Du manuel à la merveille : propulser la gestion de la conformité bancaire

Les régulateurs intensifient les mesures coercitives en cas de non-respect des réglementations bancaires. Cela peut être synonyme de stress et de nuits blanches pour les dirigeants de banques, qui se demandent comment protéger les actifs et les clients tout en évitant les pénalités.

Tout ça vous semble familier ? Cette tâche s’avère difficile pour plusieurs raisons :

• Les processus sont gourmands en ressources : les enquêtes en matière de lutte contre le blanchiment d’argent (AML), de connaissance du client (KYC) ou de fraude reposent en grande partie sur des tâches manuelles telles que la recherche de données, l’examen de documents et la rédaction de rapports. Cette inefficacité entraîne des retards dans la recherche des alertes, ce qui accroît les risques tant en termes financiers que réglementaires.
• Les systèmes sont fragmentés : de nombreux systèmes bancaires ne sont pas interconnectés, ce qui entraîne des transferts multiples et des tâches déclenchées manuellement. En outre, les banques ont déployé des solutions ponctuelles pour des activités telles que la vérification d’identité, mais elles s’appuient toujours sur un travail manuel pour intégrer ces outils dans des flux de travail de bout en bout. Les enquêteurs doivent parfois faire beaucoup de travail en « chaise pivotante » pour combler le fossé entre les systèmes en saisissant à nouveau les données d’un système à l’autre.
• La collecte de données implique de multiples transferts : les enquêteurs doivent consulter une série de sources internes (comme les historiques de comptes et les dossiers du service client), et des données externes (comme les registres d’entreprises, les listes de sanctions, et les réseaux sociaux). Ce processus est généralement exécuté dans un ordre séquentiel, ce qui allonge le temps nécessaire pour mener à bien les enquêtes.

L’automatisation agentique des processus peut prendre en charge jusqu’à 80 % des tâches

Dans le passé, les banques ont mis en œuvre l’automatisation des processus par la robotique (RPA) pour automatiser jusqu’à 40 % des tâches. Désormais, un nouvel horizon s’ouvre à elles pour transformer davantage les processus : l’automatisation agentique des processus (APA) intègre non seulement la capacité d’automatiser des actions, mais aussi celle de raisonner et d’apprendre à l’aide de l’IA générative.

Alors que les outils d’IA pour la productivité personnelle ne fonctionnent que sur des tâches simples au sein d’une seule pile d’applications, l’APA couvre l’ensemble d’un flux de travail, permettant aux utilisateurs d’automatiser jusqu’à 80 % des tâches.

Les examens de lutte contre le blanchiment d’argent reposent encore sur du travail manuel

Prenons l’exemple d’un examen de dossier de lutte contre le blanchiment d’argent type, comme celui présenté sur la Figure 1. De nombreuses banques utilisent déjà l’automatisation pour extraire des données des systèmes internes et externes, mais la plus grande partie du processus restant est encore effectué manuellement.

L’enquêteur doit :

• Examiner minutieusement de grandes quantités d’informations
• Saisir manuellement des données dans des applications internes
• Identifier d’autres entités qui semblent avoir un lien avec le demandeur
• Prendre une décision sur la base de son expérience professionnelle
• Rédiger un compte rendu de la recherche et de la décision à des fins de documentation interne et d’examen par les autorités de réglementation
• Rédiger une déclaration d’activité suspecte (SAR), le cas échéant
• Mettre à jour les systèmes internes de gestion de la conformité

Figure 1 : flux de travail de lutte contre le blanchiment d’argent type avec une automatisation limitée.

L’IA générative rationalise le processus d’examen de lutte contre le blanchiment d’argent

L’APA orchestre des robots et des Agents IA pour automatiser la majeure partie de ce flux de travail, comme le montre la Figure 2. Sur la base des sources de données collectées automatiquement, l’IA générative extrait des éléments de données clés, identifie d’autres entités qui doivent faire l’objet d’une enquête et crée un résumé narratif de toutes les informations collectées.

Les enquêteurs humains passent beaucoup de temps à examiner les informations sur un dossier, mais l’IA permet d’accélérer cet examen en créant un résumé narratif de toutes les informations collectées et en mettant en évidence les principaux facteurs de risque. Un Agent IA de recommandation d’enquête examine les informations collectées et fournit une recommandation concernant les mesures à prendre pour atténuer le risque.

Figure 2 : l’automatisation agentique des processus (APA) automatise l’enquête sur le blanchiment d’argent de bout en bout, avec un humain dans la boucle pour examiner les recommandations et prendre des décisions.

Ensuite, un humain dans la boucle examine les recommandations ainsi que le résumé narratif et les informations complémentaires, puis prend la décision. Le rôle de l’enquêteur passe d’un rôle essentiellement administratif (collecte et traitement des données) à un rôle dans lequel il peut se concentrer sur la qualité des décisions, en s’appuyant sur l’IA afin d’évaluer plus rapidement les informations.

Le fossé entre l’ancienne et la nouvelle façon de gérer les processus de conformité peut, à première vue, sembler assez profond. Mais vous pouvez mettre en œuvre l’APA par étapes, en progressant, en atténuant les risques et en ajoutant de la valeur à chaque étape. En un rien de temps, vous atteindrez des sommets d’efficacité et de gestion des risques que vous n’auriez jamais imaginés.

Pour en savoir plus sur nos solutions pour les services financiers, cliquez ici.