Taktile compartilha os avanços mais recentes de IA em AML com a ACAMS Today

Em uma matéria da ACAMS Today Magazine, Maximilian Eber, cofundador e CPTO da Taktile, e Dustin Eaton, Principal de Fraud & AML, defendem que a transição de sistemas de AML baseados em regras para sistemas orientados por IA está rapidamente se tornando uma vantagem prática.

Os programas de AML de hoje detectam menos de 1% dos cerca de US$ 2 trilhões lavados no mundo a cada ano. E mesmo com as instituições financeiras gastando em torno de US$ 206 bilhões por ano em compliance, os resultados ainda ficam aquém.

Essa lacuna ajuda a explicar por que a IA ganha força: ela identifica padrões melhor, aumenta a precisão e reduz o esforço manual.

Com a confiança crescente na IA, os reguladores agora incentivam, pela primeira vez, a adoção de IA em AML.

Eber e Eaton apresentam um roteiro prático para a implementação responsável de IA em AML. Eles explicam por que a IA é especialmente adequada aos desafios atuais de AML e onde ela está gerando o maior impacto. Também descrevem o que os reguladores esperam em termos de governança de IA e como as equipes podem reduzir o risco da adoção. Por fim, compartilham os fatores que influenciam o sucesso da maioria das iniciativas de IA.

Por que a IA é especialmente adequada aos desafios atuais de AML

Na matéria da ACAMS Today Magazine, Eber e Eaton destacam que as evidências do uso de IA em AML saíram da teoria e passaram a resultados mensuráveis em programas reais.

Segundo um estudo de validação da Guidehouse, 61% das instituições financeiras relataram redução de risco após implementar IA e machine learning em AML.

Um dos principais motivos é o reconhecimento de padrões. A IA consegue detectar comportamentos e padrões complexos que analistas humanos podem deixar passar ao revisar os casos um a um.

A IA também consegue organizar dados estruturados, como o histórico de contas de clientes, e informações não estruturadas, como adverse media, ajudando os analistas a decidir quais alertas merecem investigação, com mais escala e velocidade.

Eber e Eaton também destacam a capacidade comprovada da IA de reduzir a carga de trabalho diária que as equipes de compliance costumam enfrentar. Por exemplo, usar IA no monitoramento de transações levou a taxas de falso positivo 50–70% menores do que com sistemas tradicionais baseados em regras. Isso pode gerar economias relevantes ou liberar capacidade para investigações de maior risco.

Do monitoramento de transações à verificação de sanções, as equipes de AML estão ganhando eficiência e reduzindo riscos com a IA. Essas equipes tendem a ter sucesso quando tratam os modelos de IA como ativos governados, gerenciados com o mesmo rigor aplicado a modelos de crédito ou de capital.

Como as regulamentações de AML se ampliaram para a implantação segura de IA

Como Eber e Eaton descrevem no texto da ACAMS Today, a governança de IA em AML se apoia, em grande parte, em frameworks conhecidos de gestão de risco de modelos, em vez de criar exigências totalmente novas.

Uma referência central é a orientação SR 11-7 do Federal Reserve Board sobre gestão de risco de modelos. Embora tenha sido emitida em 2011 em conjunto com o OCC, suas ideias centrais ainda se aplicam aos sistemas modernos de AML.

Os três componentes centrais continuam os mesmos:

• Solidez conceitual: Entender como o modelo funciona, por que deveria funcionar e por que se adequa ao caso de uso.
• Monitoramento contínuo: Acompanhar o desempenho ao longo do tempo para garantir que o modelo continue funcionando como esperado e identificar quando é preciso recalibrar.
• Validação: Exigir revisão independente por profissionais qualificados que não participaram do desenvolvimento, com foco em eficácia, limitações e premissas.

Incorporar capacidades de IA agêntica, porém, acrescenta uma camada extra de complexidade:

• Explicabilidade: Os modelos de IA são mais complexos que os sistemas baseados em regras, porque combinam muitos sinais ao mesmo tempo e os ponderam de forma diferente conforme o contexto, em vez de seguir uma única regra do tipo “se X, então Y”. Para fornecer explicações que atendam às expectativas de transparência, as equipes podem usar técnicas como SHapley Additive exPlanations (SHAP), que estimam quanto cada fator de entrada contribuiu para uma previsão específica, ou Local Interpretable Model-agnostic Explanations (LIME), que aproxima o comportamento do modelo em torno de um caso específico com um modelo mais simples e fácil de explicar.
• Aprendizado dinâmico: Modelos que são retreinados com mais frequência precisam de monitoramento mais forte para controlar o drift. Isso acontece porque o comportamento no mundo real muda com o tempo, e um modelo que teve bom desempenho no passado pode ficar menos preciso à medida que os padrões de fraude, o comportamento dos clientes e a qualidade dos dados evoluem.
• Qualidade dos dados: O desempenho da IA depende muito da qualidade e da representatividade dos dados, o que torna a linhagem de dados, os controles de qualidade e os testes de viés centrais para a governança.

Em conjunto, essas práticas de governança tornam a adoção de IA mais segura, mais auditável e mais fácil de defender perante os reguladores, sem frear a inovação.

Indo além das limitações dos sistemas legados de AML

Os programas legados de AML foram criados para outra era: volumes menores, evolução mais lenta das tipologias e sistemas que podiam ser ajustados apenas com regras. Hoje, porém, espera-se que as equipes façam mais do que “cumprir tabela”.

Entender onde a IA gera valor em AML e quais frameworks de governança os reguladores esperam é apenas o primeiro passo. A implementação é o desafio seguinte: escolher os casos de uso certos, comprovar o desempenho, construir controles prontos para auditoria e implantar com segurança sem interromper as operações.

Na próxima parte desta série, Maximilian Eber e Dustin Eaton compartilham um playbook operacional prático para instituições financeiras que adotam estratégias de AML orientadas por IA, incluindo práticas concretas de governança, abordagens de validação e estratégias de implantação pensadas para reduzir riscos.