AI như Lớp Điều Phối cho Chống Rửa Tiền

Các tổ chức tài chính đã bỏ ra hàng tỷ đô la để đầu tư vào công nghệ phòng chống rửa tiền, nhân viên tuân thủ và báo cáo quy định. Khoản đầu tư là thực tế, và cam kết cũng vậy. Tuy nhiên, hệ thống nói chung vẫn hoạt động kém hiệu quả — không phải vì các tổ chức cá nhân thất bại trong công việc của họ, mà vì AML về cơ bản là một thách thức phối hợp. Những khoảng trống quan trọng nhất tồn tại giữa các tổ chức, giữa các ngân hàng và cơ quan quản lý, và giữa hệ thống tài chính và cơ quan thực thi pháp luật.

Trí tuệ nhân tạo cung cấp con đường đáng tin cậy đầu tiên để khắc phục chúng. Khung công tác từ cuốn sách Reshuffle: Who Wins When AI Restacks the Knowledge Economy giúp chúng ta hiểu tại sao. Khác với các công nghệ trước đây, điểm khác biệt của AI là sự kết hợp của ba khả năng chưa từng tồn tại cùng nhau trước đây: khả năng tạo ra một biểu diễn thống nhất của một vấn đề hoặc lĩnh vực bằng cách hòa giải và tổng hợp dữ liệu từ nhiều nguồn và phương thức khác nhau, khả năng lý luận qua biểu diễn đó và đề xuất quyết định, và thông qua các tác nhân, khả năng hành động dựa trên các quyết định đó một cách tự động.

Các thất bại trong phối hợp cần được giải quyết tồn tại ở ba cấp độ riêng biệt.

Cấp độ Một: Trong nội bộ tổ chức

Bắt đầu từ bên trong ngân hàng. Dữ liệu rủi ro khách hàng ngày nay bị phân mảnh qua các hệ thống giám sát giao dịch, nền tảng KYC, công cụ kiểm tra lệnh trừng phạt, và thậm chí cả cơ sở dữ liệu marketing. Mỗi hệ thống giữ một phần của bức tranh. Không một nhóm nào nhìn thấy toàn bộ. Một khách hàng bị cảnh báo trong một hệ thống có thể xuất hiện sạch trong hệ thống khác. Một mẫu hình rõ ràng qua ba nguồn dữ liệu có thể không thấy được bởi bất kỳ nhà phân tích nào chỉ xem một nguồn.

Việc đối chiếu các tín hiệu này thủ công chậm, không nhất quán và dễ sai sót. Các tác nhân AI có thể duyệt qua các hệ thống phân tán này, hòa giải các điểm dữ liệu mâu thuẫn, và hiển thị một cái nhìn thống nhất về rủi ro khách hàng trong thời gian thực. Ngoài việc tự động hóa các nhiệm vụ thường lệ, giá trị sâu hơn của AI ở đây là tổng hợp — kết nối dữ liệu chưa từng được thiết kế để liên kết và tạo ra các đánh giá rủi ro toàn diện hơn bất kỳ nhà phân tích hoặc hệ thống nào có thể tạo ra riêng lẻ.

Đây là nơi phần lớn sự chú ý của ngành tập trung ngày nay, và đúng như vậy. Việc loại bỏ công việc đối chiếu thủ công đã mang lại lợi ích năng suất đáng kể cho nhóm tuân thủ. Quan trọng hơn, một cái nhìn thống nhất về rủi ro khách hàng thay đổi chất lượng các quyết định mà nhà phân tích và điều tra có thể đưa ra — các quyết định trước đây bị giới hạn bởi thông tin không đầy đủ nay dựa trên một bức tranh toàn diện về hành vi khách hàng trên tất cả các hệ thống.

Tuy nhiên, đây chỉ là tối ưu cục bộ. Một ngân hàng được thông tin tốt hơn không tự nhiên trở thành một hệ thống AML hoạt động tốt hơn. Những khoảng trống gây ảnh hưởng lớn nhất đến hệ thống không nằm trong nội bộ các tổ chức mà nằm giữa chúng — và việc thu hẹp những khoảng trống này đòi hỏi các tác nhân của hệ thống phải kết nối và tham gia vào các quy trình làm việc chung theo cách họ hiện tại chưa làm được.

Cấp độ Hai: Giữa các tổ chức

Người rửa tiền không tôn trọng ranh giới tổ chức. Một kiểu mẫu trông giống như các giao dịch riêng lẻ tại một ngân hàng có thể hình thành thành một mẫu rõ ràng khi xem qua ba ngân hàng. Một khách hàng có vẻ rủi ro thấp tại một tổ chức có thể có lịch sử hoạt động đáng ngờ tại hai tổ chức khác. Thông tin tồn tại trong hệ thống. Chỉ là không thể truyền đến nơi cần thiết.

Quốc hội Hoa Kỳ đã nhận thức rõ vấn đề này khi tạo ra Mục 314(b) của Đạo luật PATRIOT, cung cấp nơi trú ẩn an toàn cho việc chia sẻ thông tin tự nguyện giữa các tổ chức tài chính. Ý định là hợp lý. Tuy nhiên, cách thực thi lại chưa đạt yêu cầu. Đến năm 2024, chỉ hơn 6.000 trong số 324.000 tổ chức đủ điều kiện đã đăng ký tham gia. Lý do không phải là sự không rõ ràng về pháp lý — FinCEN đã nhiều lần làm rõ phạm vi chia sẻ cho phép. Đó là do ma sát.

Trong thực tế, việc chia sẻ thông tin theo Mục 314(b) nghĩa là một nhà phân tích tuân thủ phải gọi điện hoặc soạn email hoặc thư cho đối tác tại tổ chức khác — một quá trình hoàn toàn phụ thuộc vào sáng kiến cá nhân, mối quan hệ hiện có, và khả năng hành động dựa trên một nghi ngờ có thể hoặc không được đáp lại. Không có cơ chế nào tự động hóa quá trình này. Nó chỉ xảy ra khi ai đó chọn làm điều đó, và sẵn sàng bỏ thời gian và công sức mà không có đảm bảo phản hồi hữu ích.

AI thay đổi hoàn toàn tính toán này. Thay vì con người liên hệ với con người qua các tổ chức, việc chia sẻ thông tin qua trung gian tác nhân có thể cho phép các ngân hàng yêu cầu và trao đổi dữ liệu phù hợp theo cách tuân thủ, có thể kiểm chứng và mở rộng quy mô. Một tác nhân AI phát hiện mẫu đáng ngờ có thể tự động hỏi xem các đối tác đã đăng ký theo Mục 314(b) khác có liên quan đến hoạt động tương tự hay không — nhận và tổng hợp phản hồi mà không cần con người khởi xướng liên hệ.

Quan trọng, điều này không yêu cầu một trung tâm trung gian hoặc nhà cung cấp dịch vụ đóng vai trò trung gian. Các giao thức giao tiếp tác nhân mã nguồn mở cho phép xây dựng một lớp phối hợp phi tập trung, dựa trên giao thức, mà các tổ chức có thể áp dụng mà không phải từ bỏ quyền kiểm soát cho một cơ quan thương mại duy nhất. Nơi trú ẩn an toàn hiện có của Mục 314(b) cung cấp nền tảng pháp lý. Những gì còn thiếu là hạ tầng vận hành để biến điều đó thành hiện thực. AI cuối cùng cung cấp hạ tầng đó.

Cấp độ Ba: Giữa hệ thống tài chính và cơ quan thực thi pháp luật

Thất bại phối hợp thứ ba và cũng là thất bại bị bỏ qua nhiều nhất nằm giữa các tổ chức tài chính, cơ quan quản lý và cơ quan thực thi pháp luật. Đây cũng là thất bại có ảnh hưởng trực tiếp nhất đến việc AML có thực hiện đúng mục đích của nó hay không.

Mỗi báo cáo SAR gửi cho FinCEN về lý thuyết đều là đầu vào cho cơ quan thực thi pháp luật. Các tổ chức tài chính đầu tư nguồn lực đáng kể vào việc điều tra các hoạt động đáng ngờ, soạn thảo các câu chuyện và nộp các báo cáo nhằm giúp các cơ quan chính phủ phát hiện và truy tố tội phạm tài chính. Trong thực tế, các tổ chức nộp SAR gần như không bao giờ biết liệu các báo cáo của họ có hữu ích hay không. Không có vòng phản hồi.

Không có phản hồi, các ngân hàng tối ưu hóa chất lượng SAR đang hoạt động trong tình trạng mù quáng. Họ không thể học được loại câu chuyện nào hữu ích nhất cho các nhà điều tra, mức độ chi tiết phù hợp là bao nhiêu, hoặc các kiểu mẫu nào tạo ra nhiều thông tin hành động nhất. Động lực thực tế của ngành là nộp nhiều SAR hơn thay vì tốt hơn — một động lực gây gánh nặng cho cơ quan thực thi pháp luật về khối lượng trong khi mang lại giá trị không chắc chắn.

AI cung cấp con đường thực tế thoát khỏi tình trạng này. Hiện nay, các nhà phân tích pháp luật thực thi pháp luật truy vấn thủ công các cơ sở dữ liệu SAR, tìm kiếm các báo cáo liên quan đến một thực thể hoặc mạng lưới cụ thể. Thay vào đó, hình dung các tác nhân AI thực hiện chức năng này — truy vấn cơ sở dữ liệu, lập bản đồ các kết nối qua các báo cáo, và trình bày một bức tranh thông minh tổng hợp cho nhà điều tra. Các mẫu hình mà mất hàng giờ để nhà phân tích tự làm có thể được phát hiện trong vài phút, với các kết nối được vẽ ra qua các báo cáo mà không một nhà phân tích nào có đủ khả năng để xác định.

Khi nhà điều tra thấy bức tranh tổng hợp đó hữu ích, một hành động đơn giản qua giao diện xem xét có thể ghi lại tín hiệu đó và truy ngược về các SAR cụ thể đã góp phần. Các cơ quan quản lý sau đó có thể truyền phản hồi đó đến các tổ chức nộp báo cáo. Điều này đóng lại vòng lặp đã mở ra hàng thập kỷ, và tạo ra cơ chế để các tổ chức tài chính học hỏi xem cái gì là hữu ích — và cải thiện đáng kể theo thời gian.

Từ tối ưu cục bộ đến tối ưu toàn cầu

Thương mại toàn cầu không mở rộng chỉ vì tàu nhanh hơn hoặc các cảng được hiện đại hóa. Nó mở rộng vì container hóa đã chuẩn hóa cách hàng hóa di chuyển qua mọi cảng và biên giới trên thế giới. Một lớp hạ tầng chung đã làm cho phối hợp trở nên tự động thay vì nỗ lực, và biến một tập hợp các hiệu quả cục bộ thành một hệ thống toàn cầu thực sự.

AML cần một bước đột phá hạ tầng tương tự — không phải là các công cụ tốt hơn trong từng tổ chức, mà là một lớp phối hợp chung xuyên suốt hệ thống. Ba cấp độ đã mô tả — tổng hợp nội bộ tổ chức, chia sẻ thông tin giữa các tổ chức, và phản hồi từ quy định — đều về bản chất là các thất bại phối hợp. AI giúp giải quyết tất cả ba. Nhưng công nghệ đơn thuần không quyết định kết quả.

Các quy tắc, động lực và vòng phản hồi điều chỉnh hệ thống cuối cùng sẽ quyết định liệu bước đột phá đó có xảy ra hay không. Mục đích của Đạo luật Bí mật Ngân hàng là để các tổ chức tài chính cung cấp thông tin hữu ích cao cho chính phủ — nhưng hệ thống hiện tại thưởng cho khối lượng hơn là chất lượng, và không cung cấp cho các tổ chức một cơ chế để học hỏi từ chính đóng góp của mình.

Việc thay đổi điều đó đòi hỏi hành động từ cả hai phía. Các ngân hàng đã bỏ qua Mục 314(b) trong nhiều năm; AI cuối cùng làm cho việc chia sẻ thông tin liên tổ chức trở nên khả thi thay vì chỉ là mong muốn. Chính phủ cũng cần hành động, tích hợp AI vào cách các cơ quan quản lý xử lý SAR và cách cơ quan thực thi pháp luật truy vấn dữ liệu tài chính, thay vì chỉ bắt buộc áp dụng nó ở nơi khác. Sự kết hợp đó — các ngân hàng phối hợp qua ranh giới tổ chức, và chính phủ tham gia như một nút hoạt động trong hệ thống mà họ giám sát — cuối cùng mới đẩy AML vượt qua tối ưu cục bộ mà mỗi tổ chức có thể đạt được một mình, hướng tới một tối ưu toàn cầu mà hệ thống chưa từng đạt được.