Un marco normativo fuerte impulsará la adopción de la IA contra el blanqueo

A medida que las instituciones financieras globales continúan implementando herramientas de IA y aprendizaje automático (ML), van descubriendo las ventajas que estas tecnologías pueden aportar a su negocio. Al mismo tiempo, también evolucionan las regulaciones y las estrategias de los ciberdelincuentes a la hora de cometer delitos. Por este motivo, el uso de la IA para asistir en los procesos Anti-Money Laundering (anti-blanqueo de capitales o AML, por sus siglas en inglés) resulta crítico para las instituciones bancarias.

Un nuevo estudio, elaborado por SAS, KPMG y la Asociación de Especialistas Certificados en Anti-Blanqueo de Capitales (ACAMS) a nivel global, destaca que, aunque el interés por estas tecnologías es alto, su implementación sigue siendo limitada. En España, esta tendencia plantea interrogantes sobre cómo las entidades locales están posicionándose frente a este cambio tecnológico.

En un mundo donde las estrategias de ciberdelincuencia son cada vez más frecuentes y sofisticadas, es necesario que las empresas mejoren también las soluciones tecnológicas que les permiten hacerles frente. Esto es especialmente imperativo en el mundo financiero. Sin embargo, en el informe se refleja que solo el 18% de las empresas encuestadas tienen soluciones de IA/ML en producción y el 40% de ellas no tiene planes actuales para adoptar IA/ML. Este dato subraya una adopción aún incipiente, aunque con señales de aceleración en el corto plazo.

Ante este dato de más de la mitad de encuestados sin pretensiones de adoptar la IA y el aprendizaje automático, surge la duda de cuál es el impedimento. En este sentido, aunque las restricciones presupuestarias siguen siendo relevantes (34%), la falta de un imperativo regulatorio se ha convertido en el principal obstáculo, citado por el 37% de los encuestados fuera de Europa. Esto sugiere que muchas organizaciones están esperando señales claras de los reguladores antes de invertir en estas tecnologías.

Y es que, los profesionales del ámbito normativo están centrando su atención en comprender a fondo los riesgos y beneficios de la adopción de la IA y el ML por lo que el fomento de la innovación en estas herramientas ha caído hasta el 51%, frente al 66% de 2021. De hecho, el aumento en el porcentaje de reguladores considerados «aprensivos» o «cautelosos» (del 28% al 36%) y «resistentes al cambio» (del 6% al 13%) abre la puerta a un desarrollo de regulaciones más informadas y efectivas que puedan guiar la innovación de manera responsable y sostenible.

No sucede lo mismo con la inteligencia artificial generativa (GenAI), donde casi la mitad de las empresas están explorándola: un 45% ya está interactuando con ella y experimentándola. Aunque el 55% restante no tiene planes de adoptarla, su potencial a largo plazo y su rápida evolución siguen siendo factores a tener en cuenta.

En el caso de España, como en los países de nuestro entorno, el foco se centra en la búsqueda continua de actividad sospechosa, reportarla a las autoridades y poder parar estos delitos financieros de una forma efectiva en costes. En este sentido, podemos resumir las principales mejoras esperadas de la adopción de la IA contra el blanqueo en las siguientes: reducción de los falsos positivos del sistema, aumento de la identificación de actividad sospechosa, mayor eficiencia y rapidez del análisis e investigación de alertas y casos y superar las revisiones de los reguladores.

Por otro lado, el grado de adopción es desigual y en países como Francia, por ejemplo, se están realizando diferentes pruebas de concepto para validar casos concretos y sus desafíos. Además, uno de los retos es integrar la innovación que ofrece la IA con la necesidad de explicar su funcionamiento a las autoridades reguladoras. Mientras tanto, otras regulaciones de la UE pueden afectar a los propios procesos de aprendizaje automático, como es el caso de la GDPR. En la superación de estos obstáculos estará el paso de un entorno de prueba a una ejecución sistemática de manera exitosa.

Es innegable el hecho de que la lucha contra el blanqueo de capitales y el fraude ha sido siempre una prioridad crítica de las instituciones bancarias. En este sentido, el uso de tecnologías avanzadas se está imponiendo cada vez más al facilitar considerablemente el AML y un 86% de las organizaciones encuestadas están realizando alguna forma de integración entre procesos anti-blanqueo, fraude y seguridad de la información. No obstante, como ya se ha visto anteriormente, la adopción es irregular a nivel global y, para desbloquear todo el potencial de la IA y el ML, es necesario lograr una integración de datos y operaciones.

Timo Purkott, Global Fraud and Financial Crime Transformation Lead en KPMG, afirma: “La IA y el ML no son una solución mágica, pero están demostrando ser especialmente estratégicas en aquellas áreas que necesitan grandes cantidades de información, como la automatización de alertas o la generación de evaluaciones de riesgo. Las organizaciones que invierten en infraestructuras sólidas de gestión de datos son capaces de maximizar el potencial de estas herramientas y así adelantarse a las ciberamenazas”.

Es más, con IA/ML es posible priorizar alertas relevantes y los recursos operativos dedicados al proceso de anti- blanqueo. Se prevé que la GenAI permita mejorar la eficiencia de las investigaciones ayudando en el reporte de actividad sospechosa, agilizándolo y dotándolo de mayor consistencia. Así lo avalan ejemplos como el neobanco francés Treezor, donde una Plataforma de monitorización de blanqueo basada en IA proporciona estos valores de forma tangible, teniendo en cuenta el marco regulador de la UE.

Manuel Rodríguez, Sr Manager para Fraude & Delitos Financieros en SAS, explica: “Muchas instituciones financieras afrontan dificultades para anticiparse a nuevas amenazas y nuevos riesgos a causa de los delitos financieros. También para adecuarse a los requisitos dinámicos en la normativa anti-blanqueo y seguir compitiendo en el mercado. Nuestra misión es proporcionar una solución integral que permita escalar (con la eficiencia que proporciona la IA y el ML) y responder rápidamente a cambios, dar autonomía a las áreas de cumplimiento, y reducir los altos costes operativos”.