Con la aplicación gradual de la 6ª Directiva de la UE contra el blanqueo de capitales (6ª AMLD) y los requisitos más estrictos de la Ley contra el blanqueo de capitales (AMLA), las instituciones financieras se enfrentan al reto de cumplir requisitos de cumplimiento AML cada vez más complejos de una manera rentable. Al mismo tiempo, las modernas tecnologías de IA, especialmente en el ámbito del análisis automatizado de documentos, están abriendo nuevas posibilidades para la evaluación de riesgos y la auditoría. Esta interacción a varios niveles entre el avance de la tecnología y la normativa europea hace tiempo que ha empezado a extenderse al sector financiero mundial, como han señalado varios expertos.
La base reglamentaria: de la 5ª a la 6ª DAM
Las últimas directivas de la UE sobre blanqueo de capitales han aumentado considerablemente los requisitos de diligencia debida. En particular, las disposiciones sobre beneficiarios efectivos del artículo 10 (1) nº 2 de la AMLA alemana y del artículo 11 de la AMLA exigen ahora un examen continuo y basado en el riesgo de las estructuras de propiedad complejas. El umbral para identificar a los beneficiarios efectivos de las empresas se mantiene sin cambios en 25% del capital o de los derechos de voto, pero las obligaciones de documentación y verificación se han endurecido considerablemente.
Al mismo tiempo, el aumento de las obligaciones de diligencia debida de conformidad con los arts. 15 y ss. GwG para las personas políticamente expuestas (PEP) y las relaciones comerciales con países de alto riesgo han alcanzado un nuevo nivel. La supervisión continua de conformidad con el artículo 10 (1) nº 5 de la GwG ya no exige únicamente controles ad hoc, sino permanentes y basados en el riesgo de la base de clientes. Esta dinámica también se observa fuera de Europa.
"El endurecimiento de la normativa ha hecho que las entidades financieras sean más proactivas en su modelo de cumplimiento. Lo que antes se conseguía mediante la revisión manual de documentos, ahora implica una supervisión continua del comportamiento de las transacciones. El objetivo no es sólo determinar los riesgos obvios, sino también identificar las discrepancias sutiles que antes podían haberse pasado por alto", explica Paul Ferrara, Senior Wealth Counsellor de Avenue Gestión de Inversiones.
Rentabilidad frente a cumplimiento normativo en materia de lucha contra el blanqueo de capitales
La cuestión fundamental de la rentabilidad también se refleja en los datos del sector: McKinsey determinó en su 2024 Estudio de referencia KYC/AMLque los bancos utilizan normalmente entre el 10 y el 15 por ciento de sus equivalentes a tiempo completo sólo para los procesos CSC/AML, un factor de coste enorme que aumenta exponencialmente con los procesos manuales. Estos costes de personal se ven incrementados por la intensificación de las obligaciones de documentación y supervisión que impone la 6ª Directiva sobre blanqueo de capitales.
Las entidades más pequeñas, en particular, se ven sometidas a la presión de los costes: mientras que los grandes bancos pueden repartir sus costes de cumplimiento a lo largo de un elevado volumen de transacciones, los requisitos normativos fijos suponen elevados costes unitarios para los agentes más pequeños. Los requisitos mínimos de BaFin para la gestión de riesgos (MaRisk) exigen recursos humanos y técnicos adecuados. En la práctica, esto significa que las entidades deben demostrar que sus procesos de cumplimiento son punteros, un criterio cada vez más difícil de cumplir sin el apoyo de la IA. Las tecnologías especializadas en el análisis y procesamiento de documentos complejos se están estableciendo en el centro de las posibilidades técnicas.
Análisis de documentos con ayuda de IA
El análisis de documentos constituye la espina dorsal de la prevención moderna del blanqueo de capitales y permite a las entidades financieras cumplir con eficacia y precisión las amplias obligaciones de diligencia debida que impone la AMLA. Para ello se utilizan dos tecnologías clave: Reconocimiento óptico de caracteres (OCR) para el reconocimiento de textos y el Procesamiento del Lenguaje Natural (PLN) para la comprensión semántica de los contenidos.
El reto reside en la diversidad de los documentos que hay que analizar: desde acuerdos de accionistas escritos a mano hasta extractos de registros oficiales e internacionales. Documentos de identidad. Para ello se necesitan sistemas de IA muy desarrollados que puedan captar con fiabilidad tanto la información estructurada como la no estructurada.
Reconocimiento óptico de caracteres (OCR)
Los sistemas OCR modernos utilizan redes neuronales convolucionales y alcanzan una precisión de reconocimiento de texto superior al 99,5%. Constituyen la primera etapa de un flujo de trabajo inteligente de tratamiento de documentos orientado específicamente a los requisitos de la prevención del blanqueo de capitales.
Funciones básicas para la prevención del blanqueo de capitales:
- Reconocimiento multiformato - Identificación automática de documentos de identidad, registro mercantil y estatutos conforme a los artículos 10 a 12 de la GwG
- Detección de elementos de seguridad - Algoritmos de reconocimiento de marcas de agua, hologramas y microimpresiones en documentos oficiales
- Tratamiento multilingüe - Compatibilidad con más de 100 idiomas, esencial para los clientes internacionales
- Evaluación de la calidad - Verificación automática de la integridad de los documentos para las obligaciones de diligencia debida
- Tratamiento por lotes - Procesamiento simultáneo de varios documentos para una gestión eficaz de la incorporación
La extracción precisa del texto permite automatizar totalmente las obligaciones de documentación de conformidad con el artículo 8 de la GwG. Cada paso se documenta con un sello de tiempo, que sirve como prueba de los procedimientos adecuados durante las auditorías de supervisión.
Procesamiento del lenguaje natural (PLN)
Los sistemas modernos de PNL para detectar el blanqueo de capitales se basan en Grandes modelos lingüísticos, que han sido entrenados en documentos financieros y jurídicos. Extraen datos estructurados de textos no estructurados y los asignan automáticamente a las categorías de conformidad correspondientes.
Funciones PNL ampliadas para el cumplimiento de la normativa AML:
- Reconocimiento de entidades con nombre - Identificación automática de personas, empresas y títulos relevantes para PEP
- Extracción de relaciones - Reconocimiento de las relaciones de propiedad y control para determinar el beneficiario efectivo de conformidad con la Sección 3 de las GwG.
- Análisis de riesgos - Evaluación de los informes de los medios de comunicación sobre la clasificación automática de riesgos
- Control de coherencia - Comparación automática entre distintos documentos para identificar contradicciones
- Cartografía reglamentaria - Asignación de la información extraída a requisitos específicos de la MLA
Aplicación práctica: Los sistemas de PNL pueden extraer automáticamente de un acuerdo de asociación que "el Sr. Max Mustermann con participación 30%" es el beneficiario efectivo, transferir esta información al sistema de cumplimiento y realizar comparaciones de listas PEP al mismo tiempo.
La combinación de OCR y NLP reduce la comprobación manual de documentos de horas a minutos, al tiempo que aumenta la calidad de la comprobación del cumplimiento, algo crucial para los requisitos cada vez mayores de la 6ª AMLD.
CSC e identificación del beneficiario efectivo
Un caso de uso típico: la identificación del beneficiario efectivo de conformidad con las Secciones 10 y 11 de la AMLA es posible en un proceso de varias etapas asistido por IA:
1 Recogida automatizada de datos y control de integridad
El sistema AI comprueba en primer lugar si se dispone de todos los documentos necesarios de acuerdo con la especificación técnica. Se consultan automáticamente las siguientes fuentes:
- Registro mercantil (extracto del registro electrónico)
- Registro de transparencia según § 18 y ss. GwG
- Bases de datos de empresas (Creditreform, información empresarial de Schufa)
- Base de datos de empresas BaFin para proveedores de servicios financieros autorizados
2. Análisis estructural y seguimiento de la inversión con ayuda de la IA
Los algoritmos de aprendizaje automático analizan estructuras de inversión complejas y las crean automáticamente:
- Organigramas gráficos con distribución de acciones
- Análisis de la cadena accionarial hasta la persona física
- Puntuaciones de riesgo basadas en la complejidad estructural y en factores geográficos
- Comprobación de referencias cruzadas entre distintas fuentes de datos
3. supervisión continua y detección de anomalías
El sistema supervisa continuamente:
- Cambios en el registro mercantil y de transparencia
- Control mediático de las informaciones negativas
- Listas PEP y actualización de las listas de sanciones
- Cambios en la estructura empresarial
Austin Rulfs, fundador de Zanda Riquezainforma desde el terreno: "Nuestras comprobaciones KYC y de beneficiarios efectivos se llevan a cabo utilizando modelos de análisis de documentos, comparación de redes y verificación en vivo selfie. El cambio redujo los falsos positivos del 41% al 17%, acortó el tiempo medio de incorporación de 48 a 6 horas y redujo los costes unitarios de 37 a 14 para 10.000 documentos."
Retos transfronterizos
La corresponsalía bancaria es un tema de especial interés para la prevención del blanqueo internacional de capitales, ya que tradicionalmente se utiliza indebidamente para complejas tramas transfronterizas de blanqueo de capitales. El sitio Recomendaciones del GAFI 13 y 16 exigen obligaciones reforzadas de diligencia debida para las relaciones de corresponsalía bancaria, en particular la evaluación de los controles de lucha contra el blanqueo de capitales del corresponsal y la supervisión continua de las relaciones comerciales con los clientes.
Matt Woodley, fundador de Transferencia internacional de dineroexplica: "Una normativa y unos requisitos más estrictos están obligando a las empresas a controlar las transacciones aún más de cerca y a examinar a los clientes con más detenimiento. Como las transacciones transfronterizas están en el centro del problema, la normativa es un blanco móvil".
Los sistemas de IA pueden contribuir a ello, en particular
- Control de sanciones en tiempo real - Comparación inmediata con todas las listas de sanciones pertinentes (UE, OFAC, ONU, listas nacionales)
- Análisis de redes - Detección de operaciones sospechosas en las redes de corresponsales bancarios
- Evaluación del riesgo por países - Evaluación dinámica de los riesgos por países basada en las evaluaciones actuales del GAFI y en la evolución política
Análisis predictivo y reconocimiento avanzado de patrones
Para cumplir las medidas cada vez más proactivas que se exigen en la lucha contra el blanqueo de capitales, se utilizan procesos de análisis que evalúan los datos de las transacciones y los riesgos en tiempo real. Los sistemas modernos de IA utilizan diversas técnicas de aprendizaje automático para garantizar el cumplimiento de la normativa:
- Aprendizaje no supervisado - Algoritmos de agrupación para detectar patrones de transacciones anómalas sin etiquetado previo
- Aprendizaje supervisado - Random forest y gradient boosting para la clasificación de actividades sospechosas
- Aprendizaje profundo - Redes neuronales para analizar estructuras de datos complejas y multidimensionales
- Análisis de series temporales - Redes LSTM para la detección de anomalías temporales en el comportamiento de las transacciones
Estas tecnologías permiten crear perfiles de riesgo dinámicos basados en:
- Comportamiento histórico de las transacciones
- Factores geográficos de riesgo
- Indicadores de riesgo sectoriales
- Efectos de red (conexiones con otros clientes de riesgo)
- Fuentes de datos externas (informes de los medios de comunicación, actualizaciones de la lista de sanciones)
Perspectiva normativa y expectativas de la BaFin
En sus notas interpretativas sobre la Ley alemana de blanqueo de capitales (GwG) y en los requisitos de supervisión bancaria (por ejemplo, MaRisk y BAIT), la BaFin hace hincapié en que las entidades deben garantizar un uso eficaz y basado en el riesgo de los sistemas informáticos. Esto incluye, en particular
- Enmienda MaRisk 2021Requisitos más estrictos en materia de externalización, gestión del riesgo informático y calidad de los datos, que también son directamente pertinentes para los sistemas de prevención del blanqueo de capitales.
- BAIT (requisitos de supervisión bancaria para TI)Requisitos de gobernanza, calidad e integridad de los datos para los sistemas informáticos, que también pueden afectar a la supervisión de las transacciones y a la selección de las listas de sanciones.
- Requisitos de la UIF para los informes sobre actividades sospechosas (Sección 45 GwG y GwGMeldV)Normas técnicas para la transmisión electrónica de informes a la Unidad de Inteligencia Financiera.
La autoridad supervisora no sólo evalúa el cumplimiento formal de las normas de lucha contra el blanqueo de capitales, sino también la idoneidad, eficacia y eficiencia de los sistemas utilizados. Esto aumenta la presión sobre las empresas e instituciones para que sigan desarrollando tecnológicamente sus procesos. Aunque la BaFin no prescribe explícitamente el uso de la inteligencia artificial, la IA será una palanca decisiva en la práctica para cumplir los crecientes requisitos normativos en materia de calidad de los datos, eficacia de la supervisión y orientación al riesgo.
Austin Rulfs predice: "El futuro está en un modelo híbrido. Las auditorías directamente automatizadas resolverán en torno al 90% de los casos claros asistidos por máquinas. La revisión tradicional se quedará con el último 10%, cuando la documentación no coincida, la propiedad esté dividida entre tres o más actores o sea necesaria la intervención humana para tomar una decisión."
Conclusión
El aumento de los requisitos normativos, en particular debido a la Sexta Directiva de la UE contra el Blanqueo de Capitales (6ª LLD) y la Ley alemana de Blanqueo de Capitales (GwG), plantean a las entidades financieras el reto de organizar su cumplimiento de la LLD de manera eficiente y precisa. El uso de tecnologías modernas como la Inteligencia Artificial (IA), el Reconocimiento Óptico de Caracteres (ROC) y el Procesamiento del Lenguaje Natural (PLN) ofrece una solución transformadora.
El uso de estas tecnologías permite analizar estructuras accionariales complejas, identificar a los beneficiarios efectivos y cumplir automáticamente las amplias obligaciones de documentación que impone la AMLA. Aunque el uso de la IA no esté prescrito explícitamente, ya es una necesidad económica en muchos casos para seguir cumpliendo la normativa de forma rentable.
¿Busca posibilidades tecnológicas para mejorar la eficacia de los procesos de comprobación y el cumplimiento de la normativa en materia de lucha contra el blanqueo de capitales? No dude en enviarnos un Mensaje, para obtener asesoramiento no vinculante.
ES 
DE 
EN 
FR