人工智慧在金融服務領域正快速演進。根據劍橋大學 2026 年 《全球金融服務 AI 報告》 的調查，52% 的受訪金融服務公司已開始採用代理型 AI（Agentic AI）。其中，29% 正在進行試點計畫，23% 已進入擴展或轉型階段。整體而言，以某種形式採用 AI 的比例高達 81%。
這 29 個百分點的差距，正是目前多數合規職能所處的狀態。一個能摘要政策的模型固然有用，但一個能閱讀同一份政策、檢視其適用的驗證流程，並起草替代配置的 Agent，則是截然不同的概念——因為它直接對系統採取行動，而不僅是生成關於系統的文字。
這種轉變引發了一個核心治理問題：Agent 執行的每一項動作，是否都能事先授權並在事後還原？
合規領域中的 AI Agent 是什麼？
#AIagent 是一種自主軟體系統，利用模型來追求定義明確的目標。OpenAI 官方文件將 Agent 描述為「規劃、呼叫工具、跨專家協作，並維持足夠狀態以完成多步驟工作的應用程式」。
在 AI 合規 Agent 工作流程中，底層的大型語言模型（LLM）負責解讀任務指令並進行推理，而 Agent 框架與連接的合規平台則提供數據、權限及工具，讓 Agent 能夠執行操作。例如，Agent 可能會閱讀反洗錢（AML）政策、識別其要求、檢視現有的了解你的客戶（KYC）流程、透過 API 建立草稿配置，並將結果提交以供核准。
自主性存在於一個光譜之上。Agent 可以獨立完成低風險步驟，但在變更正式工作流程、拒絕申請人或提交監管報告之前會暫停等待指示。
代理型 AI 如何運作：解析 Agent 技能與 MCP
Agent 若要可靠地完成營運工作，僅有語言模型是不夠的。它們需要目標、指令、相關系統的存取權限，以及規範其行為邊界的規則。
Model Context Protocol（MCP）是一項開放標準，用於將 AI 應用程式連接到外部系統。MCP 伺服器暴露具有定義輸入的工具，允許 Agent 發現獲准的動作、提供必要的參數並接收結果。
雖然 MCP 將 Agent 連接到外部系統，但技能提供了完成任務所需的程序性知識。開放的 Agent Skills 規範將技能描述為包含指令，以及可選腳本、參考資料和其他資源的資料夾。AI Agent 技能可以教導 Agent 如何分析法規或設定 KYC 工作流程。技能與 MCP AI Agent 結合，能將廣泛的需求轉化為可重複執行的工作流程。
下表說明了每個組件的功能：
從聊天機器人到自主合規 Agent
傳統聊天機器人主要回應眼前的提示詞。它可以解釋規則或摘要政策，但通常不會將分析轉化為行動。生成式 AI 合規工具透過起草報告、摘要案件檔案以及從文件中提取資訊，擴展了這些能力。
Agent 則協調各項行動。請求被分解為多個步驟：選擇工具、檢查結果，並根據返回的內容調整下一步。當被詢問關於入駐文件的事項時，聊天機器人會列出清單；而 Agent 可以開啟公司目前的驗證流程，找出相對於特定標準缺失的檢查項目，建立擬議的替代方案，並將其呈交給人員簽核。
為什麼合規團隊正在採用 AI Agent
合規工作涉及大量的轉換。以法律語言撰寫的要求會變成營運規則，接著成為平台設定，並且必須記錄和舉證。一項政策變更可能意味著需要在多個產品和司法管轄區分別進行更新，每項都是手動完成，且每次都有實施偏差的風險。
Agent 可以提取要求並遵循定義好的程序，無需專家重新鍵入每個步驟。這裡真正的收益在於一致性：第五個司法管轄區獲得與第一個相同的處理方式。
犯錯的成本也以同樣的方式擴大。存取規則、核准門檻和活动日誌，確保了 Agent 的行為可歸責於授權的人員。若缺乏這些機制，自動化只會增加錯誤發生的速度和規模。
AML 合規與 KYC 工作流程中的 AI Agent
在 AML 方面，Agent 可以將政策文字轉換為可在儀表板中啟動的擬議配置，摘要申請人的審查歷史，或在調查人員開案前整理所需的申請人與交易數據。它也可以比較更新後的政策與當前配置，並標記不再匹配的管控措施。
KYC 工作主要是設定與檢索：針對不同國家或風險等級的入駐流程、問卷、驗證連結、申請人狀態查詢。Agent 可以排序結合文件、地址、生物特徵和資料庫檢查的工作流程。驗證平台仍負責執行實際檢查。
拒絕客戶和提交可疑活動報告在本質上截然不同。無論工作流程其餘部分運行得多麼順暢，這兩者都需要人工核准。
建立由 Agent 運作的合規架構
在執行上述任何操作之前，必須具備兩件事：相關政策的存取權限，以及檢視或修改平台設定的許可。隨後的操作順序如下：
- 提供來源材料，無論是法規、風險評估或內部政策
- 提取義務、風險因素、評分規則和有條件的要求，並將模糊之處標記出來交由人員處理，而非由 Agent 自行解決
- 將每項要求對應到平台實際擁有的功能：驗證等級、問卷、風險規則、監控控制或工作流程
- 產生配置計畫供合規團隊審查，然後再進行建置
- 在沙箱或測試環境中建置擬議的配置
- 將建置好的配置與來源政策進行比較，然後使用代表性案例和已知例外情況進行測試
- 由獲授權的使用者核准部署，然後記錄變更並監控結果
將 Agent 技能對應到合規任務
每個 AI Agent 技能都應對應一個定義明確的合規任務，並指導 Agent 應如何處理該任務。政策分析技能可能會指示 Agent 閱讀文件並產生配置計畫。配置技能可以引導 Agent 在沙箱中建立驗證等級，而案件審查技能則可以概述如何檢索和分析申請人數據。
這種區別對於金融服務業的 AI Agent 至關重要，因為存取客戶數據、準備草稿設定以及變更正式管控措施都可能造成重大的風險敞口。技能本身不應被視為安全或權限邊界。相反地，連接的平台必須強制執行 Agent 可以讀取或修改的內容，並透過適當的存取控制和授權機制，限制對正式驗證和監控設定的變更。
銀行與金融服務業中的 AI Agent
合理的銀行應用包括收集定期 KYC 審查的材料、檢索引發監控規則的交易，以及起草供人工檢查的監管報告。
碎片化是實務上的障礙。身分紀錄存放在 KYC 平台中，交易位於支付或核心銀行系統中，警報在監控工具裡，而調查筆記則在案件管理軟體中。2026 年劍橋報告發現，46% 的受訪 AI 供應商在客戶現場遇到了遺留系統或孤島系統的問題，41% 回報了數據共享限制。
每個連接都需要回答兩個問題：Agent 可以讀取什麼，以及可以修改什麼。定期審查是以讀取為主。Agent 可以收集驗證狀態、近期交易、先前警報和過去審查決定，然後將彙整好的檔案交給分析師。
AI 風險、治理與人工監督
Agent 可能會誤讀政策、捏造要求或選擇錯誤的工具。隱藏在文件或連接數據源中的惡意指令可能會操縱其行為，而過多的權限可能允許小錯誤改變正式配置或客戶紀錄。
審查人員也可能過度信任 Agent 的輸出，而不完整的紀錄可能使錯誤難以調查。模型更新可能會改變 Agent 的行為，而依賴外部供應商則可能帶來營運風險。
為了降低風險，有效的 AI 治理與合規控制應包括：
- 將存取權限限制在每個任務所需的信息和動作，並分開設置讀取信息、建立草稿和變更正式設定的權限
- 經核准的工具和數據源
- 在將變更套用到正式系統之前，先在沙箱或測試環境中進行測試
- 對於影響客戶、風險門檻或監管申報的動作，以及要求不明確的情況，需經過人工核准
- 記錄給定的指令、諮詢的來源、使用的工具和所做的變更
- 若 Agent 或外部供應商不可用時的應變流程
