L’integrazione dell’intelligenza artificiale e del machine learning nei processi di antiriciclaggio è ormai ritenuta fondamentale per le istituzioni finanziarie. Queste tecnologie permettono di combattere i crimini finanziari e di rispettare le normative sempre più stringenti. Un recente studio condotto da SAS, con la collaborazione di KPMG e l’Association of Certified Anti-Money Laundering Specialists (ACAMS) – dal titolo “The road to integration: the state of AI and machine learning adoption in anti-money laundering compliance“ – ha analizzato la diffusione di queste soluzioni tra i membri dell’ACAMS, evidenziando alcuni punti chiave. Sebbene l’interesse per l’AI continui a crescere, la sua piena implementazione rimane in fase iniziale.
Indice degli argomenti:
L’adozione di AI e ML procede lentamente
Nonostante le crescenti aspettative, l’adozione di AI e ML rimane limitata. Solo il 18% degli intervistati ha affermato di avere soluzioni AI/ML già implementate o in fase di produzione, mentre un altro 18% si trova in fase pilota. In aggiunta, il 25% prevede di adottare queste tecnologie nei prossimi 12-18 mesi, ma il 40% degli intervistati non ha ancora in programma l’adozione di AI/ML. Un quadro che suggerisce come, sebbene vi sia consapevolezza delle potenzialità di queste soluzioni, la loro applicazione concreta stia procedendo con prudenza.
L’AI Generativa: interesse e incertezze
Uno degli sviluppi più recenti riguarda l’introduzione dell’AI generativa (GenAI), che ha suscitato un notevole interesse. Quasi la metà degli intervistati ha dichiarato di essere in fase di sperimentazione (10%) o di scoperta (35%) di questa tecnologia emergente. Tuttavia, nonostante l’entusiasmo iniziale, il 55% degli intervistati non ha intenzione di adottare la GenAI nel breve periodo. Questo riflette una cautela diffusa nei confronti di una tecnologia che, pur promettente, necessita ancora di ulteriori sviluppi per essere considerata affidabile nelle operazioni quotidiane di antiriciclaggio.
Cambiamenti nelle priorità e nei motivi di adozione
Il panorama delle motivazioni per l’adozione di AI/ML sta evolvendo. Il miglioramento della qualità delle indagini e dei risultati normativi è citato dal 67% degli intervistati come obiettivo primario, sebbene questo dato sia in calo dell’11% rispetto al 2021. Un altro obiettivo crescente riguarda l’individuazione di rischi complessi, con una percentuale che è aumentata dal 17% al 21%. Questi cambiamenti mostrano un orientamento verso l’adozione di tecnologie che non solo migliorano l’efficienza operativa, ma permettono anche una gestione più sofisticata dei rischi.
I motivi per non adottare l’AI/ML nell’antiriclaggio
L’analisi dei motivi per cui molte organizzazioni esitano nell’adozione dell’AI/ML ha mostrato delle evoluzioni significative. Nel 2021, il principale ostacolo era rappresentato dai vincoli di budget, indicati dal 39% dei rispondenti. Oggi, questa preoccupazione è diminuita al 34%, mentre la mancanza di un imperativo normativo è emersa come il principale freno all’adozione, citato dal 37% degli intervistati. Inoltre, la carenza di competenze sta diventando un problema meno rilevante, con una percentuale che è scesa al 11%. Questo segnale suggerisce che, seppur persistano alcune difficoltà, il contesto per l’adozione dell’AI sta migliorando.
La priorità della riduzione dei falsi positivi
Un tema centrale nell’adozione dell’AI nei sistemi di sorveglianza è la riduzione dei falsi positivi. Nel sondaggio, il 38% degli intervistati ha indicato questa come la priorità principale per l’implementazione di AI/ML, segnando un incremento dell’8% rispetto al 2021. Accanto a questa, l’automazione dell’arricchimento dei dati per le indagini e la due diligence (25%) e l’individuazione di nuovi rischi (23%) sono altre priorità citate frequentemente. La riduzione dei falsi positivi è anche la risposta principale per l’area di maggior valore dell’AI/ML, seguita da indagini più rapide e una migliore gestione degli avvisi ad alto e basso rischio.
L’impatto del machine learning e dell’elaborazione del linguaggio naturale (NLP)
Tra le tecnologie emergenti, il machine learning continua a dominare in termini di impatto, con il 58% degli intervistati che lo indica come la principale tecnologia per la gestione del rischio antiriciclaggio. L’automazione robotica dei processi segue al 28%, mentre l’elaborazione del linguaggio naturale (NLP) rimane una delle tecnologie meno rilevanti, con solo il 14% degli intervistati che la considera determinante. Ciò nonostante, la NLP potrebbe acquisire maggiore importanza man mano che le tecnologie evolvono, soprattutto per la gestione dei dati non strutturati.
L’Integrazione dei dati: la chiave per il futuro
“La chiave per liberare tutto il potenziale dell’AI e del machine learning è l’integrazione delle fonti di dati, dei team e della tecnologia. Il primo passo verso questa integrazione è la creazione di un ecosistema di dati che combini quelli provenienti da tutte le fonti”, ha affermato Stu Bradley, Senior vice president di Risk, Fraud and Compliance Solutions di SAS. Questo approccio all’integrazione, che coinvolge non solo la tecnologia, ma anche la governance e i team interfunzionali, è visto come cruciale per un’adozione efficace e responsabile delle tecnologie AI e ML. Le organizzazioni che riusciranno a integrare in modo efficace i loro sistemi di dati e operazioni potranno ottenere un vantaggio competitivo significativo nel contrastare i crimini finanziari.
Conclusioni: l’adozione dell’AI nell’antiriciclaggio
Il percorso verso l’adozione piena dell’intelligenza artificiale nel settore antiriciclaggio è ancora in fase di sviluppo. Nonostante le enormi potenzialità di AI e machine learning, il ritmo dell’adozione resta lento, con molte organizzazioni che preferiscono fare passi cauti. Tuttavia, la crescente consapevolezza del valore di queste tecnologie, insieme a una sempre maggiore integrazione dei sistemi e all’evoluzione delle priorità aziendali, promette di portare a un’accelerazione nell’adozione nei prossimi anni.
L’adozione della AI potrebbe dunque essere solo una questione di tempo.
