銀行 KYC／AML 反洗錢自動化:用 AI Agent 把開戶審查與可疑交易通報從人工變產線

一家區域性銀行的法遵科長跟我說,她的團隊每個月要清掉一萬兩千筆交易監控警示,其中真正需要上報的不到八十筆。剩下的九成九,是系統誤報。分析師的日子就長這樣:早上開機,把一整排紅燈一個一個點開、看流水、寫註記、關掉。到下班,清了大概六成,積壓的往後推。

這不是人不夠努力。是規則引擎在替他們製造工作。

KYC／AML AI 自動化,到底自動化了什麼

先把定義講清楚。KYC／AML AI 自動化,指的是用 AI Agent 承接開戶審查(KYC)與可疑交易通報(AML／STR)裡「可重複、有判斷、但判斷模式穩定」的環節,讓工程師把它從人工作業改造成一條可稽核的產線——不是把法遵人員換掉,是把他們從紅燈海裡撈出來,只處理真正需要人判斷的案子。

它不自動化的部分同樣重要:最終上報 STR 的決定、對監理單位的答辯、風險胃納的設定。那是人的責任,也該留給人。

拆解一:開戶審查這條線

一筆開戶進來,傳統流程是這樣:客戶上傳身分證、公司登記、受益所有權文件;人工核對欄位、比對 OCR、跑名單掃描(制裁名單、PEP、負面新聞);有疑點就退件補件。

我們把它拆成三段 Agent 接力。第一段做文件擷取與一致性檢查——地址、姓名、統編在不同文件間對不對得上,護照效期過了沒。第二段做名單比對,把「王大明」這種菜市場名造成的模糊命中,用生日、地址、關聯實體做消歧,而不是丟一堆同名疑似給人看。第三段生成一份結構化的審查摘要,附上每個判斷的依據與原文出處。法遵人員讀摘要、看證據、按核准或退件。

拆解二:可疑交易通報這條線

交易監控更棘手,因為誤報的成本是複利的。規則設太鬆,警示爆量,人清不完;設太緊,漏掉真的洗錢,監理罰單跟著來。

我們的做法不是換掉規則引擎,是在它後面加一層 Agent 分流。Agent 讀進警示,把客戶過往行為、關聯帳戶、交易情境拉齊,先判斷這筆警示「像不像」既往被結案為無疑慮的模式。高度相似的,自動草擬結案理由,交人複核;情境異常的,升級並補齊調查所需的資料包,讓分析師一開案就有完整脈絡,不用自己東拼西湊。

關鍵在可稽核。每一個 Agent 的判斷都留痕、可回放、可被監理檢視。Demo 很美不算數,能通過內稽和金檢才算數。

Before／After:誤報率與工時,實際壓了多少

上線之後,誰在扛

這些數字不是第一天就有的。前兩個月我們幾乎都在跟法遵團隊對齊「什麼叫可疑」,把他們腦袋裡的隱性規則寫成 Agent 看得懂的判準;上線後又花了一整季在調閾值、補邊界案例。有一次 Agent 把一筆跨境代收學費誤判成分層交易,是分析師抓出來、我們再回頭補規則的。

誤報壓縮到兩成,靠的不是模型多聰明,是有工程師蹲在現場,跟著真人一起結案、一起被打槍、一起改。在 Tenten,我們把這種活叫前線部署:工程師進場,陪法遵把系統扛到真的有人在用、真的敢拿去給金檢看的那一天。