Una de las herramientas más prometedoras es ChatGPT, un modelo de lenguaje avanzado desarrollado por OpenAI. En este blog, te dejamos tres ejemplos prácticos de cómo se puede utilizar ChatGPT para resolver problemas del día a día. Desde detectar operaciones inusuales hasta redactar conclusiones de manera automática para informes de operaciones sospechosas y analizar coincidencias con listados de sanciones terroristas, ChatGPT se convierte en un aliado poderoso en la lucha contra el lavado de dinero.

‍

Si querés, podés probar estos ejemplos entrando a https://chat.openai.com/.

‍

Una aclaración importante: No te recomendamos utilizar información de casos reales con esta herramienta dado que es una plataforma gratuita que no garantiza la confidencialidad y el tratamiento de datos. Usala a criterio propio y para aprender del tema.

‍

Ejemplo 1: Detectar operaciones inusuales

‍

Detectar operaciones inusuales es esencial para la prevención de lavado de dinero. Al proporcionarle a ChatGPT información relevante sobre las operaciones y patrones de comportamiento esperados, la IA puede generar alertas automáticas cuando se identifica una actividad inusual.

‍

Input

‍

Soy un analista de prevención de lavado de dinero de una entidad financiera regulada que es Sujeto Obligado supervisada por la UIF en Argentina. Identificar posibles operaciones inusuales de un cliente que hizo las siguientes transacciones:

‍

‍

Escribir un resumen solo de las operaciones consideradas inusuales y el motivo de por qué son inusuales.

‍

Output

‍

Basándome en la información proporcionada, he identificado dos transacciones que podrían considerarse inusuales:

‍

• Fecha: 1/05/2023
• Monto: 0,01 ARS
• Moneda: ARS
• Tipo: Depósito
• Concepto: Efectivo
• Nombre Destinatario: -
• País Destinatario: -

‍

• Fecha: 3/05/2023
• Monto: 20.000,00 USD
• Moneda: USD
• Tipo: Transferencia Internacional
• Concepto: MONEX LLC
• Nombre Destinatario: Cayman Islands

‍

Motivos de inusualidad

‍

1. ‍‍La primera transacción es inusual debido al monto extremadamente bajo de 0,01 ARS. Normalmente, los depósitos en efectivo suelen ser de montos más significativos. Esta cantidad mínima puede plantear sospechas de intento de evitar la detección o de realizar actividades fraudulentas.
2. La segunda transacción es inusual debido al monto significativo de 20.000,00 USD y al destino de la transferencia a MONEX LLC en las Islas Caimán. Las transferencias internacionales a jurisdicciones conocidas por su opacidad financiera, como las Islas Caimán, a menudo generan preocupaciones en cuanto a la legitimidad de los fondos y pueden indicar posibles actividades de lavado de dinero o evasión de impuestos.

‍

Es importante tener en cuenta que estos hallazgos son preliminares y se requiere un análisis más detallado para determinar si estas transacciones realmente representan actividades sospechosas o inusuales. Como analista de prevención de lavado de dinero, debes realizar una investigación adicional sobre estas transacciones y considerar otros factores antes de llegar a una conclusión definitiva.

‍

Ejemplo 2: Redactar conclusiones en informes de operaciones sospechosas

‍

La redacción de conclusiones en informes de operaciones sospechosas puede ser un proceso laborioso y propenso a errores. Aquí es donde ChatGPT puede ser una herramienta invaluable. Al proporcionarle a la IA un resumen de los hechos y hallazgos clave de una investigación, junto con información sobre los requisitos normativos y las mejores prácticas de redacción, puede generar automáticamente una conclusión precisa y bien redactada. Esto agiliza el proceso de elaboración de informes y garantiza una mayor consistencia y calidad en los resultados.

‍

Input

‍

Soy un analista de prevención de lavado de dinero de una entidad financiera regulada que es Sujeto Obligado supervisada por la UIF en Argentina. Necesito que me pasas un reporte de operación sospechosa por lavado de dinero teniendo en cuenta solo la siguiente información:

• Fecha de detección: 15 de mayo de 2023
• Monto: 1.000.000 ARS
• Perfil transaccional: 500.000 ARS
• Tipo de alerta: Supera perfil transaccional
• Determinación: Desestimado
• Presentó Documentación: Sí
• Documentación presentada: Boleto de venta de un rodado por ARS 2.000.000
• Analista investigador: Lucas Ranallo
• Supervisora: Agustina Atlante

‍

En el reporte escribir porqué se creó el caso, medidas tomadas y conclusiones.

‍

Output

‍

Reporte de Operación Sospechosa por Lavado de Dinero

Motivo de la creación del caso: Se generó el presente caso de Operación Sospechosa debido a que se detectó una transacción por un monto de 1.000.000 ARS que supera el perfil transaccional establecido de 500.000 ARS. Esta discrepancia en el monto de la transacción levantó sospechas de posible actividad de lavado de dinero.

‍

Medidas tomadas: El analista investigador, Lucas Ranallo, inició una revisión exhaustiva de la transacción y recopiló la documentación proporcionada por el cliente. Se analizó el boleto de venta de un rodado por un monto de 2.000.000 ARS presentado por el cliente como justificación de la transacción. Se verificó la autenticidad de la documentación presentada y se realizaron consultas internas y externas para corroborar la información proporcionada.

‍

Conclusiones: Después de un análisis detallado de la operación y la documentación presentada, se llegó a las siguientes conclusiones:

‍

1. La transacción de 1.000.000 ARS supera el perfil transaccional establecido, lo cual es una señal de alerta y justifica la investigación realizada.
2. La documentación presentada por el cliente, en este caso el boleto de venta de un rodado por 2.000.000 ARS, respalda la procedencia de los fondos utilizados en la transacción.
3. La documentación presentada ha sido verificada y no se encontraron indicios claros de falsificación o alteración.

‍

Por lo tanto, considerando que la documentación presentada respalda la transacción y no se encontraron indicios de actividad ilícita, se determina que el caso de Operación Sospechosa por lavado de dinero sea desestimado. No obstante, se mantendrá un monitoreo continuo sobre las actividades del cliente en caso de detectar futuras transacciones inusuales o sospechosas.

‍

Ejemplo 3: Analizar coincidencias con listados de sanciones terroristas

‍

Verificar si un cliente coincide con los listados de sanciones terroristas es un aspecto crítico del cumplimiento normativo. Utilizando ChatGPT, se puede buscar similitudes y proporcionar una evaluación rápida sobre si existe una coincidencia con algún individuo o entidad sancionada. Esta capacidad automatizada agiliza el proceso de verificación y reduce la posibilidad de errores humanos, asegurando que las organizaciones cumplan con las regulaciones pertinentes.

‍

Input

‍

Soy un analista de prevención de lavado de dinero de una entidad financiera regulada que es Sujeto Obligado supervisada por la UIF en Argentina. 

Tuve una potencial coincidencia de un cliente de la entidad financiera en la que trabajo contra un listado de sanciones de RePet.

‍

Esta es la información de mi cliente:

‍

• Nombre: Ricardo Perez
• Nacionalidad: Argentino
• Dirección: Libertador 100, CABA, Argentina

‍

Esta es la información del registro el cual tuvo una coincidencia: RICARDO PEREZ AYERAS‍

‍

Tipo de Lista: Al-Qaida

Referencia: QDi.248

Alta: 04/06/2008

Dirección/Residencia:

• Dirección: Barangay Mangayao
• Ciudad: Tagkawayan
• Estado o Provincia: Quezon
• País: Philippines

• Dirección: Barangay Tigib
• Ciudad: Ayungon
• Estado o Provincia: Negros Oriental
• País: Philippines

Alias:

• Calidad: Good
• Nombre del Alias: Abdul Kareem Ayeras
• Calidad: Good
• Nombre del Alias: Abdul Karim Ayeras
• Calidad: Low
• Nombre del Alias: Ricky Ayeras
• Calidad: Low
• Nombre del Alias: Jimboy
• Calidad: Low
• Nombre del Alias: Isaac Jay Galang Perez
• Calidad: Low
• Nombre del Alias: Abdul Mujib

Lugar de Nacimiento: Ciudad: 24 Paraiso Street, Barangay Poblacion, Mandaluyong City. País: Philippines

Nacionalidad: Philippines

Última Actualización: 06/12/2019

Fuente: UN - United Nations Security Council Consolidated List. https://scsanctions.un.org/consolidated/

‍

Output

‍

Después de realizar una comparación exhaustiva entre la información disponible del cliente y los datos del registro coincidente, se puede concluir lo siguiente:

‍

1. Aunque hay una coincidencia parcial en los nombres entre el cliente y la persona en el registro, hay diferencias significativas en los apellidos.
2. La nacionalidad del cliente es argentina, mientras que la persona en el registro tiene nacionalidad filipina.
3. Las direcciones registradas también son diferentes, con el cliente teniendo una dirección en Argentina y la persona en el registro teniendo direcciones en Filipinas.
4. No se encontraron coincidencias directas entre los alias del registro y los datos del cliente.
5. No se dispone de información sobre el lugar de nacimiento del cliente, pero el lugar de nacimiento registrado en el registro es en Filipinas.

Dado que existen múltiples diferencias entre la información del cliente y los datos del registro coincidente, se concluye que la coincidencia no parece ser real y es probable que se trate de personas con nombres similares pero no relacionadas.

‍

Esperamos que te haya servido y estos ejemplos te sirvan para tu día a día.