Еволюцията на финансовите престъпления и трансформацията на AML функциите

В продължение на десетилетия системите за превенция на изпирането на пари се изграждат върху сравнително стабилна логика — идентифициране на клиента, оценка на риска и наблюдение на транзакции спрямо предварително дефинирани сценарии. Този модел предполага, че поведението на клиентите е относително предвидимо, че отклоненията могат да бъдат описани чрез правила и че престъпните схеми следват повтарящи се модели, които могат да бъдат разпознати. С навлизането на изкуствения интелект тези предположения започват да губят валидност. Причината не е просто в автоматизацията или увеличения обем от данни, а в това, че изкуственият интелект позволява симулация на нормалност в мащаб. Това означава, че престъпното поведение вече не се стреми да се скрие чрез отклонение, а чрез вписване в очакваното. В резултат AML системите се изправят пред нов тип предизвикателство — да разпознават не очевидната аномалия, а добре конструираната нормалност.

Контролите като източник на риск

Случаят от 2019 г., отразен от The Wall Street Journal, при който британска компания извършва превод от 220 000 евро след телефонно обаждане от „главния изпълнителен директор“, е показателен не само за развитието на технологиите, но и за промяната в логиката на риска. В този случай не е имало компрометирани системи или класическа измама чрез имейл. Единственият елемент е бил убедителният глас.

Това променя начина, по който трябва да се мисли за вътрешния контрол. Механизмите, които традиционно се възприемат като допълнителна защита — като устно потвърждение или телефонна верификация — могат да бъдат използвани като входна точка за измама. В този контекст доверието престава да бъде защитен механизъм и се превръща в уязвимост, когато може да бъде симулирано с достатъчна точност.

Изкуствено изградени клиентски профили като дългосрочен риск

Данните на Federal Bureau of Investigation и Federal Trade Commission често се цитират във връзка с използването на изкуствено изградени клиентски профили — комбинации от реални и несъществуващи данни, чрез които се създава привидно легитимна идентичност. По-важното в случая обаче не е техният мащаб, а начинът, по който се използват.

Тези профили не се създават с цел еднократна измама. Напротив, в повечето случаи те се използват последователно във времето, като първоначално изграждат доверие чрез напълно нормално поведение. Създава се транзакционна история, установяват се отношения с различни контрагенти и постепенно профилът започва да изглежда като типичен клиент.

Същественото е, че рискът не се проявява в началото на взаимоотношението, а на по-късен етап, когато вече има натрупана история и по-ниско ниво на подозрение. Това поставя под въпрос подходи, които разглеждат първоначалната идентификация като основен контролен механизъм. В този смисъл тези профили следва да се разглеждат като инструмент, който позволява достъп до финансовата система при по-нисък риск от засичане, а не като изолирана измамна дейност.

Когато AML системите се превръщат в предвидим фактор

Анализите на дейността на Lazarus Group показват поведение, което предполага висока степен на адаптация и структурираност. Транзакциите не изглеждат случайни, а по-скоро като част от целенасочен процес, при който се търси оптимално поведение спрямо контролната среда.

Това води до съществен извод — AML системите вече не функционират единствено като инструмент за контрол, а се превръщат във фактор, с който се съобразява поведението на участниците.

Когато реакциите на една система са относително предвидими, те могат да бъдат използвани като източник на информация. Всяко блокиране, забавяне или генериране на сигнал дава индикация за това как работят вътрешните механизми. Това позволява постепенно изграждане на поведение, което остава под праговете за засичане.

В резултат се формира среда, в която контролите не само ограничават риска, но и индиректно моделират начина, по който той се проявява. От своя страна, това поведение се адаптира така, че да отговаря на очакванията на системата, без да ги нарушава пряко.

Ограничения на идентификацията в дигитална среда

Докладите на Europol показват, че възможността за създаване на убедителни дигитални идентичности поставя под въпрос традиционните подходи при идентификацията на клиенти. В миналото процесът се разглеждаше като установяване на обективен факт — дали дадено лице съществува и дали предоставените данни са автентични.

В дигитална среда тази логика вече не е напълно приложима. Все по-често идентификацията се свежда до оценка доколко предоставената информация и поведение са достатъчно убедителни, за да бъдат приети като надеждни.

Това означава, че процесът по идентификация не осигурява абсолютна сигурност, а по-скоро степен на увереност, основана на наличните данни и използваните технологии. В резултат значението на последващия мониторинг се увеличава съществено. Когато съществува възможност идентичността да бъде убедително симулирана, поведението на клиента остава основният индикатор, чрез който рискът може да бъде оценен във времето.

Ограничения на анализа на отделни транзакции: изводи от Danske Bank

Случаят с Danske Bank показва, че анализът на отделни транзакции сам по себе си не е достатъчен за разбиране на по-сложни схеми. Значителна част от операциите не са изглеждали необичайни, когато се разглеждат поотделно, но в своята съвкупност са формирали модел, който не е бил разпознат навреме.

Това подчертава ограничението на подход, при който всяка транзакция се оценява изолирано, без да се отчита по-широкият контекст. В практиката рискът рядко се проявява чрез едно конкретно действие, а по-скоро чрез последователност от действия, които сами по себе си изглеждат нормални.

В този смисъл значението на дадена транзакция не може да бъде оценено без разбиране на поведението във времето и връзките с други операции. Именно липсата на такъв цялостен поглед позволява на определени модели да останат незабелязани.

Ролята на изкуствения интелект в съвременните AML процеси

В отговор на тази среда, използването на изкуствен интелект в AML не се изразява просто в автоматизация на съществуващи процеси, а в промяна на начина, по който се дефинира и оценява рискът.

Определяне на нормалното поведение в контекст

Един от най-съществените ефекти от използването на изкуствен интелект е възможността нормалното поведение да не се разглежда като предварително зададена рамка, а като нещо, което се формира на база реални данни и наблюдения.

На практика това означава, че системата изгражда очаквания въз основа на историческо поведение, сходни клиентски профили и конкретния контекст, в който се извършват операциите.

В този модел значението на дадено действие не се определя единствено от неговите параметри, а от това доколко то съответства на обичайното поведение за конкретния клиент или група клиенти. Така една и съща транзакция може да бъде напълно нормална в един случай и да представлява повишен риск в друг, в зависимост от контекста, в който се разглежда.

Анализ на връзките между клиенти и транзакции

Анализът на връзките между клиенти и транзакции представлява съществено различен подход спрямо традиционния модел, при който всеки клиент или операция се разглеждат самостоятелно. Вместо да се търсят отклонения на индивидуално ниво, се изследват зависимости и модели на взаимодействие между различни участници.

Този подход се използва от институции като HSBC и ING, които внедряват модели за анализ на мрежи с цел идентифициране на скрити връзки и координирани действия.

На практика това позволява разкриването на групи от клиенти, които поотделно изглеждат напълно нормални, но в своята съвкупност формират модел на поведение, характерен за организирани схеми. Именно тези зависимости остават невидими при изолирано разглеждане, но стават ясно разпознаваеми, когато се анализира цялостната структура на взаимодействията.

Приоритизация на сигналите и ефективност на анализа

В практиката едно от основните предимства на изкуствения интелект не е толкова в откриването на повече случаи, колкото в по-доброто структуриране и приоритизиране на наличната информация. AML екипите работят с голям обем от сигнали, като предизвикателството обикновено не е липсата на данни, а тяхното претоварване.

Чрез приоритизация, групиране и поставяне на сигналите в контекст, изкуственият интелект подпомага анализаторите да се фокусират върху случаите с най-висок риск. Това позволява по-ефективно разпределение на ресурси и намалява времето за обработка на нерелевантни сигнали. В резултат ролята на анализаторите постепенно се измества от преглед на голям брой индивидуални случаи към оценка и интерпретация на по-сложни модели и зависимости.

Динамична оценка на риска във времето

Използването на изкуствен интелект позволява рискът да не се разглежда като статична характеристика, определена в началото на взаимоотношението, а като нещо, което се променя в зависимост от поведението на клиента.

На практика това означава, че дори малки промени в модела на поведение могат да придобият значение, когато се анализират в контекст и във времето. Това изисква непрекъснато наблюдение и последваща оценка, при която времевият фактор играе съществена роля.

В този подход рискът не се идентифицира в един конкретен момент, а се проследява като развитие, което може постепенно да показва отклонения от обичайното поведение.

Ролята на експертната преценка в AML процесите

Въпреки технологичния напредък, ролята на човека в AML функциите не намалява, а се променя. Изкуственият интелект може да подпомага идентифицирането на потенциални рискове и да генерира хипотези, но тяхната оценка и интерпретация остават отговорност на анализаторите.

Това е особено важно в контекста на регулаторните изисквания, при които всяко решение следва да бъде обосновано и проследимо. Автоматизираното откриване на риск не е достатъчно, ако не може да бъде обяснено и защитено при последваща проверка.

В този смисъл ефективната AML функция не се определя от степента на автоматизация, а от способността да се постигне баланс между технологичните инструменти и експертната преценка. Именно този баланс позволява едновременно по-добро откриване на риск и спазване на регулаторните изисквания.

Какво отличава ефективния AML подход?

В съвременната среда както престъпните мрежи, така и финансовите институции разполагат със сходни технологични възможности. Разликата не е в самите инструменти, а в начина, по който те се използват.

Престъпните модели използват изкуствения интелект, за да изглеждат като част от нормалния поток на дейност. От своя страна AML функциите го използват, за да определят какво е нормално поведение и кога има отклонение от него.

Именно тук се формира същественото разграничение.

В среда, в която поведението може да бъде убедително симулирано, устойчивото предимство няма да бъде в сложността на системите, а в способността да се разпознава контекстът и да се идентифицират модели, които на пръв поглед изглеждат напълно нормални.

Как Compliance Navi може да подпомогне този процес

В тази динамична среда изграждането на ефективна AML рамка изисква не само внедряване на технологии, но и правилното им структуриране и интегриране в цялостния контролен модел.

Compliance Navi подпомага задължените лица при адаптиране на техните AML процеси към новите рискове, свързани с използването на изкуствен интелект.

Практически това включва оценка на съществуващите контролни механизми, идентифициране на потенциални уязвимости, свързани с поведенчески модели и нови технологии, както и изграждане на рамки за мониторинг, които отчитат динамиката на риска във времето.

В този контекст обученията са ключов елемент. Разбирането на начина, по който изкуственият интелект може да бъде използван както за заобикаляне на контроли, така и за тяхното подобряване, изисква целенасочена подготовка на екипите. Compliance Navi разработва практически насочени обучения, базирани на реални казуси, които подпомагат AML специалистите да разпознават новите модели на поведение и да прилагат по-ефективен анализ.

Фокусът не е единствено върху внедряване на инструменти, а върху създаване на устойчив модел, който комбинира технологични решения с експертна преценка и е съобразен с регулаторните изисквания.

При необходимост от преглед на съществуващата AML рамка или обсъждане на конкретни казуси, свързани с новите технологични рискове, екипът на Compliance Navi е на разположение за съдействие.