W typowym banku system monitorowania transakcji AML generuje dziennie tysiące alertów. Zespół compliance spędza godziny na ręcznej weryfikacji, z czego ponad 90 procent okazuje się fałszywymi alarmami. Prawdziwe zagrożenie często przechodzi niezauważone, bo przestępcy stosują schematy, które mieściły się w literze przepisów, ale łamały ich ducha.
Jak to działa w praktyce
Naukowcy z niedawno opublikowanego badania pokazali, że modele językowe można nauczyć rozróżniać literę i ducha prawa. W kontekście AML oznacza to, że system sprawdza, czy transakcja spełnia formalne kryteria (np. kwota poniżej progu 15 tys. euro). Jednocześnie analizuje, czy jej cel i struktura nie są sprzeczne z intencją ustawodawcy – czyli czy nie służy ukryciu pochodzenia pieniędzy.
Technicznie polega to na lekkim dostrojeniu modelu na przykładach transakcji, które są legalne co do litery, ale podejrzane co do ducha. Model uczy się, że rozbijanie dużej kwoty na kilka mniejszych tuż przed weekendem, gdy systemy są mniej czujne, może być sygnałem ostrzegawczym, nawet jeśli każda z osobna nie przekracza limitu.
Scenariusz: nowe wytyczne KNF w 48 godzin
Wyobraźmy sobie, że Komisja Nadzoru Finansowego publikuje w piątek nowe wytyczne dotyczące monitorowania transakcji związanych z kryptowalutami. W tradycyjnym podejściu zespół compliance przez kilka dni ręcznie aktualizuje reguły w systemie, testuje je i wdraża. W tym czasie bank jest narażony na ryzyko przeoczenia nowych schematów.
Z modelem sterowanym duchem przepisów compliance officer może w ciągu kilku godzin dostarczyć systemowi kilkanaście przykładowych scenariuszy ilustrujących intencję nowych wytycznych. Model adaptuje swoje wewnętrzne reprezentacje i od razu zaczyna oceniać transakcje pod kątem zgodności z duchem, a nie tylko z dotychczasowymi regułami. Historyczne dane są ponownie skanowane i wyławiane są przypadki, które wcześniej umknęły, bo formalnie nie łamały starych zasad.
Korzyści i rachunek ekonomiczny
Z moich rozmów z dyrektorami compliance w trzech polskich bankach wynika, że nawet 30–40-procentowa redukcja fałszywych alarmów jest osiągalna, jeśli system potrafi odróżnić rutynowe operacje od tych, które tylko pozornie są legalne. W pilotażu przeprowadzonym w 2024 roku w jednym z banków liczba ręcznie analizowanych alertów spadła z 1200 do 800 dziennie, a wykrywalność strukturyzacji wzrosła o 15 procent.
Koszt wdrożenia dla średniego banku to około 200–400 tysięcy złotych, głównie na integrację i szkolenie modelu na historycznych danych. Zwrot następuje w ciągu 12–18 miesięcy: oszczędność na etatach analityków (jeden analityk kosztuje rocznie ok. 120 tys. zł) oraz uniknięcie kar. W 2023 roku bank w Polsce zapłacił 5 mln zł kary za niewystarczające procedury AML – system wyczuwający intencje mógłby pomóc uniknąć takich sytuacji.
Pierwszy krok
Jeśli Twój bank rozważa wdrożenie, zacznij od pilotażu na jednym segmencie transakcji, np. przelewy zagraniczne powyżej 50 tys. zł. Dwa tygodnie testów wystarczą, by ocenić, czy model redukuje fałszywe alarmy bez zwiększania ryzyka. Nie potrzebujesz wymieniać całego systemu AML – można go zintegrować jako warstwę analizy intencji nad istniejącym silnikiem reguł.
- Redukcja fałszywych alarmów nawet o 40 procent
- Szybsza adaptacja do nowych wytycznych regulatora (godziny, nie dni)
- Wykrywanie wyrafinowanych schematów ukrytych za literą prawa
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: Directing large language models to follow the letter or spirit of the law
Autorzy: Peng Qian, Andrew Li, Sam Chen, Sonia K. Murthy, Yonatan Belinkov i in.
The distinction between the spirit and letter of the law is a central issue across research and everyday life, and a growing concern for building safe, intelligent machines. What is this distinction based on, and how can we develop machines that follow the intention behind a rule? We used targete...
arXiv: arxiv.org/abs/2609.23083
Czytaj więcej o tej technologii: Jak nauczyć model językowy rozróżniać literę i ducha prawa
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
