In questo articolo parleremo dell’automazione controlli AML poiché la lotta al riciclaggio di denaro è in continua evoluzione e in Revelis abbiamo esteso la nostra piattaforma Moneying™ con tecniche di Generative AI proprio per fornire uno strumento utile ad andare incontro a quelle che sono le nuove e continue indicazioni date dagli enti preposti su come individuare nuovi comportamenti anomali.
Cos’è Moneying™
Un indicatore di anomalia, per quanto ben formulato, non vive isolato: deve girare su dati reali, produrre segnalazioni ordinate per priorità e restituire all’analista il contesto necessario a decidere. Moneying™ è l’ambiente in cui questo accade. La piattaforma tiene insieme la profilazione del rischio cliente, il monitoraggio dell’operatività e l’analisi delle relazioni, e si appoggia al framework Rialto™ per l’elaborazione dei dati su larga scala.
Moneying™ sfrutta entrambi gli approcci cardini dell’Intelligenza artificiale: modelli deduttivi e induttivi. I primi vengono modellati tramite le regole normative prodotte dagli enti inquirenti e restano espresse in forma esplicita: leggibili, versionabili, verificabili una per una.
I modelli induttivi apprendono dai dati, intervengono dove la regola non arriva: nella graduazione del rischio, nel riconoscimento di pattern relazionali, nella riduzione del rumore che soffoca i team di compliance sotto i falsi positivi. Deduzione e induzione non si sostituiscono, si coprono a vicenda.
Ne consegue il requisito che tiene insieme l’intera architettura: ogni esito prodotto dalla piattaforma è accompagnato dalle evidenze che lo hanno determinato, in una forma leggibile dall’analista e utilizzabile in sede ispettiva.
Automazione controlli AML: una costante sfida
Il contrasto al riciclaggio richiama la cyber-security: una partita senza fine tra chi attacca e chi difende. Da un lato si cercano nuove falle da sfruttare, dall’altro si irrobustiscono i sistemi per chiuderle. Banca d’Italia e le autorità inquirenti presidiano questo fronte aggiornando con regolarità le proprie linee guida, in cui descrivono, in linguaggio naturale, gli schemi emergenti da intercettare; agli intermediari spetta tradurre quelle indicazioni in controlli attivi sui flussi transazionali.
È qui che il meccanismo si rallenta. Tra la descrizione normativa di un comportamento anomalo e la regola eseguibile capace di riconoscerlo si interpone un lavoro di traduzione manuale: lento, soggetto a interpretazione e per giunta da ripetere a ogni aggiornamento. Il risultato è un presidio che poggia su architetture statiche e faticose da modificare, e difensori costretti a rincorrere, provando a chiudere il varco quando è già stato attraversato.
Per ridurre quel ritardo e raggiungere una reale automazione controlli aml, è necessario rendere dinamica proprio la fase di “traduzione”, ovvero di implementazione dei processi induttivi e deduttivi per l’individuazione di anomalie nelle transazioni finanziarie. L’AI generativa, e in particolare i Large Language Model (LLM), interviene esattamente su questo passaggio: fornita una descrizione sufficientemente precisa del comportamento da intercettare, il modello produce la sequenza di operazioni concatenate che lo riconoscono sui dati, e un sistema a valle la porta in esercizio. Grazie a questa automazione controlli aml, il nuovo controllo diventa così disponibile come guardrail nel giro di poco, non di mesi.
Moneying-GenAML™
Quanto descritto in precedenza è implementato nel modulo GenAML di Moneying™, un plug-in di Moneying che è stato sviluppato nell’ambito del progetto Moneying-Plus. Si tratta di un nuovo plugin progettato per accorciare la distanza tra la pubblicazione di una nuova raccomandazione da parte delle autorità e la sua entrata in esercizio, rivoluzionando l’automazione controlli aml. Il punto di partenza è il documento così com’è: una circolare di Banca d’Italia, uno schema di anomalia, una relazione investigativa. Il framework ne estrae la logica di controllo: quali dati osservare, con quali filtri, su quali soglie e su quale finestra temporale, e la traduce in un indicatore eseguibile sui flussi transazionali dell’istituto.
In pratica, GenAML è un plugin che permette di operazionalizzare l’automazione controlli aml partendo da descrizioni in linguaggio naturale.
L’output non è un testo, né un frammento di codice da integrare a mano: è una serie di operazioni concatenate, chiamato workflow, ispezionabile passo per passo, che l’analista può leggere, correggere e validare prima della messa in produzione. Il modello non sostituisce il compliance officer, ma gli restituisce una bozza operativa per un’efficace automazione controlli aml su cui esercitare il proprio giudizio, spostando il lavoro umano dalla trascrizione alla verifica.
Il ciclo, inoltre, non si chiude alla prima generazione. Quando l’indicazione viene aggiornata, o quando i falsi positivi segnalano che una soglia è tarata male, lo stesso framework interviene sull’indicatore esistente e ne produce una nuova versione. È questa capacità di revisione incrementale a rendere il presidio dinamico: adattare l’automazione controlli aml diventa un’operazione di minuti, non di settimane.
Large Language Models e Model Context Protocol
Affidare a un modello linguistico la scrittura libera di codice, in un dominio regolamentato, è una scommessa difficile da giustificare: il rischio di allucinazione è concreto e l’esito difficilmente verificabile. L’impostazione di GenAML per l’automazione controlli aml è diversa. All’LLM non si chiede di produrre software, ma di pianificare: dato il testo normativo ed eventuali informazioni sulla struttura dati sottostante, deve comporre una sequenza di operazioni scegliendo da un catalogo chiuso di primitive già validate: acquisizione dei dati, filtro SQL, trasformazione, esportazione e dichiarando come queste si concatenano tra loro. Le primitive, ovviamente, sono personalizzabili.
È qui che entra in gioco il Model Context Protocol (MCP), lo standard con cui si espone al modello l’insieme degli strumenti disponibili e delle rispettive firme. Il protocollo funziona come un contratto: definisce cosa il modello può invocare e con quali parametri, e tutto ciò che sta fuori da quel perimetro semplicemente non è esprimibile. Il vincolo, lungi dall’essere una limitazione, è la garanzia: ogni piano generato per l’automazione controlli aml è sintatticamente valido per costruzione, tracciabile nelle sue singole componenti e riproducibile.
Ne deriva un’architettura in cui la creatività del modello è confinata dove serve (capire l’intento del testo normativo e scomporlo in passi) mentre l’esecuzione resta in mano a componenti deterministiche e certificate. Un compromesso che rende tale automazione controlli aml compatibile con i requisiti di auditing tipici del settore finanziario.
Automazione controlli AML: come funziona il plugin
La Figura 1 mostra la pipeline con cui si realizza l’automazione controlli aml tramite la generazione dei workflow. L’utente carica i documenti di riferimento, PDF o file di testo, tipicamente la circolare e lo schema dati da recepire, e descrive in linguaggio naturale il controllo da realizzare. Da lì in avanti il processo è automatico. Il modello, istruito come pianificatore, restituisce la pipeline in formato JSON componendo i tool a disposizione. Il piano viene mostrato all’utente nella sua sequenza di passi, così che ogni scelta sia verificabile prima di procedere.
Il passo finale è la conversione: la pipeline per l’automazione controlli aml viene tradotta in un workflow, scaricabile e importabile direttamente nella piattaforma Moneying™, la quale utilizza Rialto™ come motore operativo. Il risultato è un artefatto nativo dell’ambiente di data management già in uso, non un sistema parallelo da manutenere.
Accanto alla generazione, il sistema mette a disposizione una modalità di modifica: si parte da un workflow esistente e lo si fa evolvere con una nuova istruzione in linguaggio naturale, un’operazione fondamentale per un’automazione controlli aml dinamica che, nella pratica quotidiana dell’antiriciclaggio, ricorre più spesso della creazione da zero.
L’efficacia di GenAML nell’automazione controlli AML
Come per ogni sistema che automatizza un passaggio finora manuale, l’efficacia di GenAML nell’automazione controlli aml dipende da alcune condizioni al contorno che vale la pena esplicitare. La prima riguarda i dati più che gli algoritmi: la qualità degli indicatori generati riflette la qualità delle sorgenti su cui vengono eseguiti, e conoscere in anticipo quali flussi sono effettivamente interrogabili, con che latenza si aggiornano e quanto sono affidabili i campi anagrafici alla base della profilazione è il presupposto che più di ogni altro determina i tempi di un progetto.
Inoltre, il ruolo delle persone resta al centro della piattaforma: l’automazione controlli aml focalizzata sulla generazione non riduce il presidio umano, lo riposiziona, spostando il lavoro dell’analista dalla scrittura alla verifica; il ritorno è tanto maggiore quanto prima il team di compliance viene coinvolto nella definizione del formato con cui gli indicatori vengono presentati e delle evidenze che li accompagnano, perché è la leggibilità dell’output a rendere il workflow non solo eseguibile, ma governato, e questa, in un contesto regolamentato, è la proprietà che conta di più.
Conclusioni
Il divario tra la descrizione normativa di un comportamento anomalo e la regola eseguibile che lo intercetta è sempre esistito; ciò che è cambiato è la velocità con cui gli schemi di riciclaggio si aggiornano, e quindi il costo di quel ritardo. Finché la traduzione resta un’operazione manuale, i difensori continueranno a inseguire, ostacolando una vera automazione controlli aml.
GenAML non promette di eliminare il presidio umano: al contrario, lo presuppone. Sposta il confine: al modello linguistico la pianificazione per l’automazione controlli aml, vincolata a un catalogo chiuso di operazioni verificate; all’infrastruttura l’esecuzione deterministica; all’analista il giudizio su ciò che il sistema propone. GenAML realizza questa catena producendo workflow nativi per Rialto™, e Moneying™ le fornisce l’ambiente operativo in cui gli indicatori girano sui dati reali, accanto ai modelli statistici e alla profilazione del rischio.
Il risultato che conta non è tanto la riduzione dello sforzo di sviluppo, per quanto significativa. È la possibilità che un’automazione controlli aml di questo tipo offre di rispondere a un aggiornamento normativo nell’arco di giorni anziché di mesi.
Vuoi più informazioni su Moneying?
Contattaci scrivendo a info@revelis.eu
Autori
Simone Mungari – Enterprise Solution Engineer
Francesco Cupello – Enterprise Solution Engineer
