A carregar...
Publicação
Ai for anti-money laundering: the rise of llms and agentic AI
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 1.75 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
The increasing intricacy of international finance systems has heightened the demand for effective and smart anti-money laundering (AML) solutions. Conventional AML architectures, relying essentially on rule-driven alerts and manual analysis, are under increased strain given growing volumes, non-nativelanguage documents, and complex chains of transactions. Recent developments in AI, especially LLMs and agentic AI systems, have unleashed a new paradigm that could assist-not replace-AML officers' decisions on transaction analysis, onboarding reviews, and document interpretation. This study explores whether AML professionals supported by AI perform better compared to their non-AI counterparts through an experiment conducted within the Reference banking institution in Georgia.
Fifty-two employees of AML are randomly assigned to either the AI-enhanced tool group using LLMs combined with secure chatbot user interfaces or the purely traditional method group. Participants perform five common AML tasks: multilingual contract analysis, company due diligence, ownership tracing,
person-of-interest profiling and onboarding risk assessment.
Each task is assessed by four performance measures: time efficiency, task accuracy, user satisfaction, and confidence level. After completing the tasks, both groups are required to take a survey to assess subjective workload also we are measuring their time and correction of the tasks, perceived effectiveness
of the tools at hand, and openness to integrating AI into their work.
The central hypothesis is that the AI-supported group will outperform the control group across key dimensions, with striking advantages for both time-sensitive and language-dependent tasks. In addition, the study investigates whether AI use increases AML professionals' confidence in their decisions and reduces cognitive load. This is a hybrid research approach: by empirical data and participant feedback, it offers insights useful in practice for financial institutions considering implementing AI as a decisionsupport layer in compliance departments. It also adds to an emerging literature calling for humancentered design of AI in high-stakes financial environments.
A crescente complexidade dos sistemas financeiros internacionais aumentou a necessidade de soluções eficazes e inteligentes para a prevenção da lavagem de dinheiro (AML). As arquiteturas tradicionais de AML, baseadas principalmente em alertas por regras fixas e análises manuais, enfrentam crescente pressão devido ao aumento do volume de transações, documentos em múltiplos idiomas e cadeias complexas de propriedade. Os avanços recentes em inteligência artificial (IA) especialmente os grandes modelos de linguagem (LLMs) e os sistemas de IA agêntica introduzem um novo paradigma que pode auxiliar, e não substituir, os analistas de AML em tarefas como análise de transações, revisões de onboarding e interpretação de documentos. Este estudo investiga se profissionais de AML apoiados por IA apresentam melhor desempenho do que seus colegas que utilizam métodos tradicionais, por meio de um experimento conduzido em uma Instituição Bancária de Referência na Geórgia (RBIG). Cinquenta e dois colaboradores da área de AML foram aleatoriamente divididos em dois grupos: um utilizando uma ferramenta de IA baseada em LLM com interface segura de chatbot e outro utilizando apenas métodos convencionais. Os participantes executaram cinco tarefas típicas de AML: análise multilíngue de contratos, due diligence de empresas, rastreamento de propriedade, perfilamento de pessoas de interesse e avaliação de risco de novos clientes. Cada tarefa foi avaliada segundo quatro dimensões de desempenho: eficiência temporal, precisão, satisfação do usuário e nível de confiança. Após a conclusão das tarefas, ambos os grupos responderam a um questionário sobre carga de trabalho percebida, número de correções realizadas, eficácia percebida das ferramentas e abertura para integrar IA em suas atividades futuras. A hipótese central propõe que o grupo assistido por IA superará o grupo de controle em todas as principais dimensões, com vantagens marcantes em tarefas sensíveis ao tempo e dependentes de idioma. Além disso, o estudo investiga se o uso da IA aumenta a confiança dos profissionais de AML em suas decisões e reduz a carga cognitiva. Adotando uma abordagem híbrida, baseada em dados empíricos e no feedback dos participantes, esta pesquisa oferece percepções práticas para instituições financeiras que consideram implementar a IA como uma camada de apoio à decisão nos departamentos de conformidade, além de contribuir para a literatura emergente sobre o design centrado no ser humano de sistemas de IA em ambientes financeiros de alto risco.
A crescente complexidade dos sistemas financeiros internacionais aumentou a necessidade de soluções eficazes e inteligentes para a prevenção da lavagem de dinheiro (AML). As arquiteturas tradicionais de AML, baseadas principalmente em alertas por regras fixas e análises manuais, enfrentam crescente pressão devido ao aumento do volume de transações, documentos em múltiplos idiomas e cadeias complexas de propriedade. Os avanços recentes em inteligência artificial (IA) especialmente os grandes modelos de linguagem (LLMs) e os sistemas de IA agêntica introduzem um novo paradigma que pode auxiliar, e não substituir, os analistas de AML em tarefas como análise de transações, revisões de onboarding e interpretação de documentos. Este estudo investiga se profissionais de AML apoiados por IA apresentam melhor desempenho do que seus colegas que utilizam métodos tradicionais, por meio de um experimento conduzido em uma Instituição Bancária de Referência na Geórgia (RBIG). Cinquenta e dois colaboradores da área de AML foram aleatoriamente divididos em dois grupos: um utilizando uma ferramenta de IA baseada em LLM com interface segura de chatbot e outro utilizando apenas métodos convencionais. Os participantes executaram cinco tarefas típicas de AML: análise multilíngue de contratos, due diligence de empresas, rastreamento de propriedade, perfilamento de pessoas de interesse e avaliação de risco de novos clientes. Cada tarefa foi avaliada segundo quatro dimensões de desempenho: eficiência temporal, precisão, satisfação do usuário e nível de confiança. Após a conclusão das tarefas, ambos os grupos responderam a um questionário sobre carga de trabalho percebida, número de correções realizadas, eficácia percebida das ferramentas e abertura para integrar IA em suas atividades futuras. A hipótese central propõe que o grupo assistido por IA superará o grupo de controle em todas as principais dimensões, com vantagens marcantes em tarefas sensíveis ao tempo e dependentes de idioma. Além disso, o estudo investiga se o uso da IA aumenta a confiança dos profissionais de AML em suas decisões e reduz a carga cognitiva. Adotando uma abordagem híbrida, baseada em dados empíricos e no feedback dos participantes, esta pesquisa oferece percepções práticas para instituições financeiras que consideram implementar a IA como uma camada de apoio à decisão nos departamentos de conformidade, além de contribuir para a literatura emergente sobre o design centrado no ser humano de sistemas de IA em ambientes financeiros de alto risco.
Descrição
Palavras-chave
Artificial intelligence Anti-money laundering Large language models Financial compliance Cognitive workload AI collaboration AML efficiency