Sâu sắc: AI Đại lý trong Chống Tội phạm Tài chính

Hệ thống tài chính toàn cầu đang đối mặt với cuộc khủng hoảng cấu trúc. Năm 2025, hoạt động tài chính bất hợp pháp đã tăng lên ước tính 4,4 nghìn tỷ USD, mức tăng 1,3 nghìn tỷ USD chỉ trong hai năm. Tốc độ tăng trưởng hợp chất trung bình hàng năm 19,2% này cho thấy tội phạm tài chính không chỉ gia tăng mà còn đang trở thành một ngành công nghiệp. Sự tăng đột biến này cho thấy các mô hình tuân thủ truyền thống đang thất bại. Các hệ thống dựa trên quy tắc truyền thống và kiểm tra thủ công không thể theo kịp AI đối thủ.

Ngành công nghiệp hiện đang hoạt động trong trạng thái kém hiệu quả với chi phí cao. Các ngân hàng thường dành 10% đến 15% tổng nhân sự cho các hoạt động Hiểu rõ khách hàng (KYC) và Chống rửa tiền (AML), nhưng chỉ phát hiện khoảng 2% dòng chảy tội phạm tài chính toàn cầu. Khoảng cách giữa chi tiêu vận hành và hiệu quả này chính là “bẫy tuân thủ”. Tôi tin rằng AI có khả năng hành động độc lập là chiến lược thoát hiểm duy nhất cho bẫy này.

AI có khả năng hành động độc lập thể hiện sự chuyển đổi từ công nghệ “hỗ trợ” sang “tự động” thực thi. Trong khi AI tạo sinh (GenAI) tổng hợp dữ liệu và AI phân tích nhận dạng mẫu, AI có khả năng hành động độc lập có thể lập kế hoạch, thực thi và thích nghi các chuỗi hành động để đạt được mục tiêu cụ thể. Đó là sự khác biệt giữa một chatbot viết tóm tắt và một công nhân kỹ thuật số điều tra vụ việc.

Sự lỗi thời của các khung không mã hóa và dựa trên quy tắc

Trong một thập kỷ, “không mã hóa” là tiêu chuẩn cho hoạt động rủi ro. Nó cho phép nhóm tuân thủ xây dựng các quy tắc mà không cần hỗ trợ kỹ thuật. Tuy nhiên, khi khối lượng tội phạm gia tăng, nhà phân tích trở thành nút thắt cổ chai. Trong AML truyền thống, lên tới 95% cảnh báo là âm tính giả. Việc xây dựng một Báo cáo Hoạt động Nghi ngờ (SAR) có thể mất bốn ngày hoặc hơn.

Công cụ không mã hóa không còn đủ nữa. Yêu cầu hiện nay là Hạ tầng Rủi ro AI. Hạ tầng này thực thi toàn bộ vòng đời tội phạm tài chính: phát hiện rủi ro trong thời gian thực, điều tra các cảnh báo từ đầu đến cuối, và tạo ra các hồ sơ phù hợp với quy định. Việc ra mắt lại của Unit21 vào năm 2026 báo hiệu sự chuyển đổi này. Nền tảng của họ đã chuyển từ một bộ quy tắc không mã hóa sang hệ thống hành động độc lập, nơi các AI agent điều chỉnh logic phát hiện và tiến hành điều tra mà không cần nhà phân tích điều khiển từng bước.

Định nghĩa AI hành động độc lập trong hoạt động rủi ro

AI hành động độc lập đề cập đến các hệ thống hoạt động với mức độ tự chủ nhất định nhằm đạt được các mục tiêu đã định. Trong việc chống tội phạm tài chính, điều này có nghĩa là AI có thể quyết định nguồn dữ liệu nào để truy vấn, cách diễn giải thông tin không nhất quán, và khi nào cần nâng cao vụ việc.

So sánh các thế hệ AI trong tuân thủ

Tiềm năng năng suất của AI hành động độc lập gấp 20 lần so với các nhà thực hành thủ công. Tôi phân loại các agent này thành các nhóm phản ánh vai trò của con người trong chuỗi giá trị. Các agent Tăng cường Trích xuất (RAG) xử lý dữ liệu từ báo cáo lợi nhuận và mất lãi, tài liệu sở hữu có lợi. Các agent xử lý dữ liệu điều phối các quy trình ETL và thực hiện phân giải thực thể trên các tập dữ liệu phân mảnh. Các agent nghiên cứu theo dõi xu hướng thị trường và mẫu đối tác, trong khi các agent xác thực xem các kết quả của agent có chất lượng hay không.

Quy trình điều tra AI

Khi một cảnh báo vào hàng đợi, AI Điều tra viên theo dõi một quy trình có cấu trúc thay vì bắt đầu từ trang trắng.

2. Thu thập tín hiệu: Agent lấy lịch sử giao dịch, hồ sơ thực thể, điểm rủi ro, và kết quả đối chiếu danh sách theo dõi. Nó điều hướng qua các màn hình khác nhau để tổng hợp bối cảnh mà một nhà phân tích cấp cao cần.

3. Điều phối quy trình: Agent theo các bước mô-đun được cấu hình theo quy trình vận hành tiêu chuẩn (SOP) của tổ chức. Điều này bao gồm kiểm tra lịch sử cảnh báo trước đó, thực hiện tìm kiếm OSINT, và đối chiếu danh sách trừng phạt.

4. Tổng hợp kết quả: Agent tạo ra một gói dữ liệu có cấu trúc gồm mô tả bằng văn bản, nhật ký bằng chứng, và đề xuất xử lý. Lý luận rõ ràng và có thể truy xuất nguồn gốc.

Mô hình “con người trong vòng lặp” vẫn là mặc định cho các quyết định cuối cùng. Các nhà phân tích phê duyệt, chỉnh sửa hoặc bỏ qua gói của agent, đảm bảo trách nhiệm của con người.

Kỹ thuật xây dựng ngữ cảnh so với kỹ thuật tạo prompt

Thách thức lớn nhất trong kỹ thuật AI hành động độc lập không phải là viết prompt tốt hơn; mà là xây dựng ngữ cảnh. Để tạo ra một câu chuyện điều tra có thể kiểm chứng, mô hình phải nhận đúng chính xác bằng chứng phù hợp mà không quá tải cửa sổ ngữ cảnh của nó. Các mô hình ngôn ngữ lớn (LLMs) dựa trên kiến trúc transformer, trong đó mỗi token đều chú ý đến tất cả các token khác, dẫn đến mối quan hệ n2. Điều này gây ra tình trạng thiếu chú ý khi độ dài ngữ cảnh tăng lên.

Kỹ thuật xây dựng ngữ cảnh hiệu quả là nghệ thuật chọn lọc các token có tín hiệu cao để tối đa hóa khả năng đạt được kết quả mong muốn. Ví dụ, Unit21 tận dụng bộ dữ liệu phong phú từ 7 năm đánh giá của con người để xác định ngữ cảnh tối ưu cần thiết để hoàn thành các nhiệm vụ nhất định. Các nhiệm vụ này sau đó được đánh giá dựa trên các cuộc điều tra của con người trong quá khứ, do các nhà phân tích có hiệu suất cao thực hiện, nhằm đảm bảo độ chính xác, nhất quán và hiệu quả.

Việc đánh giá được thực hiện bằng các kiến trúc “LLM như một thẩm phán”. Một mô hình thứ cấp, có khả năng cao hơn, đánh giá chất lượng đầu ra của agent chính, tạo ra một lớp kiểm tra tự động phát hiện các điểm bất nhất trước khi chúng đến lượt nhà đánh giá con người. Điều này được bổ sung bằng xác thực trích dẫn, trong đó hệ thống xác minh rằng các tuyên bố của agent dựa trên dữ liệu truy xuất được chứ không phải suy luận của mô hình.

Quy trình điều tra AI

Khi một cảnh báo vào hàng đợi, AI Điều tra viên theo dõi một quy trình có cấu trúc thay vì bắt đầu từ trang trắng.

2. Thu thập tín hiệu: Agent lấy lịch sử giao dịch, hồ sơ thực thể, điểm rủi ro, và kết quả đối chiếu danh sách theo dõi. Nó điều hướng qua các màn hình khác nhau để tổng hợp bối cảnh mà một nhà phân tích cấp cao cần.

3. Điều phối quy trình: Agent theo các bước mô-đun được cấu hình theo quy trình vận hành tiêu chuẩn (SOP) của tổ chức. Điều này bao gồm kiểm tra lịch sử cảnh báo trước đó, thực hiện tìm kiếm OSINT, và đối chiếu danh sách trừng phạt.

4. Tổng hợp kết quả: Agent tạo ra một gói dữ liệu có cấu trúc gồm mô tả bằng văn bản, nhật ký bằng chứng, và đề xuất xử lý. Lý luận rõ ràng và có thể truy xuất nguồn gốc.

Mô hình “con người trong vòng lặp” vẫn là mặc định cho các quyết định cuối cùng. Các nhà phân tích phê duyệt, chỉnh sửa hoặc bỏ qua gói của agent, đảm bảo trách nhiệm của con người.

Ba chế độ thất bại của các agent AI

Phần lớn các triển khai AI ban đầu thất bại do thiếu các giới hạn an toàn chứ không phải do mô hình yếu.

Sardine

2. Nhà điều tra ảo tưởng: Xảy ra khi nhóm cung cấp quá nhiều ngữ cảnh và prompt mở rộng. Trong môi trường đối đầu, mô hình điền dữ liệu thiếu bằng các câu chuyện hợp lý nhưng sai lệch. Giải pháp là sử dụng “agent nguyên tử” với giới hạn quyết định hẹp.

3. Agent quá đáng ngờ: Huấn luyện dựa trên mẫu mà không có nền tảng ngữ cảnh dẫn đến việc quá mức nâng cao vụ việc. Ví dụ, cảnh báo các khoản thanh toán giá trị cao giữa các tài khoản nội bộ liên quan là “xếp lớp”. Các câu hỏi nền tảng phải được chèn vào logic của agent để ngăn chặn kết luận gian lận mặc định.

4. Agent hộp đen: Đưa ra kết luận không thể biện hộ trước các cơ quan quản lý. Kết quả chính xác mà không có chuỗi bằng chứng là một rủi ro. Các agent phải truy xuất dữ liệu một cách xác định và tập trung vào tài liệu có cấu trúc.

Phòng thủ dự đoán và công nhân kỹ thuật số

Khi tiến tới năm 2026, sự khác biệt giữa stablecoin tư nhân và tiền kỹ thuật số công cộng đang trở thành một yếu tố chiến lược quan trọng. Sự kết hợp giữa hoạt động gian lận và AML không chỉ là hội tụ vận hành; đó còn là sự tích hợp sâu hơn của hệ thống công nghệ.

Các hệ thống AI hành động độc lập đang chuyển từ giai đoạn thử nghiệm sang trung tâm của phòng thủ AML. Chúng ta đang chứng kiến sự chuyển đổi từ nhận dạng mẫu đơn giản sang các hệ thống dự đoán có khả năng dự báo hoạt động tội phạm trước khi giao dịch bị đánh dấu. Tôi nói thẳng: các hệ thống dựa trên quy tắc truyền thống không thể theo kịp tốc độ của các khoản thanh toán tức thì.

Con đường tạo ra tác động là dựa trên tốc độ áp dụng và mô hình vận hành phù hợp. Các tổ chức hàng đầu bắt đầu với các phạm vi thử nghiệm để chứng minh tác động trước khi chuẩn bị triển khai quy mô lớn. AI hành động độc lập là công cụ đổi mới lớn tiếp theo cho KYC/AML, cung cấp khả năng tuân thủ mạnh mẽ hơn và trải nghiệm khách hàng mượt mà hơn.

Tôi xem việc áp dụng AI hành động độc lập như một điều kiện cần thiết để tồn tại trong bối cảnh tài chính hiện đại. 4,4 nghìn tỷ USD hoạt động bất hợp pháp là lời nhắc nhở rằng chi phí của việc không hành động là quá cao. Chúng ta phải chuyển từ lực lượng lao động thực thi thủ công sang một lực lượng giám sát AI, quản lý một nhà máy kỹ thuật số gồm các agent phát hiện và điều tra với tốc độ máy móc.