编者按：本文为客座文章，作者是Navigant公司全球调查与合规业务董事总经理Tim Mueller。

请同情一下可怜的银行家吧——真的，请这样做。

在美国社会中，几乎没有什么比那些靠打理他人钱财为生的男女更“理所当然”地成为公众嘲讽对象了。部分蔑视或许情有可原，但在全世界每一家银行里，有一群员工确实值得你的同理心：那些被指派去解决洗钱问题的人。

要确切掌握每年通过毒品、恐怖主义、人口贩运及其他各类犯罪活动产生的非法资金规模，难度极大。但在高估值区间，数字令人震惊——全球约2万亿美元。

美国财政部下属的金融犯罪执法网络（FinCEN）的调查人员，理论上负责阻断非法现金流动。但实际上，反洗钱（AML）斗争的前线人员，恰恰是银行内部的员工。

正如一位国会议员最近对我所说，政府已在很大程度上将反洗钱警务工作“外包”给了银行。不幸的是，这些心怀善意的现任负责人，其可用资源比试图作弊者更少。这意味着他们需要一切可能的帮助，包括来自当下商业领域最热门词汇的助力。

全是干草堆，没有针

人工智能和机器学习在某些行业或许仍只是光鲜的摆设。但在反洗钱领域，问题不在于它们十年后能为银行和金融业做什么，而在于它们现在就能做什么。

要理解这一点，首先需要明白为何反洗钱如此棘手。

欺诈是金融业最常见的痛点，但银行早已具备应对能力。其问题本质是二元的——信用卡上的那笔扣款是否合法——因此答案要容易得多。

相比之下，反洗钱是“全是干草堆，没有针”。

洗钱犯罪分子往往拥有充足资源，利用空壳公司、影子买家以及其它面向最高出价者的精密手段来掩盖踪迹。

仅在美国，银行内部的反洗钱支出每年约达230亿美元。然而在过去十年中，FinCEN却因这些机构未能当场抓获足够多的罪犯，而对它们处以另外230亿美元的罚款。

并非银行家不想找到解决方案，也不是他们不愿花钱。问题在于，解决方案实在太难寻觅。这便让我们回到了那些热门词汇上。

不止于承诺

目前已有系统能够自动生成警报——这是识别某笔交易是否可疑的第一步。问题在于，绝大多数警报并无成效，即最终被判定为正常活动。

然而，机器学习正展现出巨大潜力，既能减少这些虚假警报，又能识别出真正可疑的活动。在某些案例中，高达90%的误报率已被降至50%。这意味着调查人员可以花更少时间手动审查警报，同时提高警报的有效性，使其得以提交至FinCEN进行正式调查。

最终，人类仍将做出判断，仅在必要时提交可疑活动报告。机器并不会取代关键工作，它们只是提供效率上的渐进式提升——随着时间推移，这既能降低反洗钱支出，也能减少银行因反洗钱不力而缴纳的罚款，同时让专家有更多时间专注于抓捕罪犯的工作。

这种新增的有效性，并未逃过最渴望帮助的受众的眼睛。包括FinCEN在内的美国五家联邦机构，于去年12月就反洗钱领域的高科技应用发表联合声明，称“欢迎这些创新方法，以保护金融体系免受非法活动侵害”。该声明发布一个月前，新加坡金融管理局也对其在反洗钱中使用AI的做法给予了官方认可。

当监管机构——通常是生态系统中最为保守的成员——对这一机遇表现出如此热情时，这项技术所提供的便远不止是空洞的承诺。

银行家作为一个群体，或许并不总是最值得同情的角色。但那些被委以解决如此复杂、庞大且代价高昂的全球性问题的人，理应获得优秀的工具，以及我们的理解。