Report Generation Prompt

⬆ Prompt (editable)

Na podstawie raportu adverse media w załączniku, wygeneruj profesjonalne podsumowanie wykonawcze z PEŁNĄ MATRYCĄ RYZYKA.
Podmiot: CLOUD TECHNOLOGIES
Raport: # CLOUD TECHNOLOGIES SPÓŁKA AKCYJNA
## Podstawowe informacje o podmiocie
Dane: NIP: 9522106251, KRS: 0000405842, industry: 6310D – POZOSTAŁA DZIAŁALNOŚĆ USŁUGOWA W ZAKRESIE INFRASTRUKTURY OBLICZENIOWEJ, PRZETWARZANIA DANYCH, ZARZĄDZANIA STRONAMI INTERNETOWYMI (HOSTING) I DZIAŁALNOŚCI POWIĄZANE, country: PL, description: REJESTR PRZEDSIĘBIORCÓW [1]

## Sprawy karne i postępowania prokuratorskie
Nie znaleziono. [1]

## Korupcja, nadużycia finansowe i przestępstwa gospodarcze
Nie znaleziono. [1]

## Audyty, nieprawidłowości zarządcze i governance
Nie znaleziono. [1]

## Ryzyko reputacyjne oraz wpływ na media i opinię publiczną
Nie znaleziono. [1]

## Ekspozycja polityczna i wpływ państwa
Nie znaleziono. [1]

## Ryzyka transakcyjne, M&A, spółki zależne i działalność zagraniczna
Nie znaleziono. [1]

# Osoby powiązane z CLOUD TECHNOLOGIES
(Brak osób powiązanych z faktycznymi znaleziskami)

# Podmioty powiązane z CLOUD TECHNOLOGIES
(Brak podmiotów powiązanych z faktycznymi znaleziskami)

# Powiązane podmioty sprawdzone w ramach screeningu
### ONAUDIENCE LTD
Dane: country: PL, description: Podmiot zależny, role: Podmiot zależny [1]

### AUDIENCE NETWORK SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ
Dane: NIP: 9512384089, KRS: 0000524099, country: PL, description: Podmiot zależny, role: Podmiot zależny [1]

### ONLINE ADVERTISING NETWORK SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ
Dane: NIP: 9522167057, KRS: 0000691949, country: PL, description: Podmiot zależny, role: Podmiot zależny [1]

# Powiązane osoby sprawdzone w ramach screeningu
### ŁUKASZ KRASNOPOLSKI
Dane: role: CZŁONEK RADY NADZORCZEJ, PESEL: 81121511156, birthDate: 1981‑12‑15 [1]

### PIOTR SOLENIEC
Dane: role: CZŁONEK ZARZĄDU, PESEL: 83031603475, birthDate: 1983‑03‑16 [1]

### PIOTR PRAJSNAR
Dane: role: PREZES ZARZĄDU, PESEL: 85040100619, birthDate: 1985‑04‑01, secondName: JERZY [1]

### KAMIL BARGIEL
Dane: role: CZŁONEK RADY NADZORCZEJ, PESEL: 86101501118, birthDate: 1986‑10‑15, secondName: SEBASTIAN [1]

### SZYMON OKOŃ
Dane: role: CZŁONEK RADY NADZORCZEJ, PESEL: 87062905232, birthDate: 1987‑06‑29, secondName: PIOTR [1]

### NIKOLETTA KOZIOŁ
Dane: role: PROKURENT, PESEL: 94091006966, birthDate: 1994‑09‑10 [1]

### MARCIN BRENDOTA
Dane: role: CZŁONEK RADY NADZORCZEJ, PESEL: 74102405739, birthDate: 1974‑10‑24 [1]

### BARTOSZ GONCZAREK
Dane: role: CZŁONEK RADY NADZORCZEJ, PESEL: 78050101798, birthDate: 1978‑05‑01, secondName: ADAM [1]

# Podsumowanie wykonawcze
Brak wykrytych negatywnych informacji w żadnej z analizowanych kategorii. Mimo to zaleca się utrzymanie standardowych procedur due diligence oraz bieżące monitorowanie podmiotu w celu szybkiego wykrycia ewentualnych zmian w profilu ryzyka.
WAŻNE - MODEL OCENY 3-WYMIAROWY (AML/6AMLD)
Ryzyko AML != ryzyko reputacyjne != ryzyko operacyjne.
Adverse media ma sens TYLKO gdy istnieje ZWIĄZEK Z PREDICATE OFFENCE (ML/TF, fraud, corruption, sanctions, tax crimes).
WYMIARY OCENY:
1. CR (Crime Relevance) 0-4: Jak bardzo informacja wskazuje na przestępstwo AML-relevant
- 0: Brak związku (phishing, brand abuse, ofiara oszustwa) 
- 1: Pośredni (operacyjny/reputacyjny, UOKiK, greenwashing)
- 2: Regulacyjny/administracyjny (kary KNF, audyt) 
- 3: Bezpośredni predicate offence (fraud, pranie pieniędzy, korupcja) 
- 4: Potwierdzony wyrok/sankcja karna
2. AC (Agency & Control) 0-4: Czy podmiot kontrolował/organizował zdarzenie 
- 0: Ofiara/brand abuse 
- 1: Brak kontroli operacyjnej 
- 2: Zaniedbanie/słabe kontrole 
- 3: Świadoma tolerancja 
- 4: Bezpośrednie sprawstwo
3. RP (Recurrence & Pattern) 0-4: Systematyczny wzorzec czy szum 
- 0: Incydentalne 
- 1: Powtarzalne medialnie (szum) 
- 2: Powtarzalne operacyjnie 
- 3: Strukturalne 
- 4: Chroniczne/core business
FILTRY ANTY-FALSE-POSITIVE: 
- Jeśli podmiot jest ofiarą podszywania (phishing) -> CR=0 
- Postępowania UOKiK, KNF, ESG -> nie mogą same podbić do HIGH 
- Duże spółki = więcej mediów -> nie oznacza wyższego ryzyka.
Uwzględnij dodatkowe reguły:
CR: wartość > 2 tylko gdy konkretne działania spełniające znamiona przestępstw lub formalne postępowanie karne.
AC: wartość > 2 tylko gdy podmiot był bezpośrednim beneficjentem lub organizatorem schematu.
RP: wartość > 2 tylko gdy co najmniej 3 różne zdarzenia w czasie lub długotrwały schemat.

Wygeneruj w formacie JSON:
{
    "risk_level": "HIGH/MEDIUM/LOW/NONE",
    "aml_dimensions": {
        "crime_relevance": 0-4,
        "agency_control": 0-4,
        "recurrence_pattern": 0-4
    },
    "risk_matrix": {
        "overall": "HIGH/MEDIUM/LOW/NONE",
        "sanctions": "HIGH/MEDIUM/LOW/NONE",
        "criminal": "HIGH/MEDIUM/LOW/NONE",
        "regulatory": "HIGH/MEDIUM/LOW/NONE",
        "litigation": "HIGH/MEDIUM/LOW/NONE",
        "reputational": "HIGH/MEDIUM/LOW/NONE"
    },
    "risk_score": 2.5, 
    "executive_summary": "3-5 zdań profesjonalnego podsumowania po polsku",
    "key_issues": ["kluczowy punkt 1", "kluczowy punkt 2", "kluczowy punkt 3"],
    "risk_assessment": "Szczegółowa ocena ryzyka w 3-4 zdaniach"
}

PROGI RYZYKA (AML_Score = CR*0.8 + AC*0.35 + RP*0.15):
- NONE: score < 1.0
- LOW: score 1.0-1.7
- MEDIUM: score 1.8-2.5
- HIGH: score >= 2.6

Zwróć tylko JSON bez dodatkowego tekstu.

⬇ Response (Report text)

Plain Text

Markdown

JSON

🔍 Multilevel Screening Review

📝 Report Generation Prompt