AI-скринінг контрагентів: де він помиляється передбачувано
- AI-скринінг контрагентів надійно ловить прямі збіги зі списками, але системно пропускає зміни структури власності «на папері» та неформальні звʼязки.
- Найбільша категорія помилок — не технічна поломка, а невідповідність між тим, що система вміє шукати, і тим, що реально є ризиком.
- Рішення все одно ухвалює людина: автоматика скорочує обсяг роботи, але не знімає відповідальності за висновок.
Колись я дивилася на звіт скринінгу, де контрагент виходив «чистим» за всіма параметрами: жодного збігу з санкційними списками, жодних червоних прапорців у структурі власності. Рішення вже готувалися підписати — і саме тоді стало зрозуміло, що система перевірила не те, що треба було перевірити.
Де AI-скринінг контрагентів помиляється найчастіше?
AI-скринінг найчастіше помиляється не там, де дані відсутні, а там, де вони формально правильні, але змінені навмисно. Система зіставляє те, що є в реєстрах і списках, на момент запиту — і якщо документи вчасно переоформлені, результат виглядає чистим.
Це не «баг», а межа методу: скринінг працює з фіксованим зрізом даних, а реальність — динамічна. Показова ілюстрація цього принципу — розслідування OCCRP про компанії, повʼязані з Романом Абрамовичем: журналісти встановили, що фірми корпоративних послуг заднім числом оформлювали документи, щоб допомогти з передачею активів (OCCRP, 23.10.2026, https://www.occrp.org/en/news/cyprus-parliament-reviews-reports-on-abramovich-linked-asset-transfers). Автоматичний скринінг, що спирається на офіційні реєстри, у такому випадку бачить лише те, що в реєстр внесли — а не те, коли насправді відбулася зміна контролю.
Для бізнесу це означає одне: результат «чисто» від скринінгу — це підтвердження відсутності прямого збігу зі списком, а не підтвердження доброчесності контрагента. Різниця між цими двома твердженнями — саме те, що потрібно пояснювати керівництву перед тим, як воно почне довіряти автоматиці більше, ніж варто.
Чому автоматична перевірка не бачить трудову експлуатацію в ланцюгу постачання?
Тому що санкційний і PEP-скринінг шукає збіги з іменами та юридичними особами, а не ознаки злочину, який відбувається всередині легальної компанії. Трудова експлуатація, примусова праця чи торгівля людьми в ланцюгу постачання не залишають сліду в жодному з реєстрів, які перевіряє стандартний скринінг.
Це підтверджує масштаб проблеми: у жовтні 2026 року Європол разом з Європейським органом з питань праці та 34 країнами провели тижневу операцію проти трудової експлуатації, за результатами якої затримали 27 осіб і ідентифікували 248 потенційних жертв (Europol, 24.10.2026, https://www.europol.europa.eu/media-press/newsroom/news/27-arrests-and-248-potential-victims-identified-in-action-week-against-labour-exploitation). Жодна з цих компаній, найімовірніше, не значилася в санкційних списках — інакше їх виявили б раніше й іншим способом.
Для комплаєнсу це означає: якщо ризик-профіль компанії включає ланцюг постачання з робочою силою, автоматичний скринінг контрагентів потрібно доповнювати окремим блоком перевірки умов праці — трудові інспекції, галузеві сертифікації, виїзні аудити. Це вже не про списки, а про процес, який система зіставлення даних фізично не здатна покрити.
Чому зміна структури власності на папері обходить скринінг?
Бо скринінг перевіряє структуру власності такою, якою вона задекларована, а не такою, якою вона є фактично. Якщо кінцевий бенефіціар виведений з ланцюга формально — через трасти, номінальних власників або перехресне володіння, — алгоритм не має підстав позначити компанію як ризикову.
Це системна межа методу, а не недогляд конкретного постачальника даних. Навіть найякісніша база санкційних списків працює з тим, що внесено в офіційні реєстри, а реєстри оновлюються з затримкою і залежать від добросовісності тих, хто подає дані. Глибше про механіку таких ланцюгів — у матеріалі про те, як знаходять справжнього власника: /blog/lanciugy-vlasnosti-yak-znahodyat-spravzhnogo-vlasnyka.
Практичний висновок простий: там, де ставки високі — великий контракт, інвестиція, вхід нового партнера, — автоматичний скринінг структури власності має супроводжуватися ручною перевіркою історії змін, а не лише поточного стану.
Як fuzzy matching плутає схожі імена — і чому це не завжди погано?
Fuzzy matching свідомо розширює пошук, щоб ловити варіації написання імен — транслітерацію, помилки, навмисні зміни на одну літеру. Побічний ефект — велика кількість хибних збігів, коли система сигналізує про людину, яка не має нічого спільного зі списком.
Це компроміс, закладений у саму логіку методу: звузити пошук — пропустити реальний ризик; розширити — завалити команду зайвою роботою. Жодне налаштування порогу не вирішує цю дилему остаточно, воно лише зсуває баланс у бік одного з двох типів помилок.
Саме тому практики, що знижують кількість хибних спрацювань без втрати чутливості до реального ризику, — окрема дисципліна, яка варта уваги будь-якого комплаєнс-офісу: /blog/hibni-spraciuvannya-v-systemi-monitoryngu-yak-zmenshyty-bez-vtraty-ryzyku. Налаштування fuzzy matching — це рішення про ризик-апетит компанії, а не технічна настройка, яку можна делегувати IT-відділу без участі комплаєнсу.
Що робити, коли система каже «чисто», а інтуїція каже «ні»?
Перший крок — не довіряти автоматично жодному з двох сигналів окремо, а зафіксувати розбіжність і розібратися, звідки вона взялася. Якщо досвідчена людина відчуває ризик, якого не бачить система, причина майже завжди в одному з трьох місць: дані застарілі, структура власності формально чиста, або ризик лежить поза периметром того, що скринінг взагалі здатен перевірити.
- Зафіксуйте конкретну причину сумніву письмово — це стане доказовою базою для регулятора чи аудитора.
- Перевірте дату останнього оновлення даних у системі скринінгу — розрив між оновленнями часто пояснює розбіжність.
- Підніміть історію змін структури власності контрагента за останні 12–24 місяці, а не лише поточний стан.
- Залучіть відкриті джерела для перевірки репутаційних і новинних сигналів, яких немає в офіційних списках.
- Задокументуйте фінальне рішення з обґрунтуванням — незалежно від того, продовжуєте співпрацю чи ні.
Цей процес не скасовує автоматику, він додає до неї точку людської відповідальності — саме ту, якої вимагає будь-яка перевірка, коли питають «чому саме так»: /blog/poyasnyuvanist-modeli-chomu-regulyator-pytaie-chomu-same-tak.
Таблиця: типи помилок AI-скринінгу контрагентів і що з ними робити
| Тип помилки | Де виникає | Чому автоматика її пропускає | Що компенсує |
|---|---|---|---|
| Хибнонегативний результат | Санкційні та PEP-списки | Дані в реєстрі ще не оновлені або оновлені заднім числом | Ручна перевірка історії змін, повторний скринінг через інтервал |
| Прихована зміна власності | Структура бенефіціарів | Номінальні власники, трасти, формальна відповідність реєстру | Поглиблений due diligence для контрактів з високим ризиком |
| Пропуск операційного ризику | Трудові та екологічні порушення | Скринінг шукає збіги зі списками, а не ознаки злочину в діяльності | Окремий блок перевірки умов праці й ланцюга постачання |
| Надлишок хибних спрацювань | Fuzzy matching імен | Широкий поріг пошуку ловить схожі, а не ідентичні збіги | Калібрування порогу під ризик-апетит компанії, а не технічну зручність |
| Застарілий ризик-скоринг | Модель ризику контрагента | Модель не перенавчена на нові патерни ризику | Періодичний перегляд критеріїв моделі разом з комплаєнсом |
Ця таблиця — не аргумент проти автоматизації. Вона показує, що кожен тип помилки має свою причину і свій спосіб компенсації — і жоден не закривається просто «кращим» програмним продуктом.
FAQ
Чи можна повністю довіряти результату AI-скринінгу контрагента?
Ні, результат скринінгу — це підтвердження відсутності прямого збігу зі списками на момент перевірки, а не гарантія доброчесності контрагента. Для рішень з високими ставками потрібна додаткова перевірка структури власності та репутаційних джерел поза автоматичним скринінгом.
Чому дорогий інструмент скринінгу теж помиляється?
Бо якість результату залежить не лише від алгоритму, а й від повноти та актуальності вхідних даних, на яких він працює. Жодна ціна продукту не компенсує затримку оновлення реєстрів чи навмисно приховану зміну власності.
Як часто треба повторювати скринінг контрагента?
Частота залежить від рівня ризику конкретного контрагента та регуляторних вимог, що застосовуються до вашої галузі; для високоризикових контрагентів прийнятна практика — повторна перевірка з інтервалом у кілька місяців, а не одноразово при укладенні договору. Конкретний інтервал варто визначати окремо для кожної категорії контрагентів, виходячи з їхнього профілю ризику.
Чи означає хибне спрацювання, що з контрагентом точно не варто працювати?
Ні, хибне спрацювання — це сигнал для перевірки, а не автоматична підстава для відмови. Рішення про продовження чи припинення співпраці ухвалює людина на основі зібраних фактів, а не алгоритм на основі порогу схожості.
Чи можна автоматизувати перевірку умов праці в ланцюгу постачання так само, як санкційний скринінг?
Частково: автоматика може відстежувати публічні сигнали — судові справи, новини, реєстри порушень, — але безпосередня перевірка умов праці потребує виїзного аудиту або співпраці з профільними організаціями. Операція Європолу проти трудової експлуатації в жовтні 2026 року наочно показує, що такі порушення виявляють правоохоронні дії, а не алгоритми зіставлення даних.
Що робити, якщо регулятор питає, чому компанія покладалася лише на автоматичний скринінг?
Потрібно показати не сам факт використання інструменту, а логіку рішень навколо нього: як калібрувався поріг чутливості, хто і коли переглядав межові випадки, яка документація фіксує ручні рішення. Саме відсутність цієї логіки, а не відсутність інструменту, найчастіше стає проблемою під час перевірки.
AI-скринінг контрагентів лишається найефективнішим способом швидко відсіяти очевидні ризики, і відмовлятися від нього немає сенсу. Але кожна з описаних вище меж методу — передбачувана, а отже, її можна закласти в процес заздалегідь: окремим блоком перевірки, регулярним переглядом порогів, письмовою фіксацією ручних рішень. Питання не в тому, чи помилиться автоматика — вона помилиться завжди в тих самих точках, — а в тому, чи готова компанія ці точки знайти раніше за перевіряльника.
Матеріал підготовлено за допомогою штучного інтелекту та перевірено авторкою перед публікацією. Це загальне пояснення принципів, а не індивідуальна юридична чи фінансова консультація: конкретна ситуація потребує окремого розгляду.