte mais difícil é o que acontece quando os dados não oferecem uma resposta clara.

A cobertura varia entre os mercados. Pode haver informações faltantes. Duas fontes podem divergir.

Em vez de deixar a solicitação parada, o fluxo pode consultar outra fonte, pedir informações adicionais, acionar uma investigação mais aprofundada ou encaminhar o caso para revisão.

A IA pode ir além. O Business Verification Agent da Taktile, por exemplo, recupera dados de registros, societários e de documentação e compila os resultados em um relatório estruturado.

Etapa 4: Automatize a investigação de beneficiários finais e UBOs

É na estrutura societária que o KYB pode se tornar rapidamente mais complexo.

Uma empresa com estrutura societária simples pode ser fácil de avaliar. Várias holdings, entidades em diferentes países, registros incompletos ou informações conflitantes podem transformar a mesma tarefa em uma investigação significativa.

Tradicionalmente, os analistas precisam juntar informações de vários documentos e fontes para entender quem, em última instância, é dono ou controla a empresa.

A IA pode ajudar a antecipar boa parte desse trabalho, reunindo as informações societárias disponíveis, mapeando as relações entre entidades e pessoas, identificando possíveis Beneficiários Finais (UBOs) e apontando as lacunas que ainda exigem atenção.

Essa informação também importa do ponto de vista regulatório. Os padrões do GAFI sobre beneficiários finais preveem que as autoridades tenham acesso a informações adequadas, precisas e atualizadas sobre os verdadeiros donos das empresas.

Quando a estrutura societária não puder ser resolvida com confiança, o fluxo pode, em vez disso, pedir mais evidências ou encaminhar o caso para revisão humana.

Etapa 5: Automatize a investigação de sanções, watchlists e mídia negativa

A triagem cria uma distinção parecida entre identificar um sinal e entender o que ele significa.

Uma possível correspondência não diz, necessariamente, se o revisor identificou a pessoa ou a empresa certa. Da mesma forma, um resultado de mídia negativa pode exigir contexto antes de ser útil para uma decisão.

É aqui que a IA pode ampliar os fluxos de triagem tradicionais.

Um agente pode investigar possíveis correspondências, comparar informações das entidades, reunir evidências de apoio e resumir o que ainda não foi resolvido antes que o caso chegue a um revisor.

No caso de mídia negativa, ele também pode pesquisar e estruturar informações de fontes não estruturadas, ajudando o revisor a entender não apenas que algo foi encontrado, mas por que isso pode ser relevante.

A desambiguação de entidades, a qualidade das fontes e resultados claros e estruturados continuam sendo importantes. O objetivo não é simplesmente gerar menos alertas, e sim tornar cada alerta mais fácil de investigar.

Etapa 6: Crie pontos de revisão manual para casos-limite

Uma forma de pensar na automação é não como substituta da revisão humana, mas como uma maneira de tornar essa revisão mais focada.

Um fluxo de onboarding simplificado poderia ser assim:

• Os dados estabelecem os fatos conhecidos.
• As regras aplicam a política determinística.
• A IA investiga o que está por trás de informações ambíguas ou não estruturadas.
• O workflow coordena o que ainda é necessário.
• Uma pessoa aplica julgamento quando necessário.

Em um caso de risco médio ou alto, isso significa que o revisor deve receber, juntos, os resultados de verificação relevantes, as informações societárias, os achados da triagem e os motivos da escalada.

Em vez de reconstruir o caso desde o início, ele pode se concentrar na questão que ficou em aberto.

Essa é a oportunidade mais interessante para as equipes de onboarding: não tirar as pessoas de todas as decisões, mas reduzir quanto trabalho investigativo precisa acontecer antes que a sua expertise seja de fato necessária.

Etapa 7: Conecte roteamento, mudanças de política e trilhas de auditoria

Depois que um caso conclui as verificações exigidas, o fluxo precisa determinar o que acontece em seguida.

Dependendo da política da instituição e do caso individual, isso pode significar seguir automaticamente, pedir mais informações ou encaminhar o caso para revisão humana.

Seja qual for o resultado, o caminho até a decisão deve continuar rastreável.

Dar às equipes visibilidade sobre quais dados foram usados, quais verificações rodaram, quais regras foram acionadas e por que um caso foi escalado torna o caminho da decisão mais fácil de entender e de melhorar.

Um exemplo é a Capchase. Com a expansão internacional da fintech B2B, seus fluxos de KYB precisaram atender a diferentes mercados, fontes de dados e requisitos de política. Depois de migrar seus fluxos de decisão para a Taktile, a Capchase relatou uma redução de 50% no tempo de processamento ao mesmo tempo em que usava mais fontes de dados, além de uma redução de 99% no tempo necessário para atualizar políticas. Mudanças que antes levavam semanas podiam ser testadas e lançadas em minutos.

Etapa 8: Monitore, teste e itere

Um fluxo de onboarding automatizado não é um sistema do tipo “configurou e esqueceu”.

Depois que a automação é introduzida, algumas métricas ajudam as equipes a entender o desempenho do fluxo.

Métricas úteis incluem:

• Quantos casos passam por cada faixa de risco
• Quantas solicitações exigem revisão manual
• Taxas de falso positivo na triagem
• Tempo de resposta da revisão manual
• Com que frequência os revisores discordam de uma recomendação automatizada ou a alteram de forma substancial

Antes de ampliar a automação, as equipes também podem testar novas abordagens com solicitações históricas.

O processo automatizado identifica as mesmas evidências relevantes? Deixa passar algo importante? Em que pontos o revisor ainda acrescenta informações que mudam de forma significativa o resultado?

A Taktile, por exemplo, permite que as equipes façam back-testing de agentes com dados históricos antes da implantação e encaminhem casos incertos ao Case Manager com o contexto relevante anexado.

Esses resultados dão às equipes algo concreto com que trabalhar.

O objetivo não é chegar a um modelo universal de KYB, e sim continuar aprendendo qual capacidade é a mais indicada para cada parte do processo.

Automatizar o KYB é, em última análise, um desafio de orquestração

A próxima fase da automação do onboarding tem menos a ver com substituir revisores por IA e mais com associar cada capacidade ao trabalho para o qual ela é mais adequada.

Dados e regras podem lidar com fatos conhecidos e política determinística, a IA pode apoiar a investigação, e a expertise humana pode continuar focada nas decisões em que o julgamento mais importa.

Bem executado, isso faz com que os casos simples avancem mais rápido, os complexos cheguem mais bem preparados e as equipes mantenham o controle.

Perguntas frequentes (FAQs)