Sos: Segnalare a prescindere!

Restando all’attualità, volendo limitarci a commentare l’operato di quegli amministratori di Cooperative ortofrutticole o società di capitali in genere che, facendo il proprio lavoro strumentale all’attività d’impresa, prelevano ingenti somme di denaro contante dal conto aziendale, come ci si comporta in termini di alert e quindi di “collaborazione attiva” da parte dei soggetti obbligati?

In questi casi, l’Intelligenza artificiale come si comporta?

Come ci si comporta se queste operazioni risultano regolarmente annotate in contabilità (Libro giornale) che, nello specifico, nessuno guarda?

Costituisce un alert per l’inoltro di una Segnalazione di operazione sospetta, la cui omissione viene condannata a pesantissime sanzioni amministrative dalla giurisprudenza corrente, di merito e di legitimità?

La confusione è tanta, forse addirittura troppa e qualcosa di intelligente serve ma non so se potrà bastare quella artificiale!

===

Negli ultimi anni abbiamo assistito a un proliferare di normative e regolamenti europei in ambito bancario e assicurativo, che hanno puntato l’attenzione sull’antiriciclaggio e hanno spinto gli intermediari finanziari verso un progressivo rafforzamento dei propri presidi organizzativi e di controllo.

La stessa Financial Action Task Force (Fatf-Gafi, organizzazione intergovernativa fondata nel 1989 su iniziativa del G7 per sviluppare politiche di lotta al riciclaggio di denaro) sottolinea l’importanza dell’analisi dei big data tramite l’intelligenza artificiale e le soluzioni tecnologiche basate sul machine learning e le altre tecnologie AI-based.

L’utilizzo di strumenti di data analysis si sta imponendo anche tra le Autorità antiriciclaggio, sia nella funzione di autorità di vigilanza che in quella di Financial Intelligence Units, questi organi stanno ricorrendo a strumenti che accrescano la loro capacità di rilevare reti di transazioni tra loro correlate, identificare comportamenti anomali e, in generale, trasformare quantità significative di dati, strutturati e non, in informazioni utili a livello operativo.

La complessità dello scenario viene amplificata da nuovi prodotti (per esempio le criptovalute) e dai nuovi canali digitali di vendita.

Il machine learning viene utilizzato principalmente per rilevare operazioni sospette che avvengono sia secondo schemi noti, sia secondo nuovi schemi all’apparenza nascosti; per automatizzare la raccolta di dati anche esterni “non strutturati”; per migliorare la segmentazione della clientela individuando comportamenti anomali del cliente rispetto al suo standard.

Applicando criteri di classificazione intelligenti la segmentazione diventa ancora più efficace: il sistema di monitoraggio si attiva non solo a fronte del superamento di determinate soglie, ma gestisce le informazioni processate da algoritmi dinamici che definiscono soglie di rischio differenti a seconda del tipo di gruppo di soggetti individuato.

Algoritmi ancora più sofisticati consentono all’operatore di dare precedenza alla valutazione degli alert che hanno un maggior grado di probabilità di essere realmente legati a un’operazione sospetta.

Il controllo antiriciclaggio utilizza nuovi strumenti basati su AI o altre tecnologie innovative per verificare, ad esempio, la presenza di soggetti su liste sensibili (sottoposti a sanzioni, terroristi, persone politicamente esposte, criminali eccetera) o attivare processi di monitoraggio continuo dell’operatività sospetta.

Fra gli strumenti innovativi più rilevanti a supporto dell’analisi antiriciclaggio ci sono modelli deterministici di calcolo del profilo di rischio ponderando rischio soggettivo e oggettivo.

Il rischio soggettivo si ottiene dall’analisi delle caratteristiche del soggetto appunto (professione, codice Ateco dell’impresa, presenza in liste di soggetti attenzionati, cariche politiche, etc.).

Il Rischio oggettivo si basa, invece, sull’analisi dell’operatività del cliente, classificata su vari macro-ambiti e calcolata su una vasta serie di fattori di rischio.

Esistono anche gli Mtm, motori di Transaction Monitoring integrati con logiche AI che riducono i possibili falsi positivi emersi dalle prime analisi.

C’è la network analysis, che consente di visualizzare graficamente, in modo chiaro ed immediato, le relazioni fra soggetti analizzando l’attività dei clienti e attingendo a fonti esterne per recuperare ulteriori informazioni (es. partecipazioni societarie).

Le nuove tecnologie, insomma, velocizzano le tempistiche di analisi, consentono un’individuazione precisa e puntuale dei fenomeni a rischio di riciclaggio riducendo i falsi positivi ed evidenziando anche fenomeni complessi di difficile rilevazione, apportano importanti benefici in termini di efficacia e di efficienza e ottimizzano i processi interni dei soggetti titolari della transazione finanziaria.