高盛擴展Anthropic Claude在交易會計和客戶入職中的運營應用

大型金融機構正加快生成式人工智慧的實驗，高盛（Goldman Sachs）目前正將Anthropic的Claude平台擴展至多個後台工作流程。

高盛將生成式AI引入後台

高盛計劃在交易會計和客戶啟動方面部署Anthropic的Claude模型，將此推廣視為大型銀行為提升效率而使用生成式AI的更廣泛行動的一部分。初期重點放在傳統依賴大量團隊進行文件審查、對帳和合規檢查的後台操作流程。

已有多家銀行將生成式AI應用於知識工作。摩根大通（JPMorgan Chase）為員工提供大型語言模型套件，用於資訊檢索和數據分析。此外，美國銀行（Bank of America）利用其Erica助理回答內部技術和人力資源問題。花旗（Citi）和高盛都依賴AI工具協助開發人員進行程式碼任務，顯示早期部署較多集中於研究和軟體開發，而非操作層面。

然而，《美國銀行家》（American Banker）報導指出一個較新的趨勢：使用生成式AI進行操作活動，如交易會計和了解你的客戶（KYC）檢查。這標誌著從純粹分析用途轉向自動化交易繁重的工作流程，這些流程直接影響日常銀行運作。

自動化KYC和對帳的邊緣案例

許多可自動化的銀行流程是基於規則的，包括資料收集、與內部及外部資料庫比對驗證，以及產生所需文件。理論上，傳統軟體已能處理大部分這些工作。然而，高盛的資訊長Marco Argenti認為，即使規則平台能解決大多數案例，仍有少部分交易超出預設範圍，造成大量例外情況。

他以KYC合規中的身份驗證為例，客戶記錄或文件接近到期日的微小差異可能產生需要人工判斷的邊緣案例。此外，這些例外往往集中在高交易量環境中，手動審查既昂貴又耗時。

Argenti表示，神經網絡能處理這些微決策，因為它們能在缺乏或模糊規則的情況下進行情境推理。在此架構下，生成式AI是用來增強現有規則引擎，而非取代它們。操作上的好處來自於減少需要人工介入的案例比例，進而縮短解決例外的時間並提升直通式處理效率。

AI輔助軟體開發的經驗教訓

高盛早期使用Claude進行內部軟體開發的經驗，促使其決定將AI擴展到其他操作領域。銀行的開發人員使用結合Cognition的Devin代理的Claude版本來支援程式設計流程。在此過程中，工程師定義規範和合規限制，代理生成程式碼，然後由開發人員審查和改進。

Devin代理還負責執行程式碼測試和驗證。Argenti描述這種架構為對開發流程的結構性變革，AI代理在明確指示下運作。此外，規範驅動的程式碼撰寫與自動測試的結合，提高了開發效率並縮短了專案完成時間。

這段經驗讓高盛相信，AI代理在受規範的環境中能安全處理範圍有限的任務，只要責任明確分工於人與系統之間。當然，尤其在輸出涉及監管或風險時，人工審查層仍然是核心。

從程式碼到文件繁重的操作流程

在交易會計和客戶啟動方面，高盛與Anthropic的專案負責人首先與領域專家共同檢視現有流程，以找出瓶頸。所實施的AI代理現在能審查文件、提取實體、判斷是否需要額外文件、評估所有權結構，並在適當時觸發進一步的合規檢查。這些任務通常文件繁重且需個人判斷，非常適合用AI協助決策。

透過自動化提取和初步評估，代理能縮短分析師在手動比對上的時間，但不取代最終決策。相反，它們會提供結構化資料和建議的後續步驟，讓專家專注於複雜或高風險案例，而非例行文件處理。

Forrester的首席分析師Indranil Bandyopadhyay解釋，交易會計中的對帳需要比對內部帳簿、對手方確認和銀行對帳單中的碎片化資料。典型流程依賴於準確提取並比對多份文件中的數字和文字。在此情況下，Anthropic的Claude被定位為能大規模處理此類文件密集型比對步驟的工具。

為何Claude適用於對帳和啟動流程

Bandyopadhyay指出，Claude能處理大量上下文窗口並遵循詳細指示，使其非常適合複雜的對帳流程。在客戶啟動方面，分析師需解析護照和公司註冊文件，並交叉比對所有資料來源。此外，解讀非結構化文件的需求增加了傳統規則工具難以高效管理的複雜性。

在此環境中，AI提取結構化資料、突出不一致之處和標記缺失文件的能力，提供了良好的契合點。這不僅降低分析師的整體工作負擔，也加快了客戶啟動流程，同時仍符合銀行所需的治理標準。

Bandyopadhyay強調，會計和合規平台仍是主要的資料記錄系統。Claude位於流程層，負責提取和比對，而由人類分析師處理系統所標示的例外情況。在他看來，像銀行這樣受嚴格監管的行業，其操作價值在於這種分工，而非完全自動化。

風險管理、不確定性與人類監督

Anthropic的金融服務主管Jonathan Pelosi表示，Claude經過訓練能揭示不確定性並提供來源歸屬，建立審計追蹤，降低幻覺（hallucination）的影響。此外，這些設計旨在讓AI行為對風險團隊和監管者更透明，將輸出與其支援證據連結。

Bandyopadhyay也強調人類監督與驗證的重要性，建議機構設計系統以便早期發現錯誤。儘管如此，他承認在適當監控下，AI代理能比人類更快速地完成大量重複性檢查和比對。

高盛的Marco Argenti否定AI系統較易被欺騙的說法。他認為，社會工程攻擊主要利用人類弱點，而AI模型能在規模上偵測微妙異常。不過，他重申，最佳的做法是結合人類判斷與自動審查，形成整合團隊。

對銀行操作的影響

Argenti指出，這種結合能在不成比例增加人力的情況下，大幅提升操作能力，即使在已知AI部署問題的背景下。此外，它幫助銀行管理日益增加的監管和文件負擔，同時控制人員增長。

在整個銀行業，生成式AI正逐漸成為提升操作績效的工具，能加快文件處理、縮短例外處理時間並提高高量工作流程的吞吐量。然而，持續的人類監督需求意味著機構必須保留現有的資料記錄系統和治理架構，並以AI來優化其上層流程。

總結來說，高盛與Claude及相關代理的合作，展現了一個務實的金融生成式AI模型：自動化文件繁重、規則相關的任務；清楚呈現例外情況；並由人類專家最終負責關鍵決策與合規。