El futuro de la prevención del lavado de dinero: IA y ‘Machine Learning’

Directora de Prevención de lavado de dinero, control interno y data de Scotiabank México.

La Inteligencia Artificial (IA) representa un parteaguas en la evolución tecnológica para los negocios, pero tiene una relevancia particular para la prevención de riesgos de lavado de dinero en el sector financiero, gracias a su capacidad para procesar grandes volúmenes de datos e identificar patrones través del Machine Learning o aprendizaje automatizado.

La velocidad con la que se está adoptando la Inteligencia Artificial en el sector financiero es de tal magnitud que necesitamos tomarnos un momento para reflexionar y plantear cuál debe ser la sinergia entre la IA, el Machine Learning y el juicio humano para impulsar la ‘innovación en esta materia, que cada día cobra mayor relevancia a nivel global.

El problema al que nos enfrentamos no es menor, se estima que en el mundo se lavan entre 800 mil y 2 billones de dólares al año, de acuerdo con el Global Finance Crime Prevention, Detection and Mitigation 2024 de Deloitte; a pesar de las múltiples legislaciones que se han impulsado de 2019 a la fecha a nivel global para contrarrestar el lavado de dinero, las afectaciones continúan presentes y se vuelve imperativa la innovación tecnológica para fortalecer el engranaje actual con el que contamos.

Hoy tenemos una oportunidad única para hacerle frente al reto.

Actualmente, la Inteligencia Artificial y el Machine Learning permiten la mejora de los controles tradicionales, la mitigación de riesgos a través del análisis de algoritmos y la detección de patrones de comportamiento de millones de clientes, sus hábitos bancarios y transacciones financieras para identificar aquellos que podrían estar asociados a operaciones ilícitas.

Por ejemplo, en el sector bancario, el conocimiento del cliente (Know Your Customer o KYC, en inglés) es una de las primeras etapas clave para la prevención de riesgos porque permite la identificación y verificación de la identidad de los clientes, así como la evaluación de sus actividades financieras y transacciones bancarias para detectar comportamientos irregulares.

El KYC se ha vuelto más eficiente a partir de la Inteligencia Artificial y Machine Learning porque los algoritmos tienen la capacidad de realizar un análisis predictivo a partir de los datos históricos recabados. De hecho, el Machine Learning permite que sus algoritmos aprendan los siguientes pasos, anticipando y realizando modelos de riesgos más precisos y con mayor capacidad de predicción.

A pesar de la capacidad de los sistemas automatizados para identificar los patrones de comportamiento, su efectividad depende de la calidad de los datos que analizan, además que aún están aprendiendo a interpretar contextos y es ahí donde la participación humana es indispensable para impulsar el futuro del lavado de dinero. La colaboración entre la tecnología y los especialistas del sector financiero cuyos conocimientos y experiencias les permite comprender más allá de algoritmos y evaluar cada paso que da la tecnología considerando el contexto e interpretando los resultados complejos que llevan a la toma de decisiones críticas. Hoy contamos con herramientas más precisas que ayudarán a que los tomadores de decisiones tengan un panorama más completo para hacer frente al reto del lavado de dinero.

Hacia adelante, el paradigma será cómo fusionar de manera efectiva el juicio humano con el aprendizaje automatizado, sin que eso se traduzca en un freno en la gestión del cambio tecnológico. Si logramos encontrar el equilibrio entre el análisis derivado de la IA y el Machine Learning con la participación de las personas, estaremos más cerca de consolidar un sistema financiero global más seguro.

La discusión está en curso.