AML (Anti-Money Laundering) compliance je v 2026 největší cost center většiny českých bank a fintech firem. Zákon č. 253/2008 Sb. o některých opatřeních proti legalizaci výnosů z trestné činnosti, evropská 6. AML směrnice, vznik nového AMLA (European Anti-Money Laundering Authority) v Frankfurtu a tlak ČNB i FAÚ (Finanční analytický úřad) tlačí náklady na compliance vzhůru. Střední česká banka platí 80–250 mil. Kč ročně jen na AML.
Současně klasické rule-based AML systémy (Actimize, SAS, Oracle Financial Services) generují 92–98 % false positives. Compliance officer tráví 80 % času zkoumáním upozornění, která jsou bezvýznamná. AI agent tento poměr obrací — vyšší přesnost při dramaticky nižších nákladech.
1. Stav AML v české bance v 2026
Typická česká banka středně velké velikosti (5 mld. Kč aktiv) řeší AML následovně:
- Compliance tým: 12–28 lidí (KYC analytici, AML investigators, MLRO, compliance officer)
- Roční náklad personálu: 18–42 mil. Kč
- Software: Actimize/SAS/Oracle FCC, licence 25–60 mil. Kč/rok
- Externí poradci a audit: 8–15 mil. Kč/rok
- Reportování FAÚ: 800–2 400 SAR/STR (Suspicious Activity/Transaction Reports) ročně
- Sankce ČNB za nedostatky: v 2024 celkem 380 mil. Kč udělených českým bankám
Z toho 92–98 % alertů z monitoring systému je false positive. Tým plave v noise.
2. Kde klasické rule-based systémy selhávají
Problém 1: Statické pravidla v dynamickém světě
Pravidlo „transakce nad 200 000 Kč v cash → flag“ je triviální obejít. Praní špinavých peněz se adaptovalo — structuring, smurfing, mules, crypto on/off ramps. Pravidla nestíhají.
Problém 2: Vysoký false positive rate
92–98 % alertů je falešně pozitivních. Analytik tráví 90 % času hodnocením transakcí, které jsou OK. Burnout, frustrace, fluktuace.
Problém 3: Žádný kontext
Rule-based vidí transakci izolovaně. Nezohledňuje historii klienta, sezónnost, geografický kontext, časovou souvislost s ostatními aktivitami klienta.
Problém 4: Pomalá adaptace
Nový typ podezřelého chování → analytici si všimnou → návrh nového pravidla → schvalovací proces → IT implementace → testování → produkce. 6–12 měsíců. Zločinci za tu dobu vyvinou další 3 schémata.
3. Co AI v AML mění
Přínos 1: Sémantické porozumění transakcí
AI nezkoumá jen amount + currency. Rozumí narrative ("transfer for invoice 2024-1847"), souvislostem mezi účty, vzorům chování klienta v čase. Náš AML agent využívá LLM pro analýzu transaction memo + context.
Přínos 2: Network analysis
AI graf modeluje vztahy mezi účty, klienty a jejich beneficial owners. Detekuje skryté skupiny účtů kontrolovaných stejnou osobou (mule networks).
Přínos 3: Adaptive learning
Místo statických pravidel se model učí ze zpětné vazby compliance týmu. Co byl false positive, co true positive — modelování se zlepšuje denně.
Přínos 4: Behavioral baseline
Pro každého klienta AI postaví baseline normálního chování. Anomálie se detekují relativně k baseline, ne podle univerzálních prahů.
Přínos 5: Risk-based prioritization
Místo binárního "alert / no alert" AI dává score 0–100. Compliance tým řeší top 5 % nejvyššího skóre, ne všech 10 000 alertů týdně.
4. Konkrétní use case: KYC obohacení
Při onboardingu nového klienta AI agent během 90 sekund:
- Validuje identifikační dokumenty (vision model + checksum kontrola)
- Vyhledá v sankčních seznamech (EU, OFAC, UN, místní)
- Detekuje PEP (Politically Exposed Persons) a jejich rodinné příslušníky
- Zkontroluje adverse media (news scraping s AI klasifikací)
- Validuje beneficial ownership přes obchodní rejstříky
- Vyhodnotí KYC risk score (geografické riziko, industry, transakční vzor podobných klientů)
- Vyžaduje EDD (Enhanced Due Diligence) pro high-risk klienty
Dopad u středně velké banky
- Doba KYC onboardingu: z 3,8 dne na 4,5 hodiny
- Conversion rate na onboardingu: +28 % (nikdo nečeká týden na schválení)
- Personální úspora: 4 KYC analytici (4,8 mil. Kč/rok)
- Pokuty ČNB za KYC nedostatky: nulové (před AI 2,4 mil. Kč/rok)
5. Use case: Transaction monitoring
Před AI
Banka generuje 8 000 – 15 000 alertů týdně. 12 analytiků jich odbavuje 70 % do týdne. 30 % zůstává v queue.
Po AI
AI agent provádí pre-screening všech alertů, automaticky uzavírá zjevně false positive (cca 80 %), zbytek prioritizuje. Analytik dostává 350–600 alertů týdně, všechny vyřízeny do 2 dnů.
Dopad
- True positive rate (správně detekovaná suspicious activity): vzrostl ze 4 % na 23 %
- SAR/STR reportováno FAÚ: kvalita lepší, počet přibližně stejný
- Personální úspora: 6 z 12 analytiků (7,2 mil. Kč/rok)
- Compliance officer cycle time: zkrácen ze 14 dnů na 4 dny
6. Compliance s ČNB a FAÚ
České banky a fintechy musí splňovat:
