Глубокий анализ: агентный ИИ в противодействии финансовым преступлениям

Глобальная финансовая система сталкивается с структурным кризисом. В 2025 году объем незаконной финансовой деятельности вырос до примерно 4,4 триллионов долларов — на 1,3 триллиона долларов за всего два года. Этот показатель с совокупным годовым ростом в 19,2% свидетельствует о том, что финансовая преступность не просто увеличивается; она становится индустриализированной. Такой рост означает, что устаревшие модели соблюдения требований терпят неудачу. Традиционные системы на основе правил и ручной человеческий контроль математически неспособны конкурировать с противоборствующим ИИ.

Отрасль в настоящее время работает в состоянии высокой стоимости и низкой эффективности. Банки обычно выделяют 10–15% своей общей численности сотрудников на деятельность по Know Your Customer (KYC) и Anti-Money Laundering (AML), однако обнаруживают лишь около 2% глобальных финансовых преступлений. Эта разница между операционными затратами и эффективностью — «ловушка соблюдения требований». Я считаю, что агентный ИИ — единственный надежный выход из этой ловушки.

Агентный ИИ представляет собой переход от «помогающих» технологий к «автономному» выполнению задач. В то время как генеративный ИИ (GenAI) обобщает данные, а аналитический ИИ выявляет закономерности, агентный ИИ способен планировать, выполнять и адаптировать последовательности действий для достижения конкретной цели. Это разница между чатботом, который пишет краткое содержание, и цифровым работником, который расследует дело.

Устаревание безкодов и систем на основе правил

Десятилетие назад «безкод» был эталоном для риск-операций. Он позволял командам по соблюдению требований создавать правила без поддержки инженеров. Однако по мере роста объемов преступлений аналитики становились узким местом. В традиционном AML до 95% предупреждений — ложные срабатывания. Создание одного отчета о подозрительной деятельности (SAR) может занимать четыре и более дней.

Инструменты безкода уже недостаточны. Требуется инфраструктура ИИ для управления рисками. Эта инфраструктура осуществляет полный цикл борьбы с финансовыми преступлениями: обнаружение риска в реальном времени, расследование предупреждений от начала до конца и подготовка документов для регуляторов. Перезапуск платформы Unit21 в 2026 году сигнализирует об этом переходе. Их платформа перешла от системы правил без кода к агентной системе, где ИИ-агенты настраивают логику обнаружения и проводят расследования без участия человека на каждом этапе.

Определение агентного ИИ в риск-операциях

Агентный ИИ — это системы, действующие с определенной степенью автономии для достижения поставленных целей. В борьбе с финансовыми преступлениями это означает, что ИИ может решать, какие источники данных запрашивать, как интерпретировать противоречивую информацию и когда передавать дело дальше.

Сравнение поколений ИИ в соблюдении требований

Потенциал продуктивности агентного ИИ в 20 раз превышает возможности ручных специалистов. Я делю эти агенты на команды, отражающие роли человека по всей цепочке создания стоимости. Агенты, использующие дополнение данных (RAG), обрабатывают извлечение информации из отчетов о прибылях и убытках и документов о бенефициарных владельцах. Агенты обработки данных управляют процессами ETL и выполняют разрешение сущностей по разрозненным наборам данных. Агенты исследований отслеживают рыночные тренды и схемы контрагентов, а агенты проверки оценивают результаты работы других агентов, чтобы обеспечить качество.

Рабочий процесс расследования ИИ

Когда предупреждение попадает в очередь, агент расследования ИИ следует структурированному рабочему процессу, а не начинает с нуля.

2. Сбор сигналов: агент извлекает историю транзакций, профиль субъекта, оценки риска и совпадения с списками наблюдения. Он перемещается по разным интерфейсам, чтобы собрать контекст, необходимый старшему аналитику.

3. Оркестровка рабочего процесса: агент выполняет модульные шаги, настроенные в соответствии со стандартными операционными процедурами (SOP) учреждения. Включает проверку истории предупреждений, запуск поисков OSINT и сверку санкционных списков.

4. Сбор выводов: агент формирует структурированный пакет, содержащий письменное описание, журналы доказательств и рекомендуемое решение. Логика объяснима и прослеживаема.

Модель «человек в цикле» остается стандартной для окончательных решений. Аналитики утверждают, изменяют или отменяют пакет агента, обеспечивая человеческую ответственность.

Инженерия контекста против инженерии подсказок

Самая сложная инженерная задача в агентном ИИ — не написание лучших подсказок, а создание правильного контекста. Чтобы получить проверяемое расследование, модель должна получать точные доказательства без перегрузки окна контекста. Большие языковые модели (LLMs) основаны на трансформерной архитектуре, где каждый токен взаимодействует со всеми остальными, что создает отношения порядка n^2. Это приводит к дефициту внимания при увеличении длины контекста.

Эффективная инженерия контекста — это наука о подборе высокосигнальных токенов для максимизации вероятности достижения желаемого результата. Например, Unit21 использует их богатую базу данных за 7 лет человеческих проверок, чтобы определить оптимальный контекст для выполнения конкретных задач. Эти задачи затем сравниваются с историческими расследованиями, выполненными высокоэффективными аналитиками, для обеспечения правильности, согласованности и эффективности.

Оценка осуществляется с помощью архитектур «LLM как судьи». Вторая, более мощная модель оценивает качество результата основного агента, создавая слой самопроверки, который выявляет несоответствия до того, как они попадут к человеку-ревьюеру. Это дополняется проверкой цитат, когда система подтверждает, что утверждения агента основаны на полученных данных, а не на выводах модели.

Рабочий процесс расследования ИИ

Когда предупреждение попадает в очередь, агент расследования ИИ следует структурированному рабочему процессу, а не начинает с нуля.

2. Сбор сигналов: агент извлекает историю транзакций, профиль субъекта, оценки риска и совпадения с списками наблюдения. Он перемещается по разным интерфейсам, чтобы собрать контекст, необходимый старшему аналитику.

3. Оркестровка рабочего процесса: агент выполняет модульные шаги, настроенные в соответствии со стандартными операционными процедурами (SOP) учреждения. Включает проверку истории предупреждений, запуск поисков OSINT и сверку санкционных списков.

4. Сбор выводов: агент формирует структурированный пакет, содержащий письменное описание, журналы доказательств и рекомендуемое решение. Логика объяснима и прослеживаема.

Модель «человек в цикле» остается стандартной для окончательных решений. Аналитики утверждают, изменяют или отменяют пакет агента, обеспечивая человеческую ответственность.

Три режима сбоя агентов ИИ

Большинство ранних внедрений агентов ИИ терпят неудачу из-за плохих ограничителей, а не из-за слабых моделей.

Sardine

2. Галлюцинирующий исследователь: происходит, когда команды предоставляют слишком много контекста и открытые подсказки. В противоборствующих средах модель заполняет пробелы в данных правдоподобными, но неправильными нарративами. Решение — использовать «атомарных агентов» с узкими границами решений.

3. Излишне подозрительный агент: обучение по шаблонам без учета контекста ведет к чрезмерной эскалации. Например, пометка высокоценностных платежей между связанными внутренними счетами как «слоение». Внедрение вопросов о grounding помогает предотвратить автоматические выводы о мошенничестве.

4. Черный ящик агента: получение выводов, которые невозможно защитить перед регуляторами. Точные результаты без цепочки доказательств — это риск. Агенты должны извлекать данные детерминированно и сосредоточиться на структурированной документации.

Превентивная защита и цифровые работники

По мере приближения 2026 года различие между частными стабильными монетами и публичными цифровыми деньгами становится важной стратегической задачей. Слияние операций по борьбе с мошенничеством и AML — это не просто операционная конвергенция; это более глубокая интеграция технологического стека.

Агентный ИИ переходит от пилотных проектов к ядру системы AML. Мы наблюдаем переход от простого распознавания шаблонов к предиктивным системам, которые предвосхищают преступную деятельность еще до того, как транзакция будет отмечена. Честно говоря, устаревшие системы на основе правил не могут поспевать за скоростью мгновенных платежей.

Путь к воздействию определяется скоростью внедрения и адаптированной операционной моделью. Ведущие учреждения начинают с пилотных периметров, чтобы доказать эффективность, прежде чем масштабировать. Агентный ИИ — следующий крупный инновационный рычаг для KYC/AML, обеспечивающий более строгие соблюдения требований и более гладкий клиентский опыт.

Я считаю, что внедрение агентного ИИ — необходимость для выживания в современном финансовом ландшафте. Объем незаконной деятельности в 4,4 триллиона долларов — напоминание о том, что цена бездействия слишком высока. Мы должны перейти от рабочей силы ручных исполнителей к системе ИИ-надзирателей, управляющих цифровой фабрикой агентов, которые обнаруживают и расследуют преступления с машинной скоростью.