Walka z praniem pieniędzy stała się znacznie bardziej przejrzysta dzięki nowemu podejściu badaczy, którzy wdrażają duże modele językowe do automatycznego przeszukiwania podejrzanych transakcji finansowych. Zamiast tradycyjnych algorytmów, które działają jak czarna skrzynka, ten system potrafi wyjaśnić, dlaczego konkretna transakcja została oznaczona jako ryzykowna - co stanowi ogromny postęp dla instytucji finansowych zmagających się z rosnącą ilością alertów AML.
Kluczowa innowacja polega na tym, że model nie tylko klasyfikuje transakcje, ale też wyszukuje konkretne dowody wspierające swoją decyzję oraz przeprowadza kontrole kontrafaktyczne - czyli sprawdza, które elementy danych są naprawdę decyzyjne. Jeśli system uzna operację za podejrzaną, potrafi powiedzieć pracownikowi compliance, że przesądziła o tym np. wysoka kwota, pochodzenie ze wschodzącego rynku lub brak logiki biznesowej transakcji. To znacznie ułatwia pracę analitykom, którzy dotąd musieli wertować całe stosy danych, próbując zrozumieć rekomendacje algorytmów.
Dla branży finansowej ma to praktyczne znaczenie - większość instytucji generuje dziś dziesiątki tysięcy fałszywych alertów dziennie, co prowadzi do fatigue analityków i przeoczania rzeczywistych zagrożeń. Rozwiązanie oparte na LLM z możliwością wygenerowania naturalnych wyjaśnień zmniejsza szum oraz podnosi zaufanie do wyników, co szczególnie ważne w regulacyjnie czułym obszarze przeciwdziałania międzynarodowym przepisom AML i sankcjom.