Ocho áreas de cumplimiento que son las principales candidatas a la automatización

La mejora de los programas de cumplimiento con RPA mejorada con IA no solo alivia a los ejecutivos de cumplimiento de las tareas rutinarias que consumen tiempo, sino que les proporciona información sobre el riesgo para ayudar a dar forma a las decisiones estratégicas. Las tecnologías impulsadas por la analítica más comunes que se utilizan hasta ahora son:

• Aprendizaje automatizado. Ayuda a analizar y comprender los datos no estructurados (por ejemplo, los comentarios en los datos de tiempo y gastos y los registros de atención al cliente). Los algoritmos de aprendizaje automatizado pueden utilizarse para ayudar a detectar patrones ocultos de actividades y relaciones de riesgo. Su función de autoaprendizaje mejora la precisión analítica y reduce los falsos positivos con el tiempo.
  
  
• NLP. Permite a las computadoras entender el lenguaje humano, tanto el texto como el habla. Los modelos de NLP descifran el significado, miden el sentimiento y categorizan los datos. Por ejemplo, la NLP puede utilizarse para analizar las notas de las transacciones de venta para detectar posibles fraudes mediante el análisis del tono emotivo.

Puntos de interés para la automatización en cumplimiento

Basándose en la experiencia de los compromisos con los clientes, los equipos de EY han identificado ocho áreas clave en una función de cumplimiento que son los principales candidatos para la automatización, con diferentes grados de "inteligencia".

1. Due diligence del proveedor. Esto a menudo implica muchas tareas laboriosas que son ideales para la implementación de RPA. Los robots pueden configurarse para automatizar puntos de comprobación claramente definidos (por ejemplo, cotejarlos con una lista preestablecida de proveedores prohibidos). Las tecnologías de aprendizaje automatizado pueden utilizarse para integrar una gama mucho más amplia de fuentes de datos (por ejemplo, datos de sanciones y registros judiciales) y realizar análisis en profundidad para descubrir riesgos que de otro modo no serían obvios.
   
   
2. Monitoreo del correo electrónico y las redes sociales. El software de RPA puede configurarse para escanear regularmente los correos electrónicos corporativos y las publicaciones públicas en las redes sociales con búsquedas de palabras clave predefinidas para identificar actividades y relaciones de riesgo. Sin embargo, el despliegue de NLP puede mejorar en gran medida la detección de riesgos. La NLP puede utilizarse con herramientas de análisis de sentimientos que evalúan la emoción, el tono y la intención de los mensajes. Estas herramientas pueden producir mapas de calor en tiempo real del compromiso de los empleados.
   
   
3. Antisoborno y anticorrupción (ABAC). Las pruebas ABAC estándar, basadas en reglas, pueden programarse en bots para analizar datos e identificar banderas rojas en las transacciones (por ejemplo, pagos round dollar). Pero la gama de fuentes de datos a las que se puede acceder o analizar puede ser limitada si se utiliza únicamente el RPA. Utilizando el aprendizaje automatizado, la capacidad de evaluación de riesgos de los bots puede mejorarse enormemente integrando un conjunto mucho más amplio de fuentes de datos y generando puntuaciones que indiquen el nivel de riesgos potenciales.
   
   
4. Gestión de las denuncias. Las empresas pueden mejorar en gran medida la gestión de las llamadas a las líneas directas de ética. El análisis de voz detecta las emociones negativas tanto del cliente como del representante del servicio, proporcionando información en tiempo real a los empleados que les ayuda a resolver la llamada, o marca la conversación para que se traslade a un supervisor. La resolución satisfactoria de las quejas mitiga los riesgos legales, mientras que las tendencias pueden detectarse mediante la categorización y el análisis de las quejas.
   
   
5. Protección de datos y privacidad. Las tecnologías que automatizan el descubrimiento, el inventario y la clasificación de datos sensibles ayudan a reducir el riesgo de incumplimiento. Sin embargo, las tecnologías a menudo necesitan algoritmos de aprendizaje automático para manejar aspectos complejos de las tareas, especialmente cuando se trata de descubrimiento y clasificación. Gartner predice que más del 40% de la tecnología de cumplimiento de la privacidad se basará en la IA en los próximos tres años, frente al 5% en 2020.
   
   
6. Cumplimiento de tiempos y gastos. Las herramientas de gestión de gastos están utilizando RPA para automatizar tareas sencillas del tipo lista de comprobación, como la correspondencia de los recibos de las tarjetas de crédito con los tipos de gastos aprobados. La incorporación del aprendizaje automatizado permite a las empresas detectar gastos y patrones irregulares, marcándolos para su revisión humana. Por ejemplo, se pueden desarrollar algoritmos de aprendizaje automatizado para clasificar a los infractores de la política de gastos en función de su nivel de riesgo y enviar avisos por correo electrónico adaptados a la gravedad del problema.
   
   
7. Cambios normativos. Los nuevos requisitos normativos o legales pueden gestionarse más eficazmente con la automatización. Por ejemplo, un esfuerzo global para eliminar los tipos de oferta interbancaria (IBOR) significa que cualquier contrato o transacción vinculada a los IBOR que venza después de 2021 requerirá modificaciones en el contrato o un lenguaje alternativo. Muchas herramientas de inteligencia documental pueden utilizarse para automatizar gran parte del trabajo y convertir los contratos heredados en formatos digitales que el software de gestión de contratos pueda procesar.
   
   
8. Informes reglamentarios y de gestión. Los bots RPA pueden utilizarse en tareas sencillas de recopilación y limpieza de datos. Ha sido una práctica común utilizar la IA y las tecnologías de analítica avanzada para proporcionar una visión profunda y descubrir riesgos ocultos en los informes normativos y de gestión. El gran volumen de informes que requiere una función de cumplimiento hace que esta sea el área más prometedora para unir la IA y la analítica avanzada con la RPA.

Consejos para el éxito de la automatización

Para seguir siendo competitivas y reducir los riesgos, las empresas deben ser más ágiles, estratégicas y eficientes en la gestión del cumplimiento. Invertir en automatización inteligente es una consideración crítica para los líderes de cumplimiento que buscan alcanzar estos objetivos. A continuación se ofrecen algunos consejos para implementar con éxito la automatización inteligente:

1. Empiece con algo pequeño. La RPA por sí sola puede añadir rápidamente una gran cantidad de valor. Evalúe sus procesos actuales para identificar lo que es fácil de realizar. Busque las tareas rutinarias, de gran volumen y basadas en reglas que puedan ser realizadas de forma más eficiente por los bots. Adopte un enfoque gradual con sus esfuerzos de automatización para minimizar la disrupción del negocio y para demostrar resultados medibles en el camino.
   
   
2. Comprenda sus datos. Antes de cualquier implementación de IA a gran escala, determine los datos con los que se ejecutarán las tecnologías. Identifique las fuentes de datos, sepa cómo acceder a ellas y establezca una plataforma central de datos. Los algoritmos de IA requieren datos limpios y de calidad para funcionar correctamente.
   
   
3. Garantizar la participación humana. No asuma nunca que la automatización puede funcionar por sí sola. Utilice un proceso de supervisión en el que los humanos puedan evaluar el rendimiento de los sistemas de automatización e intervenir cuando sea necesario. Muchas tecnologías de IA, como el aprendizaje automatizado, tienen capacidades de autoaprendizaje que requieren la intervención humana. Además, los entornos empresariales y normativos evolucionan rápidamente en la época actual, por lo que la participación humana es fundamental para mantener los programas de cumplimiento actualizados.