Flera uppmärksammade utredningar av svenska bankers verksamhet i Baltikum har visat på brister när det gäller att motverka penningtvätt. Utredningarna visar att kriminella blir mer och mer sofistikerade genom att använda allt snabbare betalningsformer för överföringar och till och med använder regelverket PSD2 för att missbruka det finansiella systemet och tvätta pengar. 

Samtidigt pressas många banker att hålla kontroll över ökade kostnader för regelefterlevnad. Många institutioner har ökat antalet medarbetare inom regelefterlevnad med över 500 procent under de sista åren. Med andra ord har regelefterlevnad blivit en verklig kostnadsbörda för många banker. Det innebär att institutioner bör operationalisera regelefterlevnad för att bli mer effektiva. Så hur gör man det?

Vi ser en trend och ett attitydskifte hos tillsynsmyndigheter som kommer underlätta för finansiella institutioner. Tillsynsmyndigheter blir allt mer öppna att använda nya metoder som AI, maskininlärning och robotteknik. Faktum är att de aktivt uppmuntrar banker att överväga, utvärdera, och när det är lämpligt, implementera dessa innovativa tekniker. 

Det betyder inte att man helt bör skippa existerande riskbaserade förhållningssätt. De tillför ett tydligt värde när det gäller att definiera scenarios och regelverk för upptäckt av penningtvätt. Vi ser istället framför oss en samexistens, där dessa scenarios arbetar tillsammans med AI-funktioner för att prioritera bland de scenariobaserade larmen och snabbt och automatiserat införa nya angreppssätt för att bekämpa penningtvätt. 

Robotbaserad automatisering av processer gör det möjligt för finansiella institutioner att strömlinjeforma och automatisera utredningsprocesser och larmhantering för efterleva ”Känn din kund”-regelverk och motverka penningtvätt. Det finns inget tristare och dyrare än att anlita arméer av utredare för att hantera falska positiva larm, vilket vanligtvis utgör mellan 75-90 procent av larmen. 

Repetitiva manuella insatser är ofta omfattande och tidskrävande, samtidigt som de också utgör stora felkällor. Detta kan en maskin, en robot, göra mycket bättre. Men tydligt definierade regler för hantering av fall och larm kan bidra till att eliminera vissa repetitiva manuella uppgifter och göra att utredare kan fokusera sina insatser på de återstående mer komplexa uppgifterna. 

Analysdriven larmprioritering och robotbaserad processautomatisering bidrar till att sänka kostnaderna i det korta loppet. Kombinationen av de båda kan också leda till stora effektivitetsvinster. Vår erfarenhet visar att dessa tekniker kan öka antalet upptäckta fall med 20 procent samtidigt som man uppnår effektivitetsvinster på 30 procent i larmhanteringen. 

Ett ytterligare sätt för finansiella institutioner att spara kostnader och förbättra resultatet är genom en integrering av processerna för bedrägeribekämpning och motverkande av penningtvätt. Trots att systemen som används för dessa processer liknar varandra används de ofta i silos. En undersökning från Fico visade nyligen att mer än 80 procent av finansiella institutioner vill bryta ner dessa silos inom de närmaste åren. Med rätt IT-miljö kan integrering av bedrägeribekämpning och bekämpning av penningtvätt ge ekonomiska vinster och möjlighet att nå ett holistiskt angreppssätt i dessa frågor. 

Dessa tre steg hjälper banker att motverka penningtvätt, öka regelefterlevnaden samtidigt som kostnaderna hålls under kontroll. Kriminella försöker ständigt att utveckla sina metoder och banker behöver göra likadant genom att använda nya lösningar baserade på robotteknik och AI. Om man lyckas med detta kan vi undvika ytterligare penningtvättsskandaler 2020.

Frank Holzenthal
Antipenningtvättsexpert, Fico