Antiriciclaggio e AI: continuano a emergere nuove potenzialità, ma l’adozione rimane lenta

Antiriciclaggio e AI: continuano a emergere nuove potenzialità, ma l'adozione rimane lenta

Un’indagine globale condotta da SAS e KPMG all’interno dell’ACAMS dimostra che l’integrazione dell’AI e del ML è in arrivo, ma non avverrà da un giorno all’altro

L’utilizzo della tecnologia AI nei processi antiriciclaggio (anti-money laundering, AML) è diventato fondamentale per le istituzioni finanziarie che si impegnano a rispettare le normative e a combattere i crimini finanziari. Tuttavia, la nuova edizione di uno studio sulle tecnologie antiriciclaggio condotto da SAS, leader nel settore dei dati e dell’AI, con il contributo del partner KPMG e su un pool di 850 membri dell’Association of Certified Anti-Money Laundering Specialists (ACAMS), rileva che l’interesse per l’AI continua a essere superiore alla sua piena implementazione anche rispetto al 2021, anno di prima conduzione della ricerca.

L’adozione dell’intelligenza artificiale e del machine learning (ML) rimane modesta

Solo il 18% degli intervistati riferisce di avere soluzioni di AI/ML in pipeline di produzione, mentre un altro 18% è in fase di pilota. Il 25% prevede di implementare soluzioni AI/ML nei prossimi 12-18 mesi, mentre il 40% non ha in programma l’adozione di AI/ML.

TI PIACE QUESTO ARTICOLO?

Iscriviti alla nostra newsletter per essere sempre aggiornato.

L’interesse per le tecnologie di GenAI è forte, ma apparentemente cauto

Quasi la metà degli intervistati dichiara di essere attualmente in fase di sperimentazione (10%) o di scoperta (35%) dell’AI generativa, una percentuale non da poco per una tecnologia emergente. Tuttavia, il 55% non ha intenzione di adottare la GenAI.

Le organizzazioni stanno identificando un maggior numero di utilizzi dell’AI/ML   

Quest’anno, il 67% degli intervistati ha citato il miglioramento della qualità delle indagini e dei risultati normativi o la riduzione dei falsi positivi come motivo principale per l’adozione dell’AI/ML, segnando un dato in calo dell’11% rispetto al 2021.Nel frattempo, l’individuazione di rischi complessi è passata dal 17% al 21%.

Leggi anche:  L'AI generativa e agentica trasformerà il customer service in un fattore strategico determinante per la creazione di valore per le aziende

Anche i motivi per non adottare l’AI/ML si sono evoluti

Nel 2021, il principale ostacolo all’adozione dell’AI era rappresentato dai vincoli di budget, indicato dal 39% dei rispondenti. Oggi la percentuale è scesa al 34% ed è stata superata dalla mancanza di un imperativo normativo, citata dal 37%. Anche la mancanza di competenze disponibili sta diventando meno preoccupante, con una percentuale che è scesa di quasi la metà all’11%.

La riduzione dei falsi positivi è una priorità crescente

Quando è stato chiesto loro quali fossero le priorità per l’implementazione dell’AI/ML, gli esperti di AML intervistati hanno citato la riduzione dei falsi positivi nei sistemi di sorveglianza esistenti al 38% (con un aumento dell’8% rispetto al 2021). Anche l’automatizzazione dell’arricchimento dei dati per le indagini e la due diligence (25%) e l’individuazione di nuovi rischi con tecniche di modellazione avanzate (23%) sono rimaste risposte popolari, sebbene entrambe siano diminuite di diversi punti rispetto al sondaggio precedente. Il restante 13% degli intervistati ha citato la segmentazione dei clienti per l’analisi comportamentale.

La riduzione dei falsi positivi e negativi è stata anche la prima risposta per l’area di maggior valore dell’AI/ML, con il 38%. Tuttavia, le altre due scelte disponibili – indagini migliori e più rapide (34%) e gestione degli avvisi ad alto e basso rischio (28%) – non erano molto distanti.

Il machine learning sta avendo un grande impatto, ma l’NLP non è da sottovalutare

Quando è stato chiesto di classificare tre tecnologie in base al loro impatto, il machine learning è stato ancora una volta la prima scelta con il 58%, con un aumento del 6% rispetto al 2021. L’automazione robotica dei processi è scesa al 28%, mentre l’elaborazione del linguaggio naturale (NLP) è stata l’ultima scelta con il 14%.

Leggi anche:  Cisco e Splunk presentano una soluzione che permette di standardizzare l’osservabilità

“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 dichiarato Stu Bradley, Senior Vice President di Risk, Fraud and Compliance Solutions di SAS. “In questo sondaggio ACAMS, l’86% degli intervistati ha dichiarato di aver effettuato una qualche forma di integrazione tra i processi di antiriciclaggio, frode e sicurezza informatica. Quasi un terzo ha una capacità di case management completamente integrata tra queste funzioni, mentre un altro terzo collabora attraverso team cross-functional per implementare controlli volti a prevenire l’esposizione ai crimini finanziari. Le aziende che procedono con l’integrazione dei dati e delle operazioni tenendo conto della governance stanno gettando le basi per un’innovazione responsabile nell’AI e nel ML e godranno di un vantaggio competitivo rispetto a quelle che esitano”.

Lo studio integrale, The road to integration: the state of AI and machine learning adoption in anti-money laundering compliance, è disponibile qui, mentre qui è possibile consultare una data dashboard che consente agli utenti di esplorare, visualizzare e filtrare i dati dell’indagine per regione e dimensione dell’istituto.