ONLINE SEMINÁŘ
Praktický online seminář pro AML a compliance specialisty zaměřený na bezpečné využití generativní AI při každodenní práci.
Online
4 hodiny
30. 10. 2026
AML týmy začínají využívat generativní AI při práci s dokumenty, rešerších, analýze případů a přípravě interních výstupů. Seminář ukazuje, jak tyto nástroje používat prakticky a bezpečně, kde mohou práci zrychlit a kde musí zůstat rozhodování a kontrola na člověku.
4 900 Kč bez DPH / účastník
ŘÍZENÝ PRACOVNÍ POSTUP
AI může připravit podklady. Rozhodnutí zůstává na člověku.
AI připraví
Člověk ověří
Člověk rozhodne
Role
AML / KYC / KYB specialisté; Compliance officers; Transaction monitoring a EDD specialisté; MLRO a vedoucí AML týmů; Financial crime / anti-fraud specialisté.
Organizace
Banky a finanční instituce; fintech a platební společnosti; investiční fondy; kryptoměnové společnosti; realitní kanceláře a další AML povinné osoby.
Školení je určeno lidem, kteří AML povinnosti skutečně vykonávají nebo řídí. Není potřeba technická ani programátorská znalost AI.
AI už AML specialisté používají. Otázkou je, zda správně.
Rostoucí množství manuální práce — AML specialisté zpracovávají velké množství dokumentů, informací, alertů a interních výstupů.
Neřízené používání generativní AI — Zaměstnanci mohou používat ChatGPT, Copilot nebo jiné nástroje bez jasných pravidel.
Riziko chybných AI výstupů — Halucinace, falešné zdroje nebo příliš sebevědomé závěry mohou být v AML zásadní problém.
Citlivá klientská data — Nesprávně použitý AI nástroj může ohrozit osobní, důvěrné nebo interní informace.
Cílem je naučit AML tým používat ji jako řízený pracovní nástroj.
Co budete po školení umět
Vybírat vhodné AML úkoly pro AI;
Pracovat bezpečně s AML daty pomocí AI;
Zrychlit KYC, EDD a rešerše;
Analyzovat AML alerty a případy;
Zadávat auditovatelné prompty;
Kontrolovat výstupy AI a zachovat lidskou odpovědnost.
Kde může AI pomoci v každodenní AML práci
KYC/KYB dokumentace — Pomůže shrnout a porovnat podklady a připravit seznam chybějících informací.
Enhanced Due Diligence — Pomůže strukturovat zjištění, rizikové faktory a otevřené otázky.
Source of Funds / Source of Wealth — Pomůže poskládat časovou osu a propojit tvrzení s podpůrnými dokumenty.
Adverse media rešerše — Pomůže formulovat dotazy, třídit nálezy a připravit podklady k ověření.
Analýza AML případů — Pomůže uspořádat fakta, rozpory a alternativní vysvětlení.
Transaction-monitoring alerty — Pomůže připravit shrnutí alertu a otázky pro další prověření.
Otázky klientovi — Pomůže formulovat konkrétní, srozumitelné a cílené doplňující otázky.
Case summaries a eskalace — Pomůže připravit konzistentní shrnutí a eskalační podklady.
Interní AML dokumentace — Pomůže strukturovat metodiky, pracovní postupy a interní komunikaci.
Předpisy a metodiky — Pomůže porovnat požadavky a dohledat témata, která musí ověřit specialista.
Quality assurance — Může fungovat jako druhá kontrolní vrstva a upozornit na mezery či nekonzistence.
01
Kde může AI reálně pomoci v AML práci
Rozdíl mezi generativní AI, tradiční automatizací a analytickými AML modely
Činnosti vhodné pro AI podporu
Činnosti, které musí zůstat na člověku
AI jako pracovní asistent, nikoli rozhodovací orgán
02
Bezpečné používání AI v regulované společnosti
Veřejné versus firemní AI nástroje
Klientská, osobní, důvěrná a interní data
Anonymizace a minimalizace dat
Co se do AI nástroje nikdy nevkládá
Kontrola ukládání, historie a využívání vstupních dat
Interní povolení a odpovědnost uživatele
03
Jak zadávat AI úkoly v AML kontextu
Struktura kvalitního AML promptu
Definování role, úkolu, kontextu a hranic
Práce se zdrojovými dokumenty
Požadování strukturovaného výstupu
Jak zabránit domýšlení informací
Jak od AI vyžadovat uvedení nejistot a chybějících dat
04
Práce s KYC a KYB dokumentací
Extrakce informací z klientských dokumentů
Shrnutí obchodního modelu klienta
Porovnání informací z více dokumentů
Identifikace nekonzistencí a chybějících údajů
Tvorba seznamu doplňujících otázek pro klienta
Strukturování vlastnické a řídicí struktury
05
Customer Risk Assessment a Enhanced Due Diligence
Příprava podkladů pro rizikové hodnocení
Identifikace potenciálních rizikových faktorů
Analýza produktu, geografie, klienta a distribučního kanálu
Příprava EDD checklistu
Zdroj majetku a zdroj prostředků
Rozdělení mezi AI podporu a konečné odborné hodnocení
06
Adverse media a open-source rešerše
Příprava rešeršní strategie
Generování vyhledávacích dotazů a variant jmen
Rozlišení osoby od jmenovce
Shrnutí a kategorizace nalezených informací
Hodnocení kvality a důvěryhodnosti zdrojů
Evidence zdrojů a zabránění falešným citacím
07
Analýza transaction-monitoring alertů a AML případů
Uspořádání transakcí do časové osy
Shrnutí komplexního případu
Identifikace vzorců a otevřených otázek
Porovnání případu s relevantními typologiemi
Příprava návrhu analytického zdůvodnění
Oddělení faktů, hypotéz a odborného závěru
08
Příprava interních AML výstupů
Case summary
Eskalační memorandum
Zdůvodnění uzavření nebo dalšího šetření alertu
Podklady pro rozhodnutí MLRO
Návrh podkladů pro oznámení podezřelého obchodu
Převod odborného obsahu do jasného a auditovatelného textu
09
Práce s AML předpisy, metodikami a interními politikami
Shrnutí regulatorního dokumentu
Porovnání nové regulace s interním předpisem
Identifikace potenciálních mezer a rozporů
Příprava návrhu změn interní politiky
Tvorba pracovních instrukcí a checklistů
Příprava vzdělávacích materiálů pro zaměstnance
10
Kontrola přesnosti AI výstupů
Halucinace a falešné zdroje
Neodůvodněné závěry
Automation bias
Kontrola proti původním dokumentům
Druhý kontrolní prompt
Evidence provedené lidské kontroly
Kritéria, kdy výstup nelze použít
11
Human-in-the-loop a auditovatelnost
Kdo připravuje, kontroluje a schvaluje výstup
Zachování odborné odpovědnosti
Dokumentace vstupů, promptů a změn
Reprodukovatelnost výsledku
Eskalace chybných nebo rizikových výstupů
Minimální audit trail
12
Zavedení AI do práce AML týmu
Výběr prvních nízkorizikových use cases
Hodnocení přínosu a rizika
Interní knihovna schválených promptů
Pravidla používání povolených nástrojů
Role MLRO, compliance, IT, security a privacy
Měření úspory času a kvality
Postup od individuálního experimentování k řízenému používání
13
Praktický závěrečný AML případ
KYC/KYB dokumenty
Adverse-media informace
Transakční přehled
Identifikace chybějících informací
Příprava analýzy a eskalačních podkladů
Kontrola a oprava AI výstupu
Finální rozhodnutí provedené člověkem
Ochrana klientských a osobních dat; veřejné vs. firemní AI prostředí; minimalizace dat; ověřování zdrojů; kontrola halucinací; human-in-the-loop; zachování odpovědnosti AML specialisty.
AI připraví → člověk ověří → člověk rozhodne
Mgr. Oleg Zajac
Founder & CEO, AMLytix
Více než 16 let se věnuje AML/KYC, compliance, sankcím a financial crime. Má zkušenosti z bankovnictví, fintech a platebního sektoru i kryptoměn a prakticky zná AML procesy v regulovaných společnostech. Dnes se specializuje na bezpečné využití a implementaci AI v AML/compliance.
16+ let AML/compliance praxe · Bankovnictví, fintech/payments a crypto · AI pro regulované AML procesy
Praktické informace
Datum: 30. 10. 2026
Čas: 9:00–13:00
Délka: 4 hodiny
Forma: Online
Jazyk: Čeština
Chcete přihlásit více členů týmu?
Firmy mohou na jeden termín registrovat více zaměstnanců. Pro větší počet účastníků nás kontaktujte ohledně skupinové registrace.
Praktické využití AI pro AML povinnosti
4 900 Kč bez DPH / účastník
Registraci může provést účastník nebo jeho zaměstnavatel.
Je možné školení objednat také interně pro celý tým? Ano. Interní termín lze domluvit individuálně; hlavním cílem této stránky ale zůstává registrace na otevřený termín.