ทุกที่ทุกเวลาคือการปฏิบัติตามกฎระเบียบ: โอกาสทางธุรกิจที่ใหญ่ที่สุดของ AI กลับเป็นสิ่งที่น่าเบื่อที่สุด

ในช่วง 20 ปีที่ผ่านมา อาชีพที่เติบโตเร็วที่สุดในสหรัฐฯ คือช่างทำเล็บมือและเล็บเท้า

แต่อาชีพที่เติบโตตามมาติดๆ คืออะไร? เจ้าหน้าที่กำกับดูแลการปฏิบัติตามข้อกำหนด (Compliance Officers)

ธุรกิจด้านการปฏิบัติตามข้อกำหนด (Compliance) มีขนาดใหญ่กว่าที่คุณคิด เงินทุกดอลลาร์ที่ออกจากหรือเข้าสู่ธุรกิจ ไม่ว่าจะเป็นการจ่ายเงินพนักงาน (กฎหมายค่าจ้างและเงินเดือน) การรายงานรายได้ (การยื่นภาษี) การเคลื่อนย้ายเงินทุน (การชำระเงิน กฎหมาย AML/KYC) ล้วนอยู่ภายใต้ข้อกำหนดการปฏิบัติตาม ในอุตสาหกรรมที่มีการควบคุม แม้แต่วิธีการและความถี่ที่บริษัทสื่อสารกับลูกค้าก็เป็นกิจกรรมที่ต้องปฏิบัติตามข้อกำหนด!

ปัจจุบัน มีเจ้าหน้าที่ปฏิบัติตามข้อกำหนดมากกว่า 400,000 คน ทำงานอยู่ทั่วสหรัฐอเมริกา คิดเป็นค่าใช้จ่ายด้านแรงงานกว่า 40,000 ล้านดอลลาร์ต่อปี (และยังมีอีกหลายพันล้านดอลลาร์ในงานที่ปรึกษาและงานเอาท์ซอร์สที่เกี่ยวข้องกับการปฏิบัติตามข้อกำหนด) ในภาคการธนาคารเพียงอย่างเดียว มีการเพิ่มข้อกำหนดด้านกฎระเบียบลงใน Title 12 ของประมวลกฎหมายแห่งรัฐบาลกลาง (CFR): ว่าด้วยธนาคารและการธนาคาร ตั้งแต่ปี 2010 ถึง 2014 มากกว่าที่ ทั้งหมดที่มีอยู่ในปี 1980 แต่ถึงแม้จะมีความต้องการนี้ สายงานบุคลากรด้านการปฏิบัติตามข้อกำหนดก็ยังคงตึงตัว สำนักงานสถิติแรงงานสหรัฐ (BLS) คาดการณ์ว่าจะมีตำแหน่งงานด้านการปฏิบัติตามข้อกำหนดเปิดรับมากกว่า 33,300 ตำแหน่งต่อปีในทศวรรษหน้า ซึ่งเป็นความต้องการที่รุนแรงขึ้นจากอุตสาหกรรมที่ 87% ของผู้เข้ามาทำงานในสายนี้ต้องออกไปในที่สุด และอัตราการลาออกรายปี สูงเกิน 20% ทำให้องค์กรต่างๆ ต้องตกอยู่ในวงจรการสรรหาและสูญเสียบุคลากรที่มีความเชี่ยวชาญอย่างต่อเนื่อง

เมื่อโลกมีความซับซ้อนมากขึ้นและข้อกำหนดทางกฎหมายสำหรับบริษัทต่างๆ เพิ่มสูงขึ้น การตอบสนองขององค์กรธุรกิจก็เป็นเรื่องง่ายๆ คือ ส่งคนเข้าไปจัดการกับปัญหามากขึ้น

แต่กลายเป็นว่า การมีคนมากขึ้นไม่ได้หมายถึงผลลัพธ์ที่ดีขึ้น ตัวอย่างเช่น ในปี 2024 ธนาคาร TD ถูกปรับเป็นเงิน 3,000 ล้านดอลลาร์ ฐานละเลยการตรวจสอบธุรกรรมถึง 92% รวมถึงงานค้างสะสมของสัญญาณเตือนภัย 70,000 รายการที่เริ่มตั้งแต่ปี 2018 และธนาคาร TD ก็ไม่ได้เป็นเพียงรายเดียว รูปแบบเดียวกันของการเพิ่มทีมงานและงานค้างสะสมที่เพิ่มขึ้นนี้เกิดขึ้นกับสถาบันการเงินรายใหญ่เกือบทุกแห่งในทศวรรษที่ผ่านมา ในช่วงเวลานั้น งานต่างๆ ยังคงเป็นงานที่ทำด้วยมือเป็นส่วนใหญ่

การปฏิบัติตามข้อกำหนดเป็น "งานที่หนักหน่วงเหน็ดเหนื่อย (schlep work)" - เจ็บปวด ยุ่งยากเกี่ยวกับระบบราชการ และมักจะใช้กระดาษเป็นหลัก จึงทำให้งานนี้ยังคงเป็นงานที่ทำด้วยมือและต้องใช้คนจำนวนมาก ความเสียดทานและความเฉื่อยชานี้เองที่ทำให้การปฏิบัติตามข้อกำหนดเป็น "สุสาน" สำหรับสตาร์ทอัพในเชิงประวัติศาสตร์

แล้วทำไมตอนนี้ถึงแตกต่าง?

1. เทคโนโลยีได้เปลี่ยนจาก "ดีพอที่จะทดลอง" เป็น "ดีพอที่จะเชื่อถือ"

บางครั้ง ตลาดสำหรับสิ่งที่ทำได้ ดีเยี่ยม นั้นมีขนาดใหญ่เป็น 100 เท่าของตลาดสำหรับสิ่งที่ทำได้ แค่พอใช้ได้ นี่คือสิ่งที่เกิดขึ้นในด้านการปฏิบัติตามข้อกำหนด ซึ่งผลิตภัณฑ์ที่ถูกต้อง 90% ก็ยังคงผิด 100%

ตัวอย่างสำคัญคือการประมวลผลเอกสาร (ซึ่งเป็นส่วนใหญ่ของกิจกรรมการปฏิบัติตามข้อกำหนด) OCR มีมานานหลายสิบปีแล้ว ช่วยให้งานสำเร็จเป็นส่วนใหญ่ อย่างไรก็ตาม "เป็นส่วนใหญ่" นั้นใช้ไม่ได้เมื่อคุณกำลังพิจารณาอนุมัติสินเชื่อที่อยู่อาศัย รับลูกค้าธุรกิจใหม่ หรือตรวจสอบเคลมประกัน แต่ตอนนี้ ด้วยโมเดลภาษาที่มองเห็น (Vision Language Models - VLMs) ซึ่งเข้าใจบริบทกว้างๆ ของเอกสารและสร้างข้อผิดพลาดน้อยลง ทำให้จู่ๆ องค์กรต่างๆ ก็เซ็นสัญญากันอย่างรวดเร็ว เทคโนโลยีไม่ได้ดีขึ้นเพียงเล็กน้อย แต่ก้าวข้ามขีดจำกัดจาก "ดีพอที่จะทดลอง" ไปสู่ "ดีพอที่จะเชื่อถือ"

นอกเหนือจากนี้ AI ยังมีความสามารถอีกมากมาย ประการแรก มันสามารถอ่าน ดึงข้อมูล และใช้เหตุผลกับเอกสารได้อย่างแม่นยำใกล้เคียงมนุษย์ ไม่ว่าจะเป็นเอกสารการจดทะเบียนบริษัท งบการเงิน และเอกสาร PDF ด้านกฎระเบียบยาว 400 หน้า ประการที่สอง เอเจนต์ที่ใช้คอมพิวเตอร์ (computer use agents) สามารถนำทางซอฟต์แวร์เก่าๆ ได้เหมือนกับที่มนุษย์ทำ โดยไม่ต้องรอ API หรือโปรเจกต์บูรณาการที่กินเวลาหกเดือน ประการที่สาม การดำเนินงานที่กินระยะเวลายาวนาน (long-horizon task execution) หมายความว่าเอเจนต์สามารถดำเนินเวิร์กโฟลว์ทั้งหมดตั้งแต่ต้นจนจบได้ เช่น การดึงข้อมูล การตรวจสอบฐานข้อมูลแบบไขว้ การแจ้งเตือนข้อยกเว้น การยื่นรายงาน ไม่ใช่แค่ช่วยในขั้นตอนเดียวอีกต่อไป

ในด้านกฎหมาย การมีตัวเลือกโมเดลที่หลากหลายและความแม่นยำที่สม่ำเสมอสูง ทำให้ทีมงานมีความมั่นใจที่จะ embrace AI ในที่สุด – LLM หลายตัวตอนนี้ทำคะแนนได้ 80-100% ในงานให้เหตุผลทางกฎหมาย 162 งานของ LegalBench ซึ่งส่งผลโดยตรงต่อการปฏิบัติตามข้อกำหนด เพราะการปฏิบัติตามข้อกำหนดโดยพื้นฐานแล้วคือการใช้เหตุผลทางกฎหมายภายใต้ข้อจำกัดในการปฏิบัติงาน ซึ่งสร้างขึ้นจากงานหลักเดียวกัน คือ การอ่านข้อความทางกฎระเบียบ การใช้กฎเกณฑ์กับรูปแบบข้อเท็จจริง การระบุข้อยกเว้น และการชี้ให้เห็นถึงความคลุมเครือ

2. วงจรการขายเปลี่ยนจาก "ช้า" เป็น "เร็ว"

เป็นครั้งแรกที่ความเสี่ยงของการที่องค์กรไม่ปรับปรุงระบบการปฏิบัติตามข้อกำหนดให้ทันสมัยนั้น มีมากกว่าความเสี่ยงของการเปลี่ยนแปลง องค์กรในอุตสาหกรรมที่มีการควบคุมยึดติดกับเครื่องมือ GRC (ธรรมาภิบาล ความเสี่ยง และการปฏิบัติตามข้อกำหนด) ที่เชื่องช้าและระบบเดิมที่เปราะบางมาเป็นเวลานาน เนื่องจากการโยกย้ายระบบนั้นเจ็บปวด ค่าใช้จ่ายจากการพลาดการตรวจสอบสูงเกินไป และ "ดีพอ" ก็ให้ความรู้สึกปลอดภัยกว่าการเปลี่ยนแปลง

AI ได้เปลี่ยนแปลงสิ่งนี้ การปฏิบัติตามข้อกำหนดกำลังก้าวไปไกลกว่าแค่ศูนย์กลางต้นทุน (cost center) กลายเป็นตัวขับเคลื่อนรายได้ ในธุรกิจบริการทางการเงิน KYC/KYB ที่เร็วขึ้นหมายถึงการรับลูกค้าใหม่ที่เร็วขึ้น ซึ่งหมายถึงโอกาสในการสูญเสียลูกค้าที่น้อยลงและถึงเวลาสร้างรายได้เร็วขึ้น การตรวจสอบ AML ที่ดีขึ้นหมายถึงผลบวกลวง (false positives) ที่น้อยลง ซึ่งหมายถึงลูกค้าที่ถูกต้องตามกฎหมายถูกแจ้งเตือนน้อยลงและความสัมพันธ์ที่เสียหายน้อยลง การตรวจสอบสื่อการตลาดที่รวดเร็วขึ้นหมายถึงเนื้อหาโฆษณาสามารถนำเสนอต่อหน้าลูกค้าได้ทันเวลามากขึ้น สิ่งนี้เปลี่ยนกรอบการแข่งขันเชิงกลยุทธ์: องค์กรที่ปรับปรุงให้ทันสมัยไม่ได้แค่ประหยัดต้นทุน แต่กำลังเปลี่ยนลูกค้าที่คู่แข่งที่ช้ากว่าไม่สามารถรับเข้ามาให้เป็นลูกค้าของตนเอง การแข่งขันไม่ใช่ตัว AI เอง แต่เป็นองค์กรอื่นๆ ที่ใช้ AI

ยิ่งไปกว่านั้น หากเราสมมติว่าในไม่ช้าเอเจนต์จะกลายเป็นผู้ซื้อหลักบนเว็บ สิ่งนี้จะเปิดหมวดหมู่ความเสี่ยงใหม่ทั้งหมด การปฏิบัติตามข้อกำหนดแบบดั้งเดิมถูกออกแบบมาสำหรับผู้กระทำที่เป็นมนุษย์ ตอนนี้เราต้องการแนวทาง AI ที่ทันสมัยสำหรับการยืนยันตัวตน การประเมินเจตนา และการสร้างความรับผิด เมื่อคู่สัญญาเป็นเอเจนต์อัตโนมัติ

ทั้งหมดนี้หมายความว่า ฟังก์ชันที่ในอดีตไม่ได้ซื้อซอฟต์แวร์ ก็จู่ๆ ก็เริ่มหันมาสนใจ

องค์ประกอบสามชั้นของการปฏิบัติตามข้อกำหนด

ทุกฟังก์ชันการปฏิบัติตามข้อกำหนด ในทุกองค์กรที่มีการควบคุม ถูกสร้างขึ้นจากส่วนผสมสามอย่างเดียวกัน:

• กฎระเบียบ ที่กำกับดูแลงาน: กฎเกณฑ์ นโยบายภายใน และการแปลความหมายระหว่างสองสิ่งนี้ที่ไม่มีที่สิ้นสุด
• ระบบซอฟต์แวร์ ที่พยายามทำให้กฎระเบียบนั้นเป็นรหัส: แพลตฟอร์ม GRC ระบบจัดการคดี เครื่องมือคัดกรองการคว่ำบาตร และระบบอัตโนมัติที่เปราะบางเพื่อเชื่อมโยงสิ่งเหล่านี้เข้าด้วยกัน
• คน ที่ใช้ซอฟต์แวร์ตามกฎระเบียบ: อ่านเอกสาร กรอกแบบฟอร์ม ตรวจสอบฐานข้อมูลแบบไขว้ เขียนรายงาน

"งานที่ต้องทำ" ส่วนใหญ่ในการปฏิบัติตามข้อกำหนดประกอบด้วยการคัดลอกข้อมูลจากเอกสาร การตรวจสอบข้อมูลนั้นด้วยตนเองเพื่อหาความถูกต้องหรือความไม่สอดคล้องกัน และการติดตามผลอย่างต่อเนื่อง (ทำซ้ำสองงานแรกนี้เป็นระยะ)

เพื่อให้เห็นภาพมากขึ้น เรามาดูรายงานกิจกรรมที่น่าสงสัย (Suspicious Activity Report - SAR) ในธนาคาร เมื่อสัญญาณเตือนดังขึ้นในซอฟต์แวร์ NICE Actimize ที่แจ้งถึงกิจกรรมธุรกรรมที่ผิดปกติ ซาร่าห์ เจ้าหน้าที่ปฏิบัติตามข้อกำหนด [คน] จะตรวจสอบเคส นำทางไปยังระบบธนาคารหลักเพื่อดึงประวัติธุรกรรมทั้งหมด จากนั้นตรวจสอบไฟล์ KYC ของลูกค้าแบบไขว้ในฐานข้อมูลอื่นและไดรฟ์ที่ใช้ร่วมกันสำหรับเอกสาร onboarding การยืนยันตัวตน และแหล่งที่มาของเงินทุน เธอจะตรวจสอบแนวทางปฏิบัติและกฎเกณฑ์นโยบายภายใน [กฎระเบียบ] เพื่อประเมินว่ากิจกรรมนั้นเกินขีดจำกัดสำหรับการยื่น SAR หรือไม่ และตัดสินใจ จากนั้นกลับไปยัง NICE Actimize เพื่อเขียน "คำบรรยาย" ของเธอ โดยคัดลอกรายละเอียดธุรกรรมและข้อมูลลูกค้าจากทุกระบบที่เธอเพิ่งเข้าไป

สิ่งเหล่านี้ล้วนเป็นจุดเริ่มต้นที่ดีสำหรับการสร้าง AI startup ของคุณ

1. แปลงกฎระเบียบให้เป็นโค้ด

ทุกข้อความใหม่ใน Title 12 (OCC, Fed, FDIC - ครอบคลุมมากกว่า 70 บท!), FINRA, SEC, CFTC และนโยบายที่แตกต่างกันในแต่ละรัฐ จะออกมาเป็น PDF ที่มนุษย์ต้องอ่าน ตีความ และแปลเป็นนโยบายภายใน จากนั้นก็ต้องติดตามการเปลี่ยนแปลง

AI สามารถเปลี่ยนกฎระเบียบให้เป็นโค้ด: มีโครงสร้าง อัปเดตอัตโนมัติ และเอเจนต์สามารถตีความได้ เอกสารกฎระเบียบยาว 400 หน้าสามารถถูกแยกวิเคราะห์เป็นชุดภาระผูกพันที่มีโครงสร้าง ซึ่งซอฟต์แวร์สามารถตรวจสอบได้ กฎระเบียบหยุดเป็นเอกสารที่มนุษย์ตีความ และกลายเป็นโค้ดที่ระบบนำไปปฏิบัติ สองสิ่งเปลี่ยนแปลงไปจากนี้: การติดตามผลกลายเป็นแบบต่อเนื่องแทนที่จะเป็นช่วงๆ และการเปลี่ยนแปลงกฎระเบียบสามารถแพร่กระจายไปทั่วทั้งองค์กรได้ภายในไม่กี่นาทีแทนที่จะเป็นไตรมาส ในกรณีของการจ่ายเงินเดือนในบราซิล งานทั้งหมดของเจ้าหน้าที่ปฏิบัติตามข้อกำหนดคือการรีเฟรชเว็บไซต์ของรัฐบาลเพื่อดูการอัปเดตกฎเกณฑ์ ดึงพนักงานที่ได้รับผลกระทบลงในสเปรดชีต และคำนวณเงินเดือนใหม่ด้วยตนเอง

ตัวอย่าง: Tako แปลงกฎหมายแรงงานของบราซิล (สหภาพแรงงานมากกว่า 10,000 แห่งและการเปลี่ยนแปลงกฎเกณฑ์เกือบ 900 รายการต่อปี) ให้เป็น "ระบบอัจฉริยะ" ที่ตรวจสอบการจ่ายเงินเดือนและกฎสหภาพแรงงานในบริบทของบริษัทของคุณ ตอบคำถามด้านการดำเนินงานด้านบุคลากรที่ซับซ้อนด้วยภาษาธรรมชาติ และแจ้งเตือนการกระทำที่ผิดนโยบายแบบเรียลไทม์ก่อนที่จะกลายเป็นการละเมิด

2. รื้อและแทนที่ระบบเดิม

ฟังก์ชันการปฏิบัติตามข้อกำหนดหลายอย่างทำงานบนแพลตฟอร์มที่มีมาก่อนระบบคลาวด์ โดยถูกเชื่อมต่อกันด้วยมนุษย์ที่คอยก็อปปี้วางและคลิกระหว่างระบบ นั่นคือสาเหตุที่ทุกเวิร์กโฟลว์รู้สึกช้าแม้ว่าเครื่องมือแต่ละชิ้นจะไม่ช้าก็ตาม: ชั้นการบูรณาการคือคนคนหนึ่ง ยิ่งไปกว่านั้น การเปลี่ยนระบบใดระบบหนึ่งเหล่านี้หมายถึงการโยกย้ายที่กินเวลาหลายปี ซึ่งไม่มี Chief Risk Officer คนไหนอยากจะอนุมัติ

นี่หมายความว่าองค์กรหลายแห่ง (โดยเฉพาะธนาคาร) กำลังแบกภาระหนี้สินด้านโครงสร้างพื้นฐานที่สะสมมานานหลายสิบปี และหนี้สินนี้กลายเป็นอุปสรรคที่ใหญ่ที่สุดต่อการนำ AI มาใช้

ดังนั้น ผู้ซื้อในองค์กรตอนนี้มีสามทางเลือกในการใช้ประโยชน์จาก AI:

1. เก็บระบบเดิมไว้ แต่ใช้แนวทางแบบ "ไร้หัว" (headless): ใช้ระบบเดิมเป็นแบ็กเอนด์ และสร้างเอเจนต์หรืออินเทอร์เฟซใหม่บนระบบนั้น
2. Vibe code เพื่อสร้างสิ่งทดแทน: สร้างระบบบันทึกหลัก (system of record) ขึ้นมาใหม่เอง รวมถึงโมเดลข้อมูล สิทธิ์การเข้าถึง เวิร์กโฟลว์ การบูรณาการ และความสามารถในการตรวจสอบได้
3. ซื้อเวอร์ชัน AI เนทีฟใหม่: ย้ายไปยังระบบที่ถูกสร้างขึ้นจากพื้นฐานสำหรับเอเจนต์ ความสามารถในการอ่านของเครื่อง และการประสานงาน

หากระบบของคุณเก็บข้อมูลที่สำคัญต่อการปฏิบัติตามข้อกำหนด เชื่อมต่อกับแหล่งข้อมูลภายในและภายนอกและพาร์ทเนอร์หลายสิบแห่ง และทำให้ตรรกะของสถาบันที่สะสมมานานหลายปีเป็นรหัส ความกลัวความเสี่ยงของคุณจะโน้มเอียงไปทางเลือก (1) แต่แล้วคุณกำลังเตรียมพร้อมที่จะพ่ายแพ้ให้กับคู่แข่งที่สามารถลดต้นทุนได้อย่างมากและเพิ่มรายได้ด้วย AI (ลองนึกถึงการเพิ่มเอเจนต์เสียงที่มีประสิทธิภาพซึ่งต้องอ่าน/เขียนข้อมูลบนซอฟต์แวร์ยุค 1990s)

ตอนนี้ไม่เพียงแต่เป็นไปได้ที่จะแทนที่ระบบเดิม แต่ยังจำเป็นอีกด้วยเพื่อให้เกิดมูลค่าจาก AI ระบบเดิมถูกสร้างขึ้นเพื่อมนุษย์: ข้อมูลถูกแยกส่วนและเข้าถึงยาก กฎเกณฑ์ถูก Hardcode และอัปเดตช้า และเวิร์กโฟลว์ทำงานเป็นชุด (batch) แทนที่จะเป็นแบบเรียลไทม์ ในภาคการธนาคาร สิ่งเหล่านี้อาจเป็นอะไรก็ได้ตั้งแต่ Jack Henry (ระบบธนาคารหลัก), NICE Actimize (การตรวจสอบธุรกรรม) หรือ Smarsh (การกำกับดูแลพนักงาน)

ตัวอย่าง:

• Valon (บริการสินเชื่อที่อยู่อาศัย) สร้างผู้ให้บริการสินเชื่อที่อยู่อาศัยขึ้นมาจากศูนย์ เพื่อพิสูจน์ว่าซอฟต์แวร์สามารถเปลี่ยนการดำเนินงานที่มี margin ถึงจุดคุ้มทุนให้กลายเป็น margin 60%+ พวกเขาทำให้เวิร์กโฟลว์การบริการที่ซับซ้อนเป็นรหัสใน ValonOS: ระบบปฏิบัติการ AI เนทีฟที่แทนที่ระบบเดิมที่แตกต่างกันมากกว่า 25 ระบบด้วยเวิร์กโฟลว์ที่มีโครงสร้าง บัญชีแยกประเภทที่ตรวจสอบได้ และการดำเนินการที่ตั้งโปรแกรมได้ ตอนนี้พวกเขากำลังให้สิทธิ์ใช้งานระบบบันทึกหลักนี้เพื่อขับเคลื่อนอุตสาหกรรมบริการสินเชื่อที่อยู่อาศัยมูลค่ากว่า 100,000 ล้านดอลลาร์ โดยลูกค้าใหม่แต่ละรายจะช่วยเสริมความแข็งแกร่งให้กับมู่เล่ข้อมูล (data flywheel) ที่ทำให้ AI agents ฉลาดขึ้นเรื่อยๆ
• Vesta (การอนุมัติสินเชื่อที่อยู่อาศัย) จัดการและประสานงานกฎการปฏิบัติตามข้อกำหนดทั้งหมดเกี่ยวกับการอนุมัติสินเชื่อข้าม CFPB (TRID, HMDA ฯลฯ) ความแตกต่างใน 50 รัฐ รวมถึงการรายงานการปฏิบัติตามข้อกำหนดทั้งหมดไปยังหน่วยงานของรัฐบาลกลางและรัฐ ดังนั้น การอัปเดตข้อกำหนดจึงเป็นการ Push โค้ด แทนที่จะเป็นการอัปเดตระดับองค์กรที่ต้องใช้บริการนำไปใช้ ผู้ให้กู้ได้รับการตรวจสอบที่แม่นยำ ไม่ต้องพูดถึงการเพิ่มประสิทธิภาพ 25-50%
• Sardine (การตรวจสอบธุรกรรมและการฉ้อโกง) กำลังแทนที่ NICE Actimize Sardine เป็นระบบคลาวด์และสามารถทำทั้งการตรวจจับการฉ้อโกงแบบเรียลไทม์ Inline และดำเนินการสถานการณ์ AML หลังเกิดเหตุที่ซับซ้อน เอเจนต์ทำงานบนข้อมูลสดของ Sardine เพื่อปรับปรุงการตรวจสอบการปฏิบัติตามข้อกำหนดได้สูงสุดถึง 30 เท่า ตัวอย่างเช่น เอเจนต์สรุป SAR (รายงานกิจกรรมที่น่าสงสัย) สามารถกรอกข้อมูล 60-100 ฟิลด์ต่อนิติบุคคล (ดึงจากหลายระบบ) ได้โดยอัตโนมัติ ลดเวลาที่ใช้ในการยื่น SAR แต่ละครั้งจากกว่า 30 นาทีเหลือน้อยกว่า 1 นาที

3. เพิ่มขีดความสามารถในการทำงานของคน

งานปฏิบัติตามข้อกำหนดส่วนใหญ่ประกอบด้วยกิจกรรมของมนุษย์สามอย่างเดียวกันที่ทำซ้ำไม่รู้จบ: (1) การวิเคราะห์เอกสาร (2) เวิร์กโฟลว์การตรวจสอบด้วยตนเอง และ (3) การติดตามผล (1) และ (2) อย่างต่อเนื่อง

เนื้อเยื่อเชื่อมต่อระหว่างกิจกรรมเหล่านี้ในอดีตคือบุคคลที่คลิกผ่านซอฟต์แวร์เก่า ซึ่งเป็นจุดที่เอเจนต์ที่ใช้คอมพิวเตอร์ (computer-use agents) เข้ามามีบทบาท

ลองนึกถึงการรับลูกค้าธุรกิจใหม่ (business banking onboarding) เมื่อลูกค้าสมัครใช้บริการ ซาร่าห์ เจ้าหน้าที่ปฏิบัติตามข้อกำหนดต้องตรวจสอบและดึงข้อมูลสำคัญจากเอกสารแสดงตนของผู้มีโอกาสเป็นลูกค้ารายนั้น (บัตรประจำตัว หนังสือเดินทาง เอกสารจดทะเบียนบริษัท) และงบการเงิน จากนั้นเธอต้องป้อนข้อมูลนั้นลงในชุดเครื่องมือซอฟต์แวร์เก่า และตรวจสอบกับฐานข้อมูลต่างๆ เพื่อตรวจสอบความถูกต้อง (การคว่ำบาตร ทะเบียนธุรกิจ ฯลฯ) ด้วย AI เวิร์กโฟลว์ทั้งหมดนั้นสามารถทำงานอัตโนมัติได้ตั้งแต่ต้นจนจบ: เอกสารจะถูกนำเข้าและแยกวิเคราะห์ทันที ฐานข้อมูลจะถูกตรวจสอบแบบคู่ขนาน และข้อยกเว้นจะถูกแจ้งเตือนให้มนุษย์ตรวจสอบ แทนที่จะให้มนุษย์ดำเนินการ

ตัวอย่าง: Factor Labs ทำงานบนระบบเดิมแทนที่จะแทนที่ระบบเหล่านั้น เอเจนต์ที่ใช้คอมพิวเตอร์ของพวกเขาทำงานอัตโนมัติในการจัดการข้อพิพาทการเรียกเก็บเงิน (chargeback dispute) สำหรับธนาคารและบริษัทชำระเงิน งานของเอเจนต์แต่ละงานจะปฏิบัติตาม "playbook" ซึ่งก็คือคำแนะนำทีละขั้นตอนที่ปรับให้เหมาะกับร้านค้าแต่ละรายและปฏิบัติตามกระบวนการของเครือข่ายบัตรเครดิต เอเจนต์จะเลียนแบบสิ่งที่นักวิเคราะห์มนุษย์ทำ: เข้าสู่ระบบบริษัท (Outlook, Excel, แพลตฟอร์มป้องกันการฉ้อโกงเช่น CyberSource), ดึงหลักฐาน, รวบรวมเป็นเอกสาร Word ที่จัดรูปแบบพร้อมหัวจดหมายของลูกค้า, และส่งไฟล์ PDF สุดท้ายกลับไปยังลูกค้า

บทสรุป

เราชอบทุกแนวทางเหล่านี้ และในที่สุดระบบใหม่ส่วนใหญ่จะทำทั้งสามอย่าง จุดเริ่มต้นที่มีประสิทธิภาพที่สุดจะขึ้นอยู่กับตลาดของคุณ:

(1) สภาพแวดล้อมด้านกฎระเบียบที่มีการเปลี่ยนแปลงสูง: สภาพแวดล้อมที่มีกฎระเบียบมากมายข้ามเขตอำนาจศาลที่เปลี่ยนแปลงตลอดเวลา หรือที่ที่การบังคับใช้กฎหมายและผลการตรวจสอบมักกำหนดให้บริษัทต้องอัปเดตสภาพแวดล้อมการกำกับดูแล/การปฏิบัติตามข้อกำหนดของตน – มักจะนิยมเริ่มต้นด้วย "เปลี่ยนกฎระเบียบให้เป็นโค้ด"

(2) การมุ่งเป้าไปที่ระบบบันทึกหลัก (system of record) จะเหมาะสมเมื่อ:

• (ก) มีโอกาสที่จะเริ่มต้นจากศูนย์ (greenfield) กล่าวคือ ไม่มีระบบเดิมที่ฝังรากลึกสำหรับลูกค้ากลุ่มใหม่ หากลูกค้ากำลังเลือกระบบบันทึกหลักตั้งแต่ต้น ความชอบเริ่มต้นสำหรับระบบ AI เนทีฟที่ทันสมัยนั้นเป็นค่าเริ่มต้น เช่น ธนาคารใหม่ที่เกิดขึ้นในซาอุดีอาระเบีย (เช่น Stitch) หรือ RIA จำนวนมากที่แยกตัวออกมาเป็นอิสระและเริ่มดำเนินธุรกิจในสหรัฐฯ ตอนนี้
• (ข) ระบบเก่ามีต้นทุนการดำเนินงานสูงและยากต่อการเขียนข้อมูลกลับเข้าไป จนคุณต้องรื้อและแทนที่เพื่อใช้ประโยชน์จาก AI

(3) สายงานที่ขับเคลื่อนด้วยผลลัพธ์ (output-driven) ที่มีงานค้างสะสมจำนวนมากและ/หรือขาดแคลนแรงงาน มักจะนิยมการเพิ่มขีดความสามารถในการทำงานของคน เมื่องานปฏิบัติตามข้อกำหนดส่งผลให้เกิดสิ่งประดิษฐ์เฉพาะ (รายงาน การยื่นเอกสาร ใบรับรอง) ความต้องการเร่งด่วนที่สุดอาจเป็นการเพิ่มคน (ในที่นี้คือเอเจนต์ที่ทำงาน 24/7 และไม่ทำผิดพลาด) เข้าไปในคิวงาน ตัวอย่างเช่น การเคลียร์คิวสัญญาณเตือน (ตาม งานค้าง 70k ของธนาคาร TD

ท้ายที่สุดแล้ว เราเชื่อว่าแนวทางเหล่านี้จะมาบรรจบกัน บริษัทที่ชนะในพื้นที่นี้จะเปลี่ยนกฎระเบียบให้เป็นโค้ด เป็นเจ้าของระบบบันทึกหลักใหม่ และปรับใช้ฝูงเอเจนต์บนระบบนั้น

หากนั่นคือสิ่งที่คุณกำลังสร้าง มา Talk กับเราได้เลย

เขียนร่วมกับ @astrange