银行反洗钱最耗人的财富来源审查，毕马威说该交给AI转型了

银行做反洗钱时最耗人的环节，往往不是判断风险，而是解释财富来源。毕马威这份白皮书给的判断很直接：这块迟早要交给 AI，但交给的方式决定了它是帮手还是新麻烦。

传统流程以文件为中心，只验证记录是否存在，很难回答一个更要紧的问题——这笔财富在经济、结构和时间上是否合理。

结果是成本高、标准不一、难以扩展，还会带来客户摩擦、升级处理过载和误报率偏高，机构知识也被切成碎片。

文件齐全不等于财富合理，这是整个流程最容易被忽略的一处错位。

下面按问题定义、结构类型、低效量化、目标模式、技术架构和治理路线的顺序，把这份报告讲清楚。

图源：《转型中通过人工智能采纳实现财富来源转型 一种》（第3页） · 原文

一、问题不在流程慢，而在问错了问题

香港银行业凭稳健的财务实力步入 2026 年，资产负债规模与存款持续扩张，增长动力焕新，并日益聚焦绩效、增长与信任。

但财富来源正面临转折点。对在港运营的银行来说，传统以文件为主导的流程，已难以应对现代反洗钱在规模、复杂性和举证标准上的要求。

与此同时，私人财富管理、数字资产、代币化和人工智能正成为行业核心主题，客户结构本身也在变得更难核查。报告点出了战略弱点：许多传统框架把财富来源当成文档合规性任务，容易陷入所谓的文档幻觉。

证据数量可能增加，但对相关情况的理解并没有同步提升，这是流程看起来忙、实质没进展的根源。

更有效的框架会追问一件事：在考虑所有权结构、交易历史、市场状况、行业经济、司法辖区风险和行为模式之后，所声明的财富积累是否合理。

监管重点也转向了有效性——不只看机构有没有程序，而是看能不能证明控制措施在实践中真的有效。

堆更多材料不叫强尽调，能讲清财富怎么来的才叫强尽调。

图源：《转型中通过人工智能采纳实现财富来源转型 一种》（第6页） · 原文

二、结构越合法越复杂，风险恰在解释不清

香港的财富来源审查中，常见几类合法但复杂的财富结构。报告强调，风险不在于复杂性本身，而在于机构能否充分理解、解释并监控这种复杂性。

第一类是客户运营公司加离岸特殊目的载体加香港控股工具，最终体现为股息或退出收益。这类案子的难点是重建估值历史、验证注资和文件合法性，对应做法是图形分析、登记处链接和估值基准。

第二类是中国内地出境客户，典型结构是全权信托、保护人、基础特殊目的公司以及跨境受益人。难点在于要区分历史性财富转移和不透明重组，靠的是实际受益人映射和叙述一致性检验。

第三类是家族办公室与信托分层。核心是穿透各层，看清谁真正拥有、谁真正控制，以及这些关系是否和客户陈述对得上。

第四类是私募股权与附带权益，需要根据基金及市场表现检验累计附带权益，方法上是合理性建模与同行基准比较。

第五类是房地产投资组合扩张，要看历史收购、再融资、租金收入和再投资，评估增值轨迹与融资能力。第六类是数字资产积累，涉及钱包持有量、交易所兑换、托管与法币退出路径，重点是追溯来源、波动性与交易所司法辖区风险。

报告为这一类专门点出技术方向：区块链分析、交易图谱构建与异常检测，这是传统报表工具完全覆盖不到的地方。

结构越像教科书里写的合规架构，越需要有人问一句谁在控制、钱从哪来。

图源：《转型中通过人工智能采纳实现财富来源转型 一种》（第7页） · 原文

三、低效怎么算：一个乘法公式，越往后越亏

报告给了一个很朴素但很有说服力的量化思路：审查工作量大致等于实体数量加关系数量，再加文档数量乘以审查周期数。

传统方式扩展性差的根源在这里。每增加一个实体、一层关系、一份文档和一个返工周期，都会增加一层人工工作。

工作量不只取决于参与方数量，还取决于它们之间的连接数量、验证这些连接所需的证据，以及分析师必须向客户澄清或索要额外文档的次数。

为什么连接数比实体数更致命？因为每个实体都会产生需要验证的关系，每个关系都需要证据，而证据中的每个缺口都可能触发新一轮客户沟通。

报告举了一个高风险的私人银行案例：一位主要客户、一个信托、三个中间特殊目的载体、五个运营子公司，以及多个资产持有实体。

即便不考虑交易环节的复杂性，这个结构也可能涉及超过 15 个节点与 20 条关系连线。还有一个数学缺陷值得记住：如果分析师在孤立情况下发现结构异常的概率为 60%，那么发现两个独立异常事件的概率仅剩 36%。

结构越复杂，遗漏关联性、资金流向或表述矛盾带来的累积风险就越高。AI 无法消除这种不确定性，但可以跨数据集聚合微弱信号。

报告由此得出一个关键结论：减少返工、提升证据质量，比单纯增加分析师人数更有影响力。

加人只是把乘法拆开做，改流程才是把乘号换成加号。

图源：《转型中通过人工智能采纳实现财富来源转型 一种》（第8页） · 原文

四、目标模式：从收集文件转向重建财富轨迹

目标运营模式要做的事，是把财富来源审查从文件核对工作，转变成以合理性为主导的情报能力。

证据仍要收集和保留，但核心问题变了：在综合考虑所有权结构、经济逻辑、交易行为、时间节点和现有外部证据后，客户的财富轨迹是否连贯一致。

这份报告的原文件放在运营动脉（www.yydm.cn）上，图表、口径说明和样本量都写得很清楚。

想看原文的完整版，搜标题就能打开，图表和数据附录都是齐的，不用注册。

报告用四组对照讲这次转变：从收集文件转为重建财富轨迹，从验证形式与完整性转为评估经济与结构合理性。

第三组是从阶段性审查转为持续监控并触发重新校准，第四组是从基于孤立标记上报，转为利用复合风险情报确定优先级。

这背后是思维导向的改变：不再追问是否已收到所需文件，而是追问证据是否解释了财富随时间产生、转移、积累和控制的过程。

运营原则还有一条边界：目标模型不应要求分析师为了收集证据而收集证据，而要帮助判断哪些证据重要、与财富故事如何关联、故事是否仍然合理。

实际操作意义是，团队应围绕信息生成而非文档处理来组织，并配以可靠数据基础、可复用分析资产、清晰的分析师工作流和治理控制。

第一条原则也很直白：通过图谱和审计追踪保存机构知识，而不是依赖分析师记忆，这是很多机构最容易被忽视的资产流失。

从查有没有，到查合不合理，这一步才是 AI 真正该插进去的地方。

图源：《转型中通过人工智能采纳实现财富来源转型 一种》（第9页） · 原文

五、技术架构：五层打底，六个受控步骤

报告主张把 AI 支持的财富来源能力做成集成智能系统，而不是一个点状解决方案。架构需要五个相互加强的层级：数据摄取与规范化、实体解析与知识图谱构建、分析建模、决策编排，以及治理审计与模型风险管理。

数据来源可以分成五类。客户主数据与 KYC、交易系统、企业注册机构、文档存储库、外部情报，每一类都有自己的刷新节奏和技术风险。

风险也各不相同：主数据常见档案过时、分类不一致和实益所有人字段缺失；交易系统的问题在账户视图分散和交易对手标准化不一致。

注册机构数据有延迟、境外覆盖不全和名称差异；文档存储库容易出现光学字符识别错误和元数据缺失。外部情报的问题则是误报、许可限制和可解释性局限，而且高度依赖供应商。报告提醒，这些都必须在架构层被显式处理。

实施层面要走六个受控步骤：捕获源数据、保留并标准化数据、应用质量与完整性检查、创建可复用分析特征、注册并治理模型、监控输出与人类决策。

每次转换都要保留谱系、源系统标识符、时间戳、数据质量评分和访问控制元数据，让每个模型输出都能追溯回生成它的证据。

报告的原话是，这些步骤确保架构不只是模型的集合，而是具备明确所有权、证据、血缘与治理能力的可控运营能力。

一条可追溯的数据管道，比三个聪明的模型更值钱。

图源：《转型中通过人工智能采纳实现财富来源转型 一种》（第10页） · 原文

图源：《转型中通过人工智能采纳实现财富来源转型 一种》（第11页） · 原文

六、六个能力：从关联记录到优先排序

架构往下拆，是六个具体能力，每一个都对应财富来源审查里的一类判断。第一是实体解析，即判断不同记录是否指代同一人、公司、信托、账户或资产，即便名称、地址、标识符或文件不完整、不一致。

它是基础中的基础：如果机构无法先弄清哪些记录属于同一整体，后面所有的合理性评估都不可靠。

匹配应分阶段进行，尽可能使用精确标识符，再用相似性和上下文匹配去发现跨名称、地址、董事、实益所有人之间的关联；不确定的匹配要留给人审。

第二是知识图谱，把个人、公司、信托、账户、资产和交易表示为相互关联的关系，而不是孤立记录。

图谱要区分法律所有权、经济所有权、控制权、授权、交易流向和咨询影响力，并保留时间信息，才能验证客户在声称的时间点是否真的控制某资产。

第三是财富积累合理性建模，把焦点从是否存在文件转向财富轨迹在经济上是否一致，对比收入、企业所有权、流动性事件、房地产升值、投资回报、杠杆和消费假设。

第四是自然语言处理，把客户陈述和信托契书、销售协议、财务报表、估值报告转成结构化证据，输出必须能追溯到源文件。

第五是异常检测，找出与同类主体显著差异的结构或交易，评分只用于优先安排审查，不能自动决定结果。

第六是复合风险评分与工作流路由，把图谱透明度、经济合理性、证据充分性、叙述一致性、辖区风险等信号合起来，每个组成部分都要可解释。

模型负责把疑点排到前面，判断谁可疑这件事，还得人来做。

图源：《转型中通过人工智能采纳实现财富来源转型 一种》（第12页） · 原文

七、治理：可解释、可审计、可重复，人负最终责任

报告给的总原则是，AI 驱动的财富来源审查应作为受控的决策支持能力来治理，而不是自动决策引擎。机构必须能解释数据来源、记录如何关联、模型输出如何产生、哪些证据支持结果，以及在最终决策前人工判断如何介入。

治理框架建立在五项原则之上：可解释性、可审计性、可重复性、隐私保护与人工问责。模型风险管理要贯穿设计、开发、验证、部署、监控和退出全周期，每个模型、评分、图谱输出或提取结果都要有明确目标、所有者和获批用例。

验证不应只测技术准确率，还要看模型是否为分析师提供了有用、可解释且比例合理的输出，这是报告里很务实的一条。

可解释性要分三层运作：案件层面说明为什么这个客户被标记，模型层面展示整体组合中的行为，图谱层面揭示构成风险信号的具体实体和路径。

部署后还要持续监控，涵盖数据质量、模型漂移、覆盖控制率、评分分布变化、延迟、可解释性差距和案件结果。

报告特别强调，分析师覆盖模型输出时应记录理由并持续监控，因为重复出现的覆盖模式，恰恰是未来改进模型最有价值的线索。

治理不是上线前的一次审批，而是上线后的每天。

图源：《转型中通过人工智能采纳实现财富来源转型 一种》（第15页） · 原文

八、路线图：五个版本，十八到二十四个月

报告主张按产品式发布推进，而不是一次性整体转型，每个版本都要带明确风险用例、数据要素、目标工作流、控制要求和业务指标。

第一个版本是图表基础，做实体解析、图谱模式、注册表接入和可视化，控制关卡是数据血缘、访问控制和匹配质量测试。

成功指标是图中所示高风险案例的百分比。第二个版本是证据智能，做自然语言处理提取、文件分类和证据充分性评分。

它的控制关卡是光学字符识别准确性、提取验证和人工审查抽样，成功指标是减少重复文件索取。第三个版本是合理性引擎，引入财富合理性建模、贝叶斯更新和同行基准比较，控制关卡是假设审查、敏感性测试和验证签核。

第四个版本是异常与监控，加入异常模型、漂移仪表板和事件触发器，目标是减少低价值的问题升级。第五个版本是集成编排，做复合评分、工作流路由、覆盖捕获和重大事件仪表板，指标是周期时间和证据质量的显著提升。

时间表上，0 到 3 个月做基础与动员，3 到 6 个月搭图表与证据基础，6 到 12 个月做证据智能与合理性测试。12 到 18 个月做风险评分与工作流集成，18 到 24 个月进入持续监控与优化，之后再谈企业级扩展。

先把地基、分类法和治理补齐，再谈端到端自动化，顺序比速度重要。

图源：《转型中通过人工智能采纳实现财富来源转型 一种》（第17页） · 原文

九、董事会看什么，以及三条伦理红线

报告建议董事会区分两类指标：一类是管理层跑流程用的运营指标，另一类是判断项目是否在提升管控有效性的董事会级指标。

董事会要回答的问题很具体：我们是否更一致地识别出真正的高风险案例？是否在减少对超高新净值客户的不必要摩擦？

决策是否由更优证据支撑，而不只是更多文件？管理层能否解释 AI 辅助决策的达成过程？能否向监管和审计证明有效性？

报告还划了三条伦理红线，这三条在 AI 应用里最容易被忽略。第一，人工智能无法孤立地判定犯罪性或合法性。非法财富可能嵌入看似合法的结构，合法财富也可能因为登记数据不完整而显得异常。

第二，警惕虚假精度。模型生成的可能性评分看似客观，结果却取决于假设、数据质量、先验观点和基准选择，数值置信度不能取代专业怀疑精神。

第三，AI 绝不能成为去风险化的捷径。高异常分数、不完整数据或不透明结构，可证明需要加强审查，但不能自动证明终止关系合理。

结论那段的判断很到位：增加更多文档要求的机构解决不了根本问题，只会增加成本、客户摩擦和分析师疲劳，风险洞察未必提升。

这份白皮书原文件、附录里的实施手册、技术说明和治理控制矩阵，都放在运营动脉（www.yydm.cn）上，搜标题就能打开。