I fenomeni criminali nel settore finanziario rappresentano indubbiamente una delle grandi sfide per la tutela dell’economia legale. In un contesto sociale ed economico caratterizzato dal crescente e pervasivo utilizzo delle nuove tecnologie, anche le organizzazioni criminali stanno facendo ricorso in misura sempre maggiore all’intelligenza artificiale per il riciclaggio del denaro.
Il United Nations Office on Drugs and Crime (UNODC) stima che il fenomeno del riciclaggio – ovvero l’insieme delle attività finalizzate ad occultare la provenienza illecita di denaro o altri beni – rappresenti tra il 2% e il 5% del PIL Mondiale, per un valore compreso fra 715 e 1.900 miliardi di euro; tali flussi di denaro consentono alle organizzazioni criminali di avere a disposizione ingenti fondi anche per investimenti in tecnologie sempre più sofisticate.
In questo contesto, le istituzioni finanziarie costituiscono il passaggio obbligato del “denaro sporco” per l’immissione nei circuiti della finanza e sono pertanto in prima linea nel contrasto al crimine finanziario, in quanto hanno la responsabilità, prevista dalla normativa, di monitorare le attività bancarie dei loro clienti e segnalare quelle sospette alle Autorità di Vigilanza. Tuttavia, i sistemi informativi tradizionali a supporto del monitoraggio dell’operatività, basati in prevalenza su regole predefinite, presentano dei limiti e non sono in grado di rilevare le operazioni illecite che sfuggono ai criteri prestabiliti.
L’intelligenza artificiale risulta quindi essere una leva indispensabile nella lotta contro il crimine finanziario per diverse ragioni. Innanzitutto, la quantità e la complessità delle transazioni finanziarie globali sono aumentate esponenzialmente, rendendo impossibile per gli esseri umani monitorarle e analizzarle manualmente in modo efficace. L’intelligenza artificiale può elaborare enormi volumi di dati in tempi rapidissimi, identificando modelli sospetti e comportamenti anomali che potrebbero indicare attività fraudolente o riciclaggio di denaro. Inoltre, l’intelligenza artificiale può imparare e adattarsi continuamente, migliorando la sua capacità di rilevare nuove tipologie di minacce man mano che emergono. Questo è cruciale in un contesto in cui i criminali finanziari sviluppano costantemente tecniche nuove e sempre più sofisticate per sfuggire alla rilevazione.
Nel seguito saranno illustrati due esempi di applicazione di intelligenza artificiale nel contesto di un primario intermediario finanziario: il monitoraggio delle “negative news” e degli schemi di riciclaggio connessi alla “velocity”.
Il monitoraggio delle negative news è un esempio di applicazione di soluzioni di intelligenza artificiale (in particolare di NLP – Natural Language Processing) per l’analisi automatica di dati non strutturati, ossia le notizie pubblicate su giornali e media. Le istituzioni finanziare, nell’ambito dei propri adempimenti di contrasto del crimine finanziario, sono infatti chiamate a monitorare, tra le altre, anche le notizie relative ai propri clienti pubblicate sulla stampa che possano ricondurre a comportamenti illeciti o connessi al riciclaggio. La complessità ed i costi per analizzare quotidianamente tutti gli articoli di stampa in diverse lingue ricercando notizie negative relative ai propri clienti appaiono del tutto evidenti.
Grazie all’intelligenza artificiale è stato però possibile automatizzare tale analisi: elaborare giornalmente enormi quantità di notizie e dati non strutturati in varie lingue, raggrupparle secondo specifici criteri (ad es. tassonomia dei reati rilevanti per l’antiriciclaggio), estrarre le informazioni chiave dalle notizie, come le persone e/o società coinvolte, nonché il loro ruolo (ad es. sospetto, arrestato, ecc.) nel contesto degli eventi criminali descritti, calcolare un rating di corrispondenza del cliente e di rilevanza della notizia usando algoritmi personalizzabili, considerando la corrispondenza tra i soggetti menzionati nelle “negative news” e i clienti della banca, la rilevanza del reato e il ruolo del cliente.
Il fenomeno della “velocity” invece è connesso alla necessità di individuare schemi complessi di transazioni finalizzate a nascondere l’origine illecita dei fondi. Una tecnica usata dai criminali è infatti quella di suddividere grosse somme di denaro in tante piccole operazioni apparentemente lecite che vengono effettuate in un breve lasso di tempo, in modo da eludere i controlli tradizionali basati su soglie statiche: questa pratica è nota come smurfing. Come si può scoprire lo smurfing in un’immensa rete di milioni di transazioni finanziarie? Attraverso la rappresentazione delle transazioni su una rete a grafo, è stato sviluppato un metodo che riesce ad individuare in modo efficiente dei sottografi, cioè delle porzioni di rete, che mostrano un comportamento smurf-like. Le analisi delle evidenze prodotte hanno confermato come i riciclatori sfruttino il coinvolgimento di diverse geografie e istituti finanziari, per rendere complesso ricostruire i percorsi del denaro (“follow the money”)[1].
In conclusione, l’intelligenza artificiale è uno strumento imprescindibile nella lotta ad un crimine finanziario sempre più digitale e sofisticato. In prospettiva, l’intelligenza artificiale rappresenterà sempre più una leva per rilevare e rispondere a nuove tecniche e modelli di comportamento criminale in tempo reale, e di analizzare con sempre maggior precisione grandi moli di dati provenienti da fonti diverse, con l’obiettivo di identificare anomalie e pattern sospetti.
In questo contesto, stanno assumendo un ruolo sempre più rilevante anche le Generative AI; il loro utilizzo in questo ambito, sebbene ancora in stato prototipale, si sta dimostrando molto promettente soprattutto nell’estrarre valore da molteplici sistemi e documenti già in possesso delle istituzioni finanziarie, automatizzando i task più ripetitivi e collocandosi come strumenti a supporto dell’incremento dell’efficacia e dell’efficienza delle attività degli analisti.
[1] Per approfondire le tecniche e le risultanze scientifiche utilizzate si rimanda alla lettura dell’articolo: “Smurf-based Anti-Money Laundering in Time-Evolving Transaction Networks” di Michele Starnini, Charalampos E. Tsourakakis, Maryam Zamanipour, Andre Panisson, Walter Allasia, Marco Fornasiero, Laura Li Puma, Valeria Ricci, Silvia Ronchiadin, Angela Ugrinoska, Marco Varetto and Dario Moncalvo
