想像一下，每個月有超過十二億筆交易流過你的系統，其中有十億筆必須接受監控，判斷背後是否藏著洗錢或恐怖融資的痕跡。過去這是一場不可能完成的任務。匯豐銀行在二零一二年曾因監控不力支付了十九點二億美元的天價罰款，這筆巨款成了推動他們徹底轉型的動力。
這場轉型並非一蹴而就，而是經歷了三個技術世代的演進。
首先是機器學習，也就是第一代 AI。傳統銀行依賴規則型系統，例如設定帳戶大額轉帳就發出警示。但這種做法導致高達百分之九十五的警示都是誤報，分析師每天都在追查不存在的問題。匯豐與 Google 開發的系統改用機器學習，它像是一個能自行觀察規律的偵查員，從海量資料中尋找可疑模式，而不只是死板地執行指令。這讓可疑活動的偵測量提升了二到四倍，同時減少了百分之六十的誤警報。
到了二零二五年，轉型進入第二波，也就是生成式 AI。生成式 AI 是以大型語言模型為基礎，可以根據人類的提問生成分析建議或程式碼。匯豐目前已有百分之八十五的員工可以使用這類工具，連工程師開發程式的效率都提升了百分之十五。
最關鍵的跨越發生在二零二六年，匯豐開始引進代理式 AI。什麼是代理式 AI 呢？如果說之前的 AI 像是一個需要人類點一下才動一下的助手，代理式 AI 則像是一個有目標感的特警。它能自己設定步驟，並在最少人工介入下自主執行任務。這項技術預計能將偵測風險後的介入速度提升一倍。
但這種自主性也帶來了潛在代價。如果生成式 AI 犯錯，頂多是文件內容有誤；但如果代理式 AI 判斷錯誤，它可能會執行錯誤的交易或把錢匯錯對象。因此，匯豐的策略是先取得可量化的成果來建立信任，再逐步重新設計治理架構。
根據 台灣 CIO 雜誌 報導，全球金融業的 AI 導入率已達百分之八十四，遠高於製造業。雖然台灣目前整體金融業導入 AI 的比例僅有百分之三十三，反映出在監管框架與基礎建設上仍有發展空間，但這場 AI 競賽顯然已經從「預測」邁向了「自主行動」的新階段。
[ 文章來源：【金融業】一套金融犯罪偵測系統的十年演進 ─ HSBC 反洗錢系統的 AI 路徑 ]
