De toekomst van anti-witwassen

Sinds begin jaren 2000 waren de inspanningen op het gebied van anti-witwassen grotendeels regelgebaseerd - gericht op het aantonen van compliance in plaats van het opsporen van reële risico's. Het resultaat? Veel vals-positieven, overbelaste analisten en beperkt contextueel inzicht.

Nu beweegt de sector zich naar een hybride model: analyses die een risicogebaseerde aanpak mogelijk maken en AMLR die regelgebaseerde controles opnieuw introduceert. Terwijl risico- en regelgebaseerde kaders zich ontwikkelen, blijft talent cruciaal voor AML.

Om financiële criminaliteit wereldwijd te snel af te zijn, hebben banken AML-teams nodig die niet alleen door AI worden ondersteund, maar ook continu worden ontwikkeld - in staat om datageletterdheid, beoordelingsvermogen en besluitvormingsvaardigheden te combineren om risicovolle zaken te beheren.

‍

De bestrijding van economische criminaliteit is een negatieve ‘businesscase’ van 2,4 miljard dollar.

Tussen 2024 en 2025 daalde de aanwerving voor instapfuncties bij Europese techbedrijven met 73.4%. Voor mij is het een duidelijk signaal dat automatisering echte druk uitoefent op instapfuncties en de traditionele paden voor het ontwikkelen van toekomstige leiders.

Hoewel deze verschuiving talentpijplijnen kan ontwrichten, biedt het ook een kans: organisaties kunnen juniorfuncties herontwerpen om zich te richten op leren, mentorschap en strategische bijdragen, waardoor de ontwikkeling van uw toekomstige senior talent wordt versneld.

‍
Hier denk ik dat managers een cruciale rol te spelen hebben - niet als procesbeheerders, maar als coaches die junior talent begeleiden en hun capaciteiten opbouwen in een AI-rijke omgeving. Dus door AI-tools te combineren met doelgerichte talentontwikkeling, kunnen organisaties pijplijnen versterken en veel sneller hun toekomstige leiderschapsteams opbouwen.

‍

Het opbouwen van ‘klantgerichte’ AML-teams door middel van bijscholing 

Hoewel AI gegevens kan verwerken en risico's op grote schaal kan identificeren, zijn analisten die risicovollere transacties kunnen interpreteren, prioriteren en ernaar handelen de onderscheidende factor.

Er zijn verschillende gebieden waarop we ervoor willen zorgen dat mensen in mijn team – en breder binnen de organisatie – klaar zijn voor wat komen gaat.

Een belangrijk gebied is datageletterdheid. Een ander is machine learning, waar we doorlopende programma's uitvoeren gericht op opkomende risico's en nieuwe monitoringuitdagingen. Karim Tadjer, Global Head Financial Crime bij ING 

Daarom is bijscholing de belangrijkste facilitator van een risicogebaseerde, AI-verbeterde AML-functie. Naarmate AI handmatige taken automatiseert, moeten menselijke capaciteiten evolueren om interpreterend, ethisch en contextueel te zijn. AML-professionals moeten leren om:

• Kritisch oordeel toepassen bij het beoordelen van door AI gegenereerde inzichten en het nemen van beslissingen over escalaties.
  
  
• Complexe bevindingen duidelijk communiceren aan toezichthouders en klanten, waarbij transparantie en vertrouwen worden gehandhaafd.
  
  
• Wereldwijd aanpassen, door AI-outputs te interpreteren binnen lokale juridische, culturele en marktcontexten.

Technologie kan processen versnellen, maar het is menselijk oordeel, aanpassingsvermogen en besluitvorming dat de stabiliteit en integriteit van het gehele financiële systeem beschermt.

‍

‍