Bagaimana AI akan memengaruhi kepatuhan organisasi industri jasa keuangan yang sering beroperasi menggunakan teknologi lama memiliki berpotensi untuk disrupsi.
Secara singkat
Teknologi AI (Artificial Intelegence) yang baru akan memaksa tingkat kepatuhan profesional untuk mempertimbangkan kembali model dan pendekatan operasional yang ada untuk mengelola manajemen risiko.
Regulator dan pemimpin bisnis harus mempertimbangkan peluang praktis dan risiko AI saat memandu penerapannya.
Kemungkinan tahun 2023 akan dikenang sebagai momen ketika kecerdasan buatan (AI) menghasilkan lompatan dari kemungkinan teoretis ke peluang nyata. Sama seperti munculnya cryptocurrency di awal 2010-an yang memicu ledakan minat dalam kasus penggunaan aset virtual yang terdesentralisasi, perkembangan terkini dalam sistem komputasi penalaran telah memicu diskusi luas tentang aplikasi potensial AI di seluruh dunia kerja. Saat teknologi AI baru mulai memasuki industri jasa keuangan, kepatuhan profesional akan dipaksa untuk berpikir ulang model operasional yang ada dan pendekatan tradisional terhadap manajemen risiko. Mereka harus melakukannya dengan optimisme yang hati-hati.
Fokus
Pada November 2022, perusahaan teknologi OpenAI meluncurkan ChatGPT, sebuah chatbot yang menggunakan model AI beragam jenis bahasa yang dilatih pada miliaran parameter, yang menunjukkan kemampuan mengesankan dalam menjawab pertanyaan-pertanyaan yang bersifat abstrak, dan menghasilkan respons yang kompeten untuk sebagian besar permintaan pengguna. Sejak 2019, OpenAI telah bermitra dengan Microsoft guna membangun platform superkomputer yang memungkinkan inisiatif pembelajaran mendalam yang menghasilkan ChatGPT; pada Januari 2023, Microsoft menggandakan kemitraannya dengan mengumumkan investasi bernilai miliaran dolar di OpenAI. Keputusan Microsoft ini, salah satu penyedia perangkat lunak produktivitas bisnis terkemuka di dunia, menunjukkan bahwa model AI generatif seperti ChatGPT akan segera memasuki tempat kerja.
Industri jasa keuangan — bidang yang didasarkan pada kecepatan, margin, dan presisi, tetapi masih sering beroperasi menggunakan teknologi kuno dan proses padat karya — menghadirkan beberapa peluang paling matang untuk gangguan, khususnya di departemen kepatuhan.
Secara historis, kepatuhan profesional telah memperlakukan inovasi teknologi dengan skeptis. Risiko finansial, hukum, dan reputasi dari tindakan regulasi yang bersifat menghukum mendorong departemen kepatuhan untuk mengambil “pendekatan berbasis rasa takut” terhadap manajemen risiko, memprioritaskan penghindaran pengawasan regulasi daripada pertimbangan efisiensi atau pengoptimalan operasional. Ketika organisasi telah mencurahkan sumber daya untuk meningkatkan model kepatuhan mereka, fokus mereka masih pada dasar-dasar: meningkatkan kualitas data, mengurangi penumpukan kasus, mengelola perputaran karyawan, dll. Menyebarkan teknologi baru untuk merampingkan fungsi gagal, menghasilkan kontak yang tinggi, proses padat sumber daya dan tenaga kerja.
Namun, dalam beberapa tahun terakhir, para pemimpin industri telah menyadari kekurangan operasi manual dan mulai bereksperimen dengan teknologi canggih seperti pembelajaran mesin dan otomatisasi cerdas dalam upaya meningkatkan hasil risiko sambil mengendalikan biaya. Contoh umum termasuk penyaringan dan analisis berita negatif otomatis, pengambilan data otomatis melalui otomatisasi proses robot (RPA) dan antarmuka pemrograman aplikasi (API), pembuatan naratif berbasis template otomatis, dan memanfaatkan model prediktif untuk meningkatkan atau mempercepat pengambilan keputusan (misalnya, penilaian risiko untuk pemantauan transaksi, dan daftar peringatan penyaringan). Saat alat AI yang lebih kuat memasuki industri di tahun-tahun mendatang, mereka akan menambah komponen inti dari model program kepatuhan, termasuk yang berikut :
Kehandalan
Model bahasa alami (seperti GPT-3 yang mendasari ChatGPT) akan dapat memindai ribuan sumber yang disetujui untuk pembaruan peraturan dan menghasilkan ringkasan terkonsolidasi dari informasi terpenting untuk ditinjau dan diinterpretasikan oleh manajemen senior. Ketika perubahan peraturan memerlukan pembaruan standar dan prosedur perusahaan, solusi AI akan membuat draf pertama dokumen kebijakan berdasarkan input dan parameter tertentu, yang kemudian dapat disempurnakan oleh mata manusia. Memang, prompt singkat yang diberikan untuk iterasi ChatGPT saat ini untuk tujuan eksperimental Mengandalkan teknologi untuk mendukung model tata kelola akan memungkinkan perusahaan untuk secara signifikan mengurangi biaya inisiatif utama seperti pemetaan peraturan dan mempercepat manajemen perubahan dan proses pembaruan prosedur.
False positive dispositioning
Lembaga keuangan saat ini mengandalkan model sederhana untuk proses seperti pemantauan transaksi, penyaringan media yang merugikan, dan penyaringan sanksi untuk mengidentifikasi aktivitas pelanggan yang melanggar hukum. Tanpa parameter yang sangat disetel, model ini menghasilkan volume False positive dispositioning yang tinggi, yang harus diselidiki dan didiskontokan. Artificial Intelegence akan membantu menyelesaikan masalah positif palsu dengan dua cara: Pertama, logika penyetelan model yang ditingkatkan akan mengidentifikasi potensi kecocokan yang benar dengan lebih baik. Kedua,
Laporan Aktifitas Mencurigakan (LAM)
Ketika lembaga keuangan mengidentifikasi aktivitas yang berpotensi mencurigakan, mereka diharuskan untuk menyelidiki dan, jika dianggap penting, mengajukan laporan aktivitas mencurigakan (LAM) kepada regulator. LAM umumnya berkisar dari satu hingga 10 halaman dan disusun oleh penyelidik yang menggabungkan analisis transaksional dan keahlian risiko untuk menunjukkan potensi aktivitas kriminal kepada otoritas pemerintah. Laporan-laporan ini adalah salah satu komponen terpenting dari program kepatuhan Bank Secrecy Act/Anti-Money Laundering (BSA/AML) yang kuat, dan proses komposisi akan mempertahankan elemen sentuhan manusia di masa mendatang mengingat variabilitas dalam selera risiko dan pengambilan keputusan. metodologi antar lembaga. Artinya, model AI saat ini dapat menghasilkan semua jenis laporan standar jika dilatih dengan data sampel yang memadai, dan segera solusi ini akan digunakan oleh bank untuk mempercepat proses penulisan SAR secara berarti. Alih-alih mengandalkan tim penyelidik untuk menyusun laporan atau menyesuaikan template SAR dengan analisis transaksi, AI akan digunakan untuk mengidentifikasi aktivitas pelanggan yang mencurigakan, menentukan tipologi risiko yang sesuai, melakukan pencarian sumber terbuka dan tertutup untuk membentuk profil pelanggan yang koheren , dan buat laporan yang menguraikan latar belakang pelanggan, aktivitas mencurigakan, dan alasan pengajuan LAM. Berbeda dengan menyusun beberapa laporan secara manual per hari, penyelidik akan mengambil peran kontrol kualitas yang memungkinkan mereka untuk meninjau dan mengajukan LAM dalam skala besar. Pada gilirannya, institusi akan mengalami lebih sedikit backlog peringatan (dan tindakan pengaturan yang dihasilkan) sambil menurunkan biaya operasional. Alih-alih mengandalkan tim penyelidik untuk menyusun laporan atau menyesuaikan template LAM dengan analisis transaksi, AI akan digunakan untuk mengidentifikasi aktivitas pelanggan yang mencurigakan, menentukan tipologi risiko yang sesuai, melakukan pencarian sumber terbuka dan tertutup untuk membentuk profil pelanggan yang koheren , dan buat laporan yang menguraikan latar belakang pelanggan, aktivitas mencurigakan, dan alasan pengajuan LAM. Berbeda dengan menyusun beberapa laporan secara manual per hari, penyelidik akan mengambil peran kontrol kualitas yang memungkinkan mereka untuk meninjau dan mengajukan LAM dalam skala besar. Pada gilirannya, institusi akan mengalami lebih sedikit alert backlog (dan tindakan pengaturan yang dihasilkan) sambil menurunkan biaya operasional. Alih-alih mengandalkan tim penyelidik untuk menyusun laporan atau menyesuaikan template LAM dengan analisis transaksi, AI akan digunakan untuk mengidentifikasi aktivitas pelanggan yang mencurigakan, menentukan tipologi risiko yang sesuai, melakukan pencarian sumber terbuka dan tertutup untuk membentuk profil pelanggan yang koheren , dan buat laporan yang menguraikan latar belakang pelanggan, aktivitas mencurigakan, dan alasan pengajuan LAM. Berbeda dengan menyusun beberapa laporan secara manual per hari, penyelidik akan mengambil peran kontrol kualitas yang memungkinkan mereka untuk meninjau dan mengajukan LAM dalam skala besar. Pada gilirannya, institusi akan mengalami lebih sedikit alert backlog (dan tindakan pengaturan yang dihasilkan) sambil menurunkan biaya operasional. AI akan digunakan untuk mengidentifikasi aktivitas pelanggan yang mencurigakan, menentukan tipologi risiko yang sesuai, melakukan pencarian sumber terbuka dan tertutup untuk membentuk profil pelanggan yang koheren, dan menyusun laporan yang menguraikan latar belakang pelanggan, aktivitas mencurigakan, dan alasan pengajuan LAM. Berbeda dengan menyusun beberapa laporan secara manual per hari, penyelidik akan mengambil peran kontrol kualitas yang memungkinkan mereka untuk meninjau dan mengajukan LAM dalam skala besar. Pada gilirannya, institusi akan mengalami lebih sedikit backlog peringatan (dan tindakan pengaturan yang dihasilkan) sambil menurunkan biaya operasional. AI akan digunakan untuk mengidentifikasi aktivitas pelanggan yang mencurigakan, menentukan tipologi risiko yang sesuai, melakukan pencarian sumber terbuka dan tertutup untuk membentuk profil pelanggan yang koheren, dan menyusun laporan yang menguraikan latar belakang pelanggan, aktivitas mencurigakan, dan alasan pengajuan LAM. Berbeda dengan menyusun beberapa laporan secara manual per hari, penyelidik akan mengambil peran kontrol kualitas yang memungkinkan mereka untuk meninjau dan mengajukan LAM dalam skala besar. Pada gilirannya, institusi akan mengalami lebih sedikit alert backlog (dan tindakan pengaturan yang dihasilkan) sambil menurunkan biaya operasional. Berbeda dengan menyusun beberapa laporan secara manual per hari, penyelidik akan mengambil peran kontrol kualitas yang memungkinkan mereka untuk meninjau dan mengajukan LAM dalam skala besar. Pada gilirannya, institusi akan mengalami lebih sedikit alert backlog (dan tindakan pengaturan yang dihasilkan) sambil menurunkan biaya operasional. Berbeda dengan menyusun beberapa laporan secara manual per hari, penyelidik akan mengambil peran kontrol kualitas yang memungkinkan mereka untuk meninjau dan mengajukan LAM dalam skala besar. Pada gilirannya, institusi akan mengalami lebih sedikit backlog peringatan (dan tindakan pengaturan yang dihasilkan) sambil menurunkan biaya operasional.
Ongoing monitoring
Seperti dibahas di atas, lembaga keuangan diharuskan untuk memantau pelanggan mereka secara berkelanjutan untuk mengidentifikasi potensi aktivitas penipuan atau kriminal di antara siklus tinjauan pelanggan normal. Solusi berbasis AI akan dapat mengubah logika deteksi yang mendukung alat penyaringan dan pemantauan, memanfaatkan sumber data tambahan untuk membuat profil pelanggan holistik yang dapat menentukan aktivitas mencurigakan dengan lebih baik untuk pelanggan tertentu dan melacak risiko di berbagai domain (AML, penipuan, sanksi, dll. .). Pergeseran ini akan membantu mengurangi peringatan positif palsu dan mengidentifikasi risiko kepatuhan dengan lebih baik, memungkinkan institusi untuk beralih dari jadwal tinjauan risiko berkala yang kaku demi model uji tuntas berkelanjutan yang lebih gesit.
Sama seperti manfaat dan jebakan AI bagi masyarakat dan ekonomi masih harus dilihat, begitu pula aturan dan kerangka kerja yang akan mengatur pengadopsiannya. Studi kasus regulasi aset digital baru-baru ini menunjukkan bahwa regulator sering mengambil pendekatan menunggu dan melihat teknologi yang baru lahir, dengan panduan mengikuti inovasi selama tiga hingga lima tahun. Meskipun tidak mungkin untuk memprediksi bentuk hamparan peraturan, ada beberapa tema utama yang melekat pada AI yang harus dihadapi oleh regulator keuangan.
bias AI
Model AI hanya sebaik data yang mereka latih, termasuk umpan balik manusia yang diberikan untuk meningkatkan kinerjanya. Model bahasa alami khususnya sering menggunakan pembelajaran penguatan, sebuah teknik di mana manusia berfungsi sebagai “pemberi label” untuk memvalidasi keluaran model dan mengidentifikasi jawaban yang benar. Tanpa pembatas, umpan balik manusia ini, meskipun tidak sengaja, dapat menimbulkan bias pada data model, dengan dampak hilir pada pengambilan keputusan AI. Regulator di masa mendatang perlu memastikan bahwa ketergantungan pada AI untuk dukungan bisnis tidak mengakibatkan distribusi keuntungan yang tidak merata.
Explainability
Lembaga keuangan yang beroperasi dalam lingkungan peraturan sering diminta oleh otoritas pengatur untuk mendukung keputusan risiko mereka. Pengambilan keputusan yang diaktifkan oleh alat AI kompleks yang diatur oleh ribuan indikator dasar dapat membantu mempercepat proses tertentu, tetapi institusi harus memperhatikan kemampuan mereka (atau vendor mereka) untuk menghasilkan alasan untuk keputusan ini dalam format yang dapat dipahami/diinterpretasikan oleh sumber daya nonteknis, seperti kutipan yang relevan untuk pencarian berbasis fakta atau atribut/nilai data utama yang memengaruhi keluaran model prediktif. Regulator akan berupaya menetapkan standar minimum untuk pengambilan keputusan risiko,
Manajemen data
Salah satu keuntungan langsung dari memanfaatkan alat AI adalah wawasan pelanggan yang ditingkatkan, menggabungkan input dari sumber terbuka dan tertutup untuk menciptakan profil risiko, perilaku, dan profitabilitas yang canggih. Namun, profil ini didasarkan pada ketersediaan, kualitas, dan keamanan data pelanggan. Dalam ekonomi AI, data pribadi memiliki harga premium, bahkan menjadi lebih berharga daripada saat ini. Menanggapi komersialisasi data pribadi oleh perusahaan teknologi besar dalam beberapa tahun terakhir, badan pengatur di seluruh dunia telah bergerak untuk menerapkan undang-undang privasi dan keamanan data yang dirancang untuk mengembalikan kontrol kepada individu terkait data tersebut. Upaya untuk mengamankan, melindungi, dan mengatur akses ke data hanya akan dipercepat saat AI digunakan secara komersial dan permintaan akan data pribadi meningkat.
Cyber risks
Ketika ekonomi semakin bergantung pada teknologi dan data, potensi peretasan dan pelanggaran data akan meningkat. Selain itu, karena teknologi canggih menjadi lebih mudah diakses oleh masyarakat umum, penggunaan teknologi ini untuk melakukan penipuan dan aktivitas penipuan lainnya cenderung menjadi lebih umum (misalnya, menggunakan AI untuk mengubah gambar atau membuat video palsu untuk memengaruhi perilaku konsumen yang tidak menaruh curiga) . Lembaga keuangan saat ini berjuang untuk melindungi dari kejahatan dunia maya, dan regulator telah menerapkan undang-undang keamanan dunia maya untuk mengatur kekuatan dan ketahanan kontrol ini. Saat AI diperkenalkan ke ekonomi dalam skala besar, potensi pelaku terlarang untuk mengakses dan memanipulasi model AI, beserta data dasarnya, akan menjadi perhatian yang lebih besar. Regulator akan ditugaskan untuk memperbaiki kerangka kerja keamanan siber untuk memperhitungkan risiko tambahan ini dan memerangi penggunaan alat AI yang tidak sah untuk keuntungan pribadi; organisasi kepatuhan perlu memantau dan menyesuaikannya.
Terlepas dari janji mereka, alat AI berada pada tahap awal kurva adopsi teknologi. Pelatihan tetap mahal dan menuntut sejumlah besar titik data untuk memungkinkan pembelajaran berkelanjutan; keluaran model mungkin memerlukan validasi atau verifikasi pihak ketiga. Solusi AI belum menunjukkan tingkat ketergantungan yang diperlukan untuk secara permanen meningkatkan pengambilan keputusan manusia, apalagi menggantikannya. Selain itu, sifat manajemen risiko kepatuhan yang tidak pasti — seberapa sering SAR benar-benar mencegah aktivitas kriminal? — menghambat kemampuan untuk menyempurnakan hasil model melalui metodologi pembelajaran penguatan.
Selama dekade berikutnya, ahli teknologi perlu berkoordinasi dengan pemangku kepentingan sektor publik dan swasta untuk menghilangkan bias, mengurangi biaya, dan meningkatkan keandalan. Pada gilirannya, kepatuhan profesional harus mendekati AI dengan skeptisisme penuh harapan dan mengambil beberapa tindakan utama:
Challenge existing models
Saat alat AI mulai menjadi layak dari perspektif biaya dan nilai, kepatuhan profesional harus melakukan penilaian top-down dan bottom-up model operasi mereka untuk secara proaktif mengidentifikasi area untuk peningkatan potensial. Merancang kerangka kepatuhan masa depan dengan tujuan operasional utama — hasil risiko, pengurangan biaya, peningkatan proses — dapat membantu mengatur perjalanan implementasi.
Mengutamakan data pelanggan
Dalam lingkungan proses dan kontrol yang dioperasikan oleh AI, data pelanggan adalah yang terpenting. Meskipun standardisasi solusi AI masih beberapa tahun lagi, pemimpin kepatuhan harus mulai meningkatkan data pelanggan mereka sekarang. Remediasi data rumit dan panjang, seringkali berlangsung beberapa tahun. Mengambil langkah-langkah dalam waktu dekat untuk meningkatkan ketersediaan dan kualitas data pelanggan di masa mendatang akan memberikan keuntungan, tidak hanya dalam kelayakan integrasi teknologi jangka panjang, tetapi dalam jangka pendek melalui peningkatan wawasan pelanggan dan manajemen risiko.
Fokus pada augmentasi proses
Konsep AI di tempat kerja pasti menginspirasi kekhawatiran atas perubahan kepegawaian. Meskipun suatu hari mungkin tiba ketika kecerdasan manusia menjadi usang, kita tidak perlu khawatir untuk menyeberangi jembatan itu untuk beberapa waktu. Dalam jangka pendek hingga menengah, alat AI hanya akan berhasil menambah proses tertentu, yang hampir semuanya masih memerlukan peninjauan dan/atau validasi oleh manusia. Bahkan model AI tercanggih — alat yang dapat menyelidiki, menganalisis, melaporkan, menyusun, dan memanipulasi data — seringkali bisa salah. Metodologi pelatihan AI paling populer dan inovatif yang saat ini digunakan, pembelajaran mendalam, dengan cepat kesulitan ketika dihadapkan dengan input di luar parameter aslinya. Hasilnya adalah alat yang sangat kuat yang dapat diandalkan untuk mengotomatisasi komponen tertentu dari suatu proses (misalnya, penyusunan dokumentasi, menjelajahi internet untuk menyangkal peringatan positif palsu), tetapi belum dapat dipercaya untuk melakukan proses tersebut dari ujung ke ujung (misalnya, desain kebijakan kepatuhan, pengambilan keputusan risiko pelanggan). Sementara otomatisasi dapat menggantikan beberapa peran, efisiensinya dalam skala besar akan menciptakan peran lainnya. Di tahun-tahun mendatang, kepatuhan profesional harus memprioritaskan cara AI dapat meningkatkan, bukan menggantikan, proses dan kontrol.
Pursue relevant skill sets
Otomasi yang diaktifkan AI akan menciptakan permintaan bagi orang-orang yang memahami logika yang digunakan oleh alat AI dan dapat menyusun input yang efektif untuk menghasilkan respons yang paling berarti. Mirip dengan proliferasi pekerjaan “optimasi mesin pencari” di awal tahun 2000-an, penyebaran AI di organisasi kepatuhan akan memerlukan jenis kefasihan teknologi baru yang mampu memaksimalkan utilitas dan kualitas keluaran model AI — termasuk kemampuan untuk menguraikan ketika suatu hasil mungkin salah. Pemimpin kepatuhan harus memastikan bahwa mereka memupuk rangkaian keterampilan yang relevan dan menarik talenta yang diperlukan untuk mengoptimalkan akurasi AI.
Kesimpulan
Saat dunia bereaksi atas kemajuan terbaru dalam AI, regulator dan pemimpin bisnis harus mempertimbangkan peluang praktis dan risiko penerapannya. Jika dipadukan dengan pelaksana peraturan yang cenderung otoriter dan aplikasi yang bijaksana, teknologi AI memiliki potensi untuk merevolusi hampir semua bidang industri jasa keuangan. Mereka yang menjalankan regulasi kompliansi harus merangkul potensinya dan tetap kreatif saat mereka memandu pengadopsiannya.