Cuando en un banco se ingresaron 500 millones de ingresos en cuentas bancarias, software sofisticado no generó alertas; el dinero fluyo sin ser detectado. Fue una persona de una sucursal quien sospechó del cliente, rechazando la transferencia de 2 millones de euros, y realizando un reporte que desencubrió todo el esquema.
Al menos 6 bancos en Europa han sido investigados en 2018 por sus respectivos supervisores financieros; la ola de escándalos ha impactado en la confianza de la industria financiera más allá de los propios bancos. 11 años después de la crisis financiera de 2008 la lucha contra el lavado de dinero se ha vuelto más difícil.
Como resultado, las transacciones ilegales siguen siendo aproximadamente el 2% del PIB global* y el costo de infraestructura tecnológica se espera que incremente entre 10 y 15% anual*. Los bancos y sus directivos buscan bajar esos porcentajes.
Se ha empezado a usar inteligencia artificial (IA) y algoritmos para detectar operaciones flujos ilícitos, y se espera que el personal de estas áreas se mantenga o se reduzca con estas nuevas tecnologías. HSBC empezó el año pasado a usar IA para revisar transacciones y otros bancos europeos reemplazarán a personal de cumplimiento con software.
Hasta ahora, los sistemas están diseñados con formularios, catálogos, condicionantes y reportes para cumplir con la política de "conocer al cliente", y éstos no están listos ni diseñados para reemplazar a personas.
Existen bancos que usan IA y otras tecnologías y aún así, están siendo investigados por fallas en sus sistemas y por que estos fueron usados para el flujo de fondos ilícitos; y en muchos casos, el compromiso con los supervisores bancarios para resolver esas deficiencias, ha resultado en la contratación de más personal para el área de cumplimiento.
Los bancos y las compañías de software necesitan superar varios obsáctulos para que se pueda usar software en el combate del lavado de dinero, pero se deben dar los primeros pasos empezando por mejorar la calidad y la integridad de las bases de datos.
El Software también tiene la dificultad de detectar comportamiento, por que existen solicitudes en las que el cliente cumple con todos los datos y documentos pero la detección de comportamientos inusuales de una persona, depende completamente del personal de ventas, quienes algunas veces prefieren aceptar al cliente omitiendo su comportamiento para no perder comisiones; además, nuevas tecnologías como reconocimiento facial con detección del estado de ánimo (ej, en celulares), están lejos de poder ser adoptados por los bancos para prevención de delitos financieros.
Los bancos tienden a "sobre reportar" actividad sospechosa para evitar ser sancionados por no reportar operaciones y es común que "escuden" a clientes de los que obtendrán gran ganancia, omitiendo reportes que deben ser enviados al supervisor bancario o a la Unidad de Inteligencia Financiera (UIF) para análisis. Esto lleva a que transacciones que deben reportarse sean clasificadas como normales, y los algoritmos aprenden a replicar las decisiones iniciales que realizó el personal.
En resumen, los datos, la información, los reportes y todo el historial de información del cliente, disponible para "capacitar" a los algoritmos puede ser errónea, complicando la habilidad del software de "aprender" a detectar patrones realmente inusuales.
La confianza en los servicios financieros después de la crisis de 2008 ha tomado mucho tiempo en recuperarse y existe incertidumbre sobre los riesgos de "enseñar" a algoritmos a tomar decisiones basado en los clientes y en sus transacciones. Aún así, agencias como el Tesoro de E.E.U.U. han llamado a bancos a probar nuevos enfoques para el combate al lavado de dinero, ofreciendo beneficios si las nuevas herramientas muestran las deficiencias de los sistemas actuales.
En conclusión, la inversión para cumplimiento en los bancos cambiará para enfocarse en nuevas tecnologías en lugar de contratación de personal, pero por ahora, personal bien capacitado será la mejor línea de defensa por muchos años.
*‘Why the World Is So Bad at Tracking Dirty Money’ Bloomberg 2015.
*The Global Cost of Anti-Money Laundering Efforts - pymnts.com
Commentaires