AI Tác nhân Thay đổi Cách Ngân hàng Phòng chống Tội phạm Tài chính

Các ngân hàng đang chi ra những khoản tiền ngày càng lớn cho các hoạt động thấu-hiểu-khách-hàng-của-bạn (know-your-customer, viết tắt là KYC) và phòng chống rửa tiền (KYC/AML). Nhưng có rất ít bằng chứng cho thấy họ đang thu được lợi tức tốt từ các khoản đầu tư này. Thực tế, theo Interpol, ngành tài chính chỉ phát hiện được khoảng 2% dòng tội phạm tài chính toàn cầu, mặc dù chi tiêu tăng lên đến 10% mỗi năm tại một số thị trường phát triển từ năm 2015 đến 2022. Một giải pháp tiềm năng nằm ở AI tác nhân - một sự tiến hóa của AI phân tích mang lại tự động hóa và năng suất xuyên suốt chu kỳ sống của khách hàng.

Phần lớn chi phí chống tội phạm tài chính liên quan đến sự kém hiệu quả trong mô hình vận hành và cách thức làm việc. Thật vậy, các ngân hàng thường phân công tới 10-15% nhân lực toàn thời gian chỉ riêng cho KYC/AML. Song song đó, tỷ lệ tự động hóa thường thấp giữa các nguồn tài nguyên dữ liệu phân mảnh và bộ dữ liệu chưa được tiêu chuẩn hóa. Kết quả là các đội ngũ lãng phí nhiều thời gian cho các công việc thủ công trong khi khách hàng phàn nàn về các tương tác mệt mỏi và quy trình không mượt mà.

AI, cụ thể là AI tác nhân, có thể là thuốc giải độc cho những trở ngại KYC/AML. Trong bài viết này, chúng ta lập bản đồ cảnh quan AI và xem xét các tùy chọn triển khai, làm nổi bật cách một số tổ chức hàng đầu đã triển khai công nghệ này để có lợi thế. Kết luận chính của chúng tôi là AI mang lại tiềm năng biến đổi, nhưng chỉ khi các tổ chức đặt ra nền tảng và khả năng sẽ hỗ trợ việc triển khai quy mô lớn.

AI phân tích, AI tạo sinh và AI tác nhân: Hướng dẫn ngắn về các trường hợp sử dụng tội phạm tài chính

AI thực tế không phải là một công nghệ đơn lẻ mà là một thuật ngữ bao trùm cho một loạt các công nghệ có thể hiểu và tạo ra ngôn ngữ, nhận dạng hình ảnh hoặc giọng nói, đưa ra quyết định hoặc dự đoán, và học hỏi từ dữ liệu theo thời gian. Trong bối cảnh KYC/AML, những khả năng này được thể hiện rộng rãi trong ba hình thức:

AI phân tích (Analytics AI) 

AI phân tích (Analytic AI) có thể hoàn thành các nhiệm vụ phân tích nhanh hơn và hiệu quả hơn con người. Các trường hợp sử dụng nổi bật bao gồm phát hiện kết quả dương tính giả trong kiểm soát, bao gồm giám sát giao dịch, phát hiện lệnh trừng phạt, sàng lọc tên và phát hiện gian lận. Công nghệ này cũng có thể tạo ra các mô hình xếp hạng rủi ro khách hàng năng động và tích hợp hơn, ví dụ, bằng cách kết hợp số lượng yếu tố hành vi cao hơn (bao gồm dựa trên giao dịch). Trong giám sát giao dịch, nó có thể nâng cao độ chính xác và tạo điều kiện so sánh nhóm ngang hàng và phát hiện bất thường. Và nó có thể áp dụng các mô hình dựa trên cây quyết định, một loại thuật toán học máy, để cải thiện các quy tắc hoạt động kém.

AI tạo sinh (Generative AI hay Gen AI)

AI tạo sinh (Generative AI hay Gen AI) học từ các mẫu trong bộ dữ liệu và sử dụng những học hỏi đó để tạo ra đầu ra gốc. Trong KYC/AML, nó có thể hỗ trợ các điều tra viên con người trên một số trường hợp sử dụng, bao gồm tiếp nhận khách hàng mới (onboarding) và đánh giá khách hàng trong quá trình sử dụng, dựa trên phân tích dữ liệu có cấu trúc và không có cấu trúc. Công nghệ có thể tiết kiệm thời gian con người trong việc thu thập và trích xuất dữ liệu từ tài liệu, tóm tắt các bộ thông tin lớn (ví dụ, về truyền thông tiêu cực) về cá nhân và thực thể, và tăng tốc điều tra, bao gồm phân tích tuyên bố mục đích và bản chất, bản thảo nguồn vốn/tài sản, và mô tả hoạt động kinh doanh của công ty. Trong giám sát giao dịch, AI tạo sinh cũng hữu ích trong việc tạo ra kết luận cảnh báo và thông tin chi tiết phân tích giao dịch, hỗ trợ soạn thảo báo cáo giao dịch/ hoạt động đáng ngờ, và đóng góp vào kiểm soát chất lượng và đảm bảo chất lượng.

Trong một ví dụ về công nghệ đang hoạt động, một ngân hàng đã phát triển khả năng trích xuất dữ liệu được điều khiển bởi AI tạo sinh để hỗ trợ quy trình KYC của mình. Khả năng này được triển khai vào sản xuất và thử nghiệm với hơn 50 nhà phân tích trong thời gian thí điểm bốn tuần. Như một phần của bài tập, ngân hàng đã phát triển kiến trúc AI tạo sinh có thể tái sử dụng và quy trình trích xuất thông tin được hệ thống hóa cho hơn 50 câu hỏi chính sách và 300 nhiệm vụ phụ cơ bản. Họ học được rằng cách tiếp cận ưu tiên quy trình, dựa trên việc hiểu công việc hàng ngày của các nhà phân tích và nhân viên tuyến đầu trong thiết kế và thử nghiệm, là một cách tuyệt vời để vận hành.

Trong một trường hợp sử dụng khác, một ngân hàng lớn đã sử dụng AI tạo sinh để hợp lý hóa việc tạo ra các tuyên bố mục đích và bản chất, cũng như tăng cường chất lượng tuyên bố phù hợp với hướng dẫn của ngân hàng. AI đã xử lý đầu ra từ cả dữ liệu khách hàng thô và tài liệu được tạo thủ công, giảm đáng kể thời gian xử lý.

AI tác nhân (Agentic AI hay AI agents)

AI tác nhân (Agentic AI) đề cập đến công nghệ cho phép một hoặc nhiều tác nhân thực hiện các nhiệm vụ và đưa ra quyết định một cách tự chủ (với sự giám sát của con người). Trong bối cảnh chống tội phạm tài chính, nó được sử dụng để tự động hóa các hoạt động tiếp nhận khách hàng mới (onboarding), bao gồm kiểm tra và cập nhật KYC, giám sát giao dịch, và điều tra lệnh trừng phạt hoặc gian lận từ cảnh báo đến đóng vụ việc.

AI tác nhân đại diện cho một bước thay đổi trong tiềm năng tác động AI. Trong khi AI phân tích và AI tạo sinh tăng cường hiệu quả và hiệu suất tuân thủ, chúng thường không dẫn đến lợi ích dưới cùng ở quy mô. Một lý do là các ngân hàng phần lớn sử dụng chúng để hỗ trợ con người (như người xử lý vụ việc KYC và điều tra viên giám sát giao dịch). Mặc dù điều này giải phóng thời gian và tăng tốc công việc như xử lý điều tra (tạo ra sự nâng cao năng suất 15-20%), theo kinh nghiệm của chúng tôi, nó không biến đổi cơ bản hiệu suất và hiệu quả, .

AI tác nhân, ngược lại, đại diện cho một sự thay đổi mô hình, với các ngân hàng sử dụng "lực lượng lao động số" là các tác nhân AI (hoặc nhà máy kỹ thuật số) có thể cộng tác để thực hiện các nhiệm vụ từ đầu đến cuối một cách tự chủ. Trong bối cảnh này, con người chỉ được yêu cầu để xử lý ngoại lệ, giám sát và huấn luyện. Cho rằng mỗi thực hành viên con người thường có thể "giám sát" 20 hoặc nhiều công nhân tác nhân AI hơn, sự gia tăng năng suất có thể đáng kể - từ 200 đến 2.000%, từ kinh nghiệm của chúng tôi. Các ngân hàng cũng thấy tác động tích cực đáng kể đến chất lượng và tính nhất quán của đầu ra.

AI tác nhân thay đổi cách ngân hàng phòng chống tội phạm tài chính. Tạo bởi Recraft.AI

Các trường hợp sử dụng AI Tác nhân hàng đầu 

Các tác nhân hoặc nhóm tác nhân (đội) có thể được áp dụng cho các nhiệm vụ khác nhau nhưng tương tự, ví dụ, thu thập thông tin về xu hướng thị trường và sàng lọc khách hàng về truyền thông tiêu cực. 

Dưới đây là một số ví dụ về các đội tác nhân AI được sử dụng bởi các tổ chức hàng đầu trong không gian tội phạm tài chính:

1. Tác nhân RAG (viết tắt của (Retrieval-Augmented Generation, tạm dịch là Tạo sinh dựa trên truy xuất tăng cường): truy xuất thông tin từ cơ sở kiến thức, cơ sở dữ liệu véc-tơ (vector), hoặc bộ sưu tập tài liệu để trả lời truy vấn với độ chính xác theo ngữ cảnh. Chúng xử lý nhúng, phân khúc và tìm kiếm ngữ nghĩa để cung cấp phản hồi có cơ sở thay vì nội dung ảo giác. Các tác nhân có thể được sử dụng để đọc báo cáo lãi lỗ, bảng cân đối kế toán và tài liệu công ty để xác định chủ sở hữu lợi ích cuối cùng và người kiểm soát chính.
2. Tác nhân đường ống dữ liệu (data pipeline) giám sát, điều phối và khắc phục các quy trình trích xuất, biến đổi, tải (ETL), thực hiện kiểm tra chất lượng dữ liệu và xác định lỗi đường ống dữ liệu. Chúng có thể tự động thử lại các nhiệm vụ thất bại, phát ra cảnh báo bất thường, tối ưu hóa phân bổ tài nguyên và thực hiện phân giải thực thể dựa trên phân tích dữ liệu khách hàng từ các nguồn khác nhau.
3. Tác nhân nghiên cứu và phân tích: thu thập thông tin từ nhiều nguồn, tổng hợp kết quả, tạo báo cáo và theo dõi xu hướng mới nổi. Chúng có thể giám sát đối thủ cạnh tranh, điều kiện thị trường hoặc phát triển kỹ thuật, bao gồm phân tích giao dịch, mô hình đối tác và lịch sử cảnh báo.
4. Tác nhân phê bình/xác thực đánh giá đầu ra quy trình làm việc, đề xuất cải tiến dựa trên hướng dẫn có-con-người-trong-vòng-lặp (human in the loop), và đảm bảo chất lượng đến hoàn thành. Chúng có khả năng thực hiện "tự chữa và chạy lại" trong trường hợp có vấn đề nhỏ (ví dụ, lỗi định dạng đầu vào).

Để hoạt động hiệu quả, các đội AI tác nhân luôn phải được trang bị ranh giới rõ ràng, giao thức bàn giao được xác định, hệ thống quản lý nội dung được chia sẻ và rào cản nội bộ.

Một số nguyên tắc giúp các ngân hàng xây dựng nền tảng

Kinh nghiệm làm việc với các ngân hàng để xây dựng khả năng KYC/AML được hỗ trợ bởi AI của chúng tôi cho thấy một số nguyên tắc đúng bất kể vị trí khởi đầu. Dưới đây là một số trong số những nguyên tắc thuyết phục nhất:

• Kết nối lại toàn bộ các mảng chuyên môn (domain), bao gồm hành trình khách hàng từ đầu đến cuối (trái ngược với các trường hợp sử dụng riêng lẻ tự động hóa các bước riêng lẻ trong một hành trình).
• Xem xét tất cả các đòn bẩy có sẵn để tăng cường xử lý trực tiếp. Những điều này có thể bao gồm tái thiết kế quy trình, công cụ quy trình làm việc, tự động hóa dựa trên quy tắc cho các bước đơn giản, AI phân tích, công cụ AI tạo sinh và AI tác nhân để điều phối hành trình từ đầu đến cuối.
• Cung cấp cho các tác nhân AI vai trò riêng biệt phản ánh vai trò con người dọc theo chuỗi giá trị - tạo ra một hệ sinh thái cộng tác, dựa trên vai trò tương tự như một đội người thật.
• Luôn có một tác nhân QA (quản lý chất lượng) trong mỗi đội tác nhân để kiểm tra rằng mỗi tác nhân AI đã hoàn thành nhiệm vụ của mình theo tiêu chuẩn yêu cầu. Trong tương lai, các đội tác nhân cũng có thể bao gồm tác nhân tuân thủ, tác nhân kiểm toán hoặc các tác nhân khác.
• Thiết kế lại mô hình vận hành để tập trung các thực hành viên chuyên gia con người vào xác thực. Kinh nghiệm của chúng tôi cho thấy can thiệp thủ công nên được dành riêng chỉ cho các ngoại lệ và leo thang phức tạp nhất (thường ít hơn 15-20% tổng số), cũng như để huấn luyện lực lượng lao động tác nhân AI.
• Triển khai QA cho nhà máy kỹ thuật số AI tạo sinh trên cơ sở mẫu, cho phép cách tiếp cận hiệu quả chi phí hơn.

Cách bắt đầu: 6 yếu tố hỗ trợ mạnh mẽ

Xây dựng một nhà máy kỹ thuật số của các tác nhân AI và sử dụng chúng hiệu quả một cách liên tục đòi hỏi cam kết, từ C-suite và trên toàn bộ hoạt động. Các ý tưởng dưới đây phản ánh một số suy nghĩ chúng tôi đã thấy thúc đẩy kết quả thành công:

1. Đặt đúng người vào vị trí

Triển khai hiệu quả phụ thuộc vào kỹ năng và chuyên môn về khoa học dữ liệu KYC và rủi ro, cũng như tầm nhìn về tổ chức tội phạm tài chính tương lai. Điều này sẽ dựa trên việc xác định các nguồn lực cần thiết, bao gồm đội DevOps, lãnh đạo và quản lý đội tội phạm tài chính, và nhà phân tích tội phạm tài chính/KYC, những người tận dụng kiến thức chuyên môn sâu để hướng dẫn lực lượng lao động tác nhân, bao gồm đánh giá đầu ra, ra quyết định cấp cao và xử lý ngoại lệ.

2. Rõ ràng về quy trình

Các ngân hàng hàng đầu được hưởng lợi từ cái nhìn chi tiết và hợp lý về quy trình xử lý KYC/tội phạm tài chính mục tiêu và các rủi ro tiềm năng như ảo giác hoặc độc tính. Điều này có thể ngăn chặn tự động hóa quy trình dưới mức chuẩn trong tổ chức rủi ro hoặc tuân thủ. Dòng quy trình nên được chia nhỏ thành các khả năng riêng biệt, độc lập để các ngân hàng có thể đào tạo và tối ưu hóa bot AI tạo sinh hiệu quả.

3. Đầu tư vào công nghệ

Công nghệ là một yếu tố quan trọng trong phương trình, với các ngân hàng hàng đầu ưu tiên:

• Cấu trúc có thể mở rộng và mô-đun với quyền truy cập vào các mô hình cơ sở, khung làm việc (framework) tác nhân doanh nghiệp và kho tác nhân, và API vào các nguồn dữ liệu và ứng dụng nội bộ/bên ngoài.
• Giao diện người dùng thân thiện với doanh nghiệp để thúc đẩy hợp tác giữa các tác nhân AI và người giám sát con người. Các tổ chức nên giữ lại cơ sở hạ tầng KYC/ tội phạm tài chính hiện có càng nhiều càng tốt.
• Quyền truy cập vào cơ sở hạ tầng tính toán bên dưới (thông qua đám mây hoặc tại chỗ) để cho phép các mô hình AI hoạt động quy mô lớn và (trong một số trường hợp) thời gian thực.

4. Chú trọng chất lượng dữ liệu

Chất lượng dữ liệu là mối quan tâm chính của nhiều tổ chức tài chính, và AI có thể giúp họ xác định và khắc phục các vấn đề chất lượng dữ liệu nhanh chóng. Ví dụ, trong trường hợp lệnh trừng phạt, AI có thể hỗ trợ phân giải thực thể, điều quan trọng để xác định cùng một khách hàng trên các nguồn dữ liệu khác nhau. Hơn nữa, một số ngân hàng đang xây dựng khung làm việc (framework) sử dụng AI để tự động phát hiện, đánh giá và nâng cao dữ liệu trên các chiều kích. Các thành phần chính bao gồm:

• Thiết lập kiến trúc mô-đun với các thành phần có thể được tận dụng trên các quy trình (trong KYC/AML nhưng cũng trong các lĩnh vực kinh doanh như tín dụng).
• Lộ trình rõ ràng để chuyển dữ liệu không có cấu trúc (biểu mẫu tiếp nhận khách hàng mới - onboarding, tài liệu chính sách, tài liệu đăng ký) vào cơ sở hạ tầng phân tích và công cụ khung làm việc và AI (bao gồm tác nhân) giám sát, phát hiện và báo cáo các vấn đề chất lượng dữ liệu.

5. Tối ưu hóa quản lý rủi ro

Các ngân hàng nên ưu tiên tạo ra khung làm việc và hệ thống quản lý rủi ro chuyên dụng cho giám sát rủi ro liên tục, bao gồm nhưng không giới hạn ở bảo vệ dữ liệu, vi phạm sở hữu trí tuệ và ảo giác.

6. Chấp nhận quản lý thay đổi

Cách tiếp cận quản lý thay đổi toàn diện có thể hướng dẫn các thực hành viên trong vai trò mới của họ, ví dụ, bằng cách cung cấp kỹ năng huấn luyện và nhắc nhở cần thiết để giám sát lực lượng lao động tác nhân AI. Tuy nhiên, quy trình tương đối phức tạp, và việc áp dụng thường mất khoảng hai lần thời gian xây dựng công nghệ. Do đó, các tổ chức hàng đầu dành thời gian để đặt các trụ cột hỗ trợ tại chỗ, bao gồm thiết kế lại các quy trình cơ bản, tạo ra vai trò và trách nhiệm phù hợp, điều chỉnh cấu trúc tổ chức và thiết lập chiến lược quản lý nhân tài, trong đó nhân viên được đánh giá theo các mục tiêu được điều chỉnh.

Kết luận

Kinh nghiệm của các tổ chức hàng đầu cho thấy AI, và đặc biệt là AI tác nhân, có thể là đòn bẩy đổi mới chính tiếp theo cho KYC/AML. Để nắm bắt lợi ích nhanh chóng, các tổ chức tài chính hàng đầu thường bắt đầu bằng việc xác định chu vi thí điểm - tức là một phần của danh mục khách hàng mà họ có thể sử dụng để thử nghiệm với nhà máy kỹ thuật số. Một khi tác động được chứng minh, họ có thể chuẩn bị cho việc mở rộng quy mô.

Trong bối cảnh tội phạm tài chính thay đổi nhanh chóng, con đường đến tác động có thể sẽ được thúc đẩy bởi tốc độ áp dụng (học tập mô hình nhanh, quy mô lớn), mô hình vận hành phù hợp và bảo trì liên tục của máy móc AI tác nhân. Nhiệm vụ không nên được đánh giá thấp, nhưng các ngân hàng hàng đầu đã cho thấy việc triển khai thành công có thể mang lại những chiến thắng đáng kể, bao gồm tuân thủ mạnh mẽ hơn, động lực cạnh tranh và trải nghiệm khách hàng hợp lý hơn.

Nguồn tham khảo:  

• How agentic AI can change the way banks fight financial crime, McKinsey & Company: https://www.mckinsey.com/capabilities/risk-and-resilience/our-insights/how-agentic-ai-can-change-the-way-banks-fight-financial-crime

Có thể bạn quan tâm: 

Chuỗi bài viết AI tác động, chuyển đổi tới các ngành nghề thế nào?

• AI định hình lại ngành quản lý tài sản (asset management) thế nào? 

• Phần 1: Làn sóng thứ 7: AI sẽ thay đổi ngành công nghệ thế nào? Bối cảnh, các chiến lược phòng thủ và tác động của Trí tuệ Nhân tạo

• Phần 2: Làn sóng thứ 7: AI sẽ thay đổi ngành công nghệ thế nào? Chiến lược của 5 gã khổng lồ GAMMA: Google, Meta, Amazon, Microsoft, Apple và Lời khuyên Cho các CIO trước làn sóng Trí tuệ nhân tạo 
• AI (trí tuệ Nhân tạo) và Cuộc Cách Mạng Pháp Lý

• Dành cho CFO: AI tác nhân đang biến đổi Tài chính Doanh nghiệp thế nào?

• "AI có thể đóng vai trò giải quyết bất bình đẳng tiếp cận y tế, giáo dục, nông nghiệp" - Bill Gates

• 5 cách Tác nhân AI (AI Agents) Giúp Các "Doanh nhân Đơn thân" (Solopreneurs) Mở rộng Quy mô mà Không cần Thuê nhân viên
• 3 Ngành AI Không Thể Thay Thế - Theo Dự Đoán Của Bill Gates
• 10 ý tưởng thú vị để AI Tạo sinh cùng "làm cha mẹ"