用 Claude Cowork 打擊金融犯罪（第 1/2 段）

🧑‍🏫 這支影片的講者來自法國金融科技公司 Quanto。他說明公司怎麼讓 Claude 協助調查洗錢這類金融犯罪，而且全程處理的都是極度敏感的客戶資料。影片的重點不在 AI 有多聰明，而是 AI 在安全、合規和人工把關都顧到的前提下，怎麼真正進到高風險的工作裡。只要你想在公司用 AI 處理機密資料，這支都很值得看。

• 00:14 講者是 Quanto 的 Senior Staff Software Engineer，Stefano Amorelli
  ↳ 講者 Stefano Amorelli 是 Quanto 的 Senior Staff Software Engineer，也就是公司裡層級很高、會參與技術方向決策的資深工程師。
• 00:14 Quanto 是法國的 fintech 公司，為中小企業（SMEs）提供線上商業銀行服務和金融工具
  ↳ Quanto 是法國的 fintech（金融科技）公司，服務對象是 SMEs，也就是中小企業。它提供線上的公司銀行帳戶和各種金融工具，像是數位版的企業往來銀行。
• 00:44 Quanto 有超過 60 萬名客戶，在歐洲超過 8 個市場營運
  ↳ Quanto 有 60 多萬名客戶，在歐洲 8 個以上的市場營運。所以這不是小規模的實驗，而是在真實、大量客戶的環境裡做出來的。
• 00:44 講者說在金融業，打擊金融犯罪是第一優先
  ↳ 講者強調，在金融業，抓出洗錢這類金融犯罪是第一要務，比其他事情都優先。
• 00:44 全球每年有 2 到 5 兆美元被洗錢，對罪犯來說是很大的生意
  ↳ 全球每年被洗錢的金額估計有 2 到 5 兆美元。洗錢就是把犯罪得來的錢包裝成看起來合法的錢，對罪犯來說是一門大生意。
• 01:14 有了 AI，罪犯手法越來越高明，但防範金融犯罪的一方也在進步
  ↳ AI 是雙面刃：罪犯用 AI 讓手法更難被識破，但負責防堵的一方也在用 AI 提升調查能力。
• 01:14 演講主軸：Quanto 怎麼用 AI 和 Claude，建立一套以安全與合規為優先的系統
  ↳ 演講主軸是 Quanto 怎麼用 Claude 蓋出一套系統，而且從一開始就把「安全」和「符合法規」放在第一位，不是做完才補。
• 01:44 目標是讓 AI 能用在資料非常敏感的關鍵環境裡
  ↳ 目標是讓 AI 能進到資料極度敏感的地方工作，而不是只能處理無關緊要的東西。
• 01:44 演講也會簡單談 evals：怎麼做評估、要評估什麼，以及為什麼在這類情境很重要
  ↳ 講者也會談 evals，也就是「評估」：用一套方法檢查 AI 做得對不對。在判斷錯了會出事的場合，沒有評估就不敢放心用。
• 01:44 講者也會分享這個專案的心得，說明它怎麼帶動 AI 在大型組織各部門的採用
  ↳ 講者也會分享心得：這個專案做起來之後，怎麼帶動大公司裡其他部門也開始用 AI。
• 02:15 金融犯罪的處理流程：有可疑交易時，全自動的警示系統會發出 alert，之後才開始人工處理
  ↳ 處理流程是這樣：系統自動偵測到可疑交易，就發出 alert（警示通知）。到這一步都是機器自動處理，之後才交給人。
• 02:15 由人工調查員接手案件、排定優先順序，再從許多不同資料來源蒐集資料
  ↳ 人工調查員接手案件後，先排出哪件比較急，再到各種不同的地方找資料，拼湊出這筆交易背後的全貌。
• 02:46 資料來源包括 Google 搜尋、第三方工具、內部 dashboard；調查員通常用至少三個螢幕、開幾十個瀏覽器分頁
  ↳ 資料來源有 Google 搜尋、外部廠商的工具，還有公司內部的 dashboard（資料儀表板）。調查員常常同時開三個以上螢幕、幾十個瀏覽器分頁。
• 03:16 調查員要把資料彙整成一份大文件，有些記在腦中、有些寫下來，再推理判斷是否真的有犯罪行為
  ↳ 查到的東西要整理成一份大文件，有些寫下來、有些只記在腦子裡，最後再由調查員自己推理判斷：這到底是不是犯罪。
• 03:16 這個流程非常人工、很耗時，講者形容這對人來說「有點不人道」，要求太多了
  ↳ 整個過程幾乎全靠人工，非常花時間。講者甚至說這對人「有點不人道」，因為要一個人同時記住、比對的資訊實在太多。
• 03:47 AI 的第一種用法是一般使用：打開 Claude 上傳文件、問一般問題，不用 plugin，頂多搭配簡單的 skill
  ↳ 第一種用法最普通：打開 Claude、上傳文件、問問題。不裝 plugin（外掛擴充功能），頂多加個簡單的 skill（事先寫好、教 AI 怎麼做某件事的指引）。
• 03:47 講者認為一般使用不夠有趣，想更深入運用 AI
  ↳ 講者覺得這種用法太基本，沒發揮到 AI 真正的本事，所以想往更深的方向做。
• 04:19 「第一道防線」是警示系統，這裡用的是 predictive AI（傳統機器學習），通常還會搭配確定性規則
  ↳ 第一道防線就是自動警示系統，用的是 predictive AI，也就是傳統機器學習：從過去的資料學出規律來預測。通常還會搭配寫死的規則一起用。
• 04:19 第一道防線最重視速度和準確度，所以 GenAI 大概不是最適合的選擇
  ↳ 這一關最重要的是快和準，所以像 Claude 這種會生成內容的 GenAI（生成式 AI），大概不是最適合放在這裡的工具。
• 04:19 比較有意思的是把 agentic AI 用在「第二道防線」，也就是目前很耗時的人工調查流程
  ↳ 比較有意思的是第二道防線，也就是警示之後的人工調查。這裡適合用 agentic AI：會自己規劃步驟、使用工具，一步步把任務做完的 AI。
• 04:51 業界在這個環節採用 AI 和 agentic AI 的業者還不多，所以本次聚焦在第三種：第二道防線的 agentic AI
  ↳ 目前業界很少人把 AI、尤其是 agentic AI 用在調查這一段，所以這場演講專講這第三種用法。
• 05:23 模型選擇：Quanto 選了 Opus 4.7
  ↳ 模型方面，Quanto 選了 Opus 4.7，也就是 Anthropic 的 Claude 系列裡最高階的那一級。
• 05:23 講者認為不是每件事都需要 Opus 4.7，連寫程式也一樣，有些情況用較便宜的模型就夠了
  ↳ 講者提醒，不是每件事都要用最貴的模型，連寫程式也一樣。很多工作用便宜一點的模型就夠了，錢要花在真正需要的地方。
• 05:23 但這個情境要處理大量資訊，需要能在很長的 context window 裡推理的模型，講者認為目前市面上沒有比 Opus 4.7 更好的 frontier model
  ↳ 但調查要一次消化大量資料，模型必須在很長的 context window（模型一次能讀進去的內容量）裡推理。講者認為目前的頂尖模型中，沒有比 Opus 4.7 更好的。
• 05:57 Quanto 用 Claude Cowork 當反金融犯罪調查員的入口和使用介面
  ↳ Quanto 用 Claude Cowork 當調查員的操作介面。Cowork 是 Anthropic 的應用程式，讓 Claude 幫你執行多步驟的工作。
• 05:57 選 Cowork 的第一個原因：容易讓非技術人員上手
  ↳ 選 Cowork 的第一個理由：不會寫程式的人也能很快上手，調查員不需要懂技術。
• 05:57 第二個原因：可以打造複雜的 plugin，裡面包含多個 skill，並把需要的工具和 MCP server 一起打包
  ↳ 第二個理由：可以做出很完整的 plugin，一個 plugin 能放好幾個 skill，還能把需要的工具和 MCP server（讓 AI 連上某個資料來源的連接程式）一起包進去。
• 06:28 講者用 GraphWorks benchmark 說明 Opus 4.7 的優勢：這個 benchmark 測模型能不能在文件中找出分散各處的事實
  ↳ 講者用 GraphWorks 說明 Opus 4.7 的強項。GraphWorks 是一種 benchmark（標準化測驗），測模型能不能在文件裡找出散落各處的事實。
• 07:00 GraphWorks 測的是模型能不能在整個 context window 裡找出事實之間的關聯，不只是位置相近的事實
  ↳ 它測的不只是找出靠得很近的資訊，而是能不能在整份超長內容裡，把前後分散的事實串起來，看出它們之間的關聯。
• 07:00 調查工作的資訊分散在整個 context window 裡，所以這個 benchmark 最值得參考；講者說 Opus 4.7 目前是市場領先者
  ↳ 調查工作正是這種狀況：線索東一塊、西一塊，所以這項測驗最有參考價值。講者說 Opus 4.7 在這項目前是市場第一。
• 07:30 模型再聰明，拿不到資料也沒那麼有用；要讓 LLM 存取資料，首先想到的就是 MCP
  ↳ 模型再聰明，拿不到資料也沒什麼用。要讓 LLM（大型語言模型，像 Claude 這類 AI）接上資料，第一個想到的就是 MCP，一套讓 AI 連接外部資料和工具的開放標準。
• 08:01 跟風險、合規或資安部門提到 MCP，常常會引起疑慮；有人甚至開玩笑說 MCP 裡的 S 代表 security
  ↳ 但一跟風險、合規、資安部門提 MCP，對方常常就很擔心。有人開玩笑說「MCP 裡的 S 代表 security」，可是 MCP 裡根本沒有 S，意思是它本身不夠安全。
• 08:01 講者認為這些疑慮可以解決：從一開始就以安全和合規為優先來設計
  ↳ 講者認為這些擔心是可以解決的，關鍵是從設計第一天起就把安全和合規當作前提。
• 08:34 本次演講的主要收穫：劃好邊界，並實作一套合規又安全的系統（harness）
  ↳ 這場最想讓人帶走的是：先劃清 AI 能碰什麼、不能碰什麼，再打造一套合規又安全的 harness，也就是包在 AI 外面、控管它怎麼運作的整套系統。
• 08:34 金融犯罪調查的資料散落在很多來源：知識庫、OSINT、內部資料庫、dashboard、KYC／KYB 資料，還牽涉多模態
  ↳ 資料散在很多地方：知識庫、OSINT（公開管道查得到的情報）、內部資料庫、dashboard、KYC／KYB（對個人或企業客戶的身分審查資料），而且文字、圖片等不同形式都有。
• 09:07 Quanto 也希望透過內部 API endpoint 自動執行動作
  ↳ Quanto 也希望 AI 能透過內部的 API endpoint（系統開放給其他程式呼叫的窗口）直接執行動作，不只是讀資料。
• 09:07 各個資料入口用不同的程式語言，有內部也有外部，很混亂；目標是整合成安全又合規的統一體驗
  ↳ 這些資料入口有內部也有外部，用的程式語言也各不相同，很亂。目標是把它們整合成一個統一的入口，而且每一步都安全、合規。
• 09:38 技術需求一：使用 remote MCP server，集中管理和監控，而且預設用 OAuth，有強驗證
  ↳ 需求一：用 remote MCP server（放在遠端伺服器、集中管理的 MCP server），方便統一監控；並預設用 OAuth（常見的登入授權標準）做嚴格的身分驗證。
• 10:08 技術需求二：權限系統要在密碼學上夠安全，就算 session token 外洩也不會造成大問題
  ↳ 需求二：權限機制在密碼學上要夠牢靠。session token 是登入後拿到的臨時通行證，就算這張通行證外洩，也不能造成大問題。
• 10:08 為此採用 Paseto token（platform-agnostic security tokens），這是 2018 年出現的較新技術，很適合短效期的安全 token
  ↳ 所以他們用 Paseto token，一種 2018 年出現的較新通行證格式，特別適合短時間有效的 token。時間一過就作廢，外洩的風險也跟著降低。
• 10:38 技術需求三：role-based access control，特定資料只開放給特定人員，不讓公司裡每個人都能存取所有東西
  ↳ 需求三：role-based access control（依角色控管權限），依照每個人的職務決定能看哪些資料，不讓公司裡每個人都能看到全部。
• 10:38 技術需求四：audit trail，要清楚知道誰在什麼時候存取了什麼
  ↳ 需求四：audit trail（稽核軌跡），完整記錄誰、在什麼時間、存取了什麼，出了問題查得回來。
• 10:38 基於合規考量，暫時不把流程完全自動化，至少重大決策要保留人的判斷
  ↳ 因為合規考量，他們暫時不讓流程全自動，至少重大決定一定要由人來拍板。
• 11:08 保留人的判斷是因為金融犯罪調查會帶來後果，包括法律後果
  ↳ 原因是調查結果會帶來真實的後果，包括法律後果。判斷錯了會影響到真人，所以最後那一步要留給人。
• 11:08 架構：入口是 Claude Cowork 上的 plugin，給反金融犯罪分析師使用；plugin 連到 MCP gateway
  ↳ 整體架構：分析師在 Claude Cowork 裡用專屬的 plugin 工作，plugin 背後再連到 MCP gateway。
• 11:38 MCP gateway 是整個基礎架構最重要的元件，負責驗證使用者、實作 role-based access control，也負責 audit trail
  ↳ MCP gateway 是整套系統最關鍵的一環，有點像大樓的門禁櫃台：確認你是誰、決定你能進哪些資料，並記下每一次進出。
• 11:38 所有操作都記錄在一個 append-only 資料庫裡
  ↳ 所有操作都寫進 append-only 資料庫，也就是只能新增、不能修改或刪除的資料庫。紀錄寫進去就改不掉，才經得起稽核。
• 12:08 MCP gateway 會連到下游多個部署在內部的 MCP server，每個對應不同的資料來源
  ↳ gateway 後面接著好幾個架在公司內部的 MCP server，每一個負責一個資料來源。
• 12:08 下游 MCP server 可以用 Go、Python、TypeScript 等任何語言實作（講者開玩笑說別用 COBOL），因為架構跟語言無關
  ↳ 這些 MCP server 用 Go、Python、TypeScript 哪種程式語言寫都行（講者開玩笑說別用 COBOL 這種老語言），因為架構不綁定任何語言。
• 12:38 所以要為新的資料來源接上新的 MCP server 很容易，而且直接內建 audit log、身分管理和 role-based access control
  ↳ 所以要接新的資料來源時，只要多寫一個 MCP server 掛上去，就直接有稽核紀錄、身分管理和權限控管，不用每次從頭做。
• 12:38 MCP server 再連到下游的 API
  ↳ 每個 MCP server 再往下連到真正存放資料的系統 API，把資料拿回來。
• 12:38 Plugin 的做法：工程師跟調查員坐在一起，實際一起做了三次調查，再依他們的領域知識打造 plugin
  ↳ plugin 的做法是：工程師和調查員坐在一起，實際一起做了三件調查，再把調查員的專業做法做進 plugin 裡。
• 13:08 Plugin 是集中發布、有版本控管的產物，連調查員自己都能輕鬆更新
  ↳ plugin 由公司統一發布，也有版本控管（每次修改都有紀錄、可以回溯），連調查員自己都能輕鬆更新。
• 13:08 公司內部用 SSO，MCP gateway 負責驗證使用者並核發短效 token，讓 MCP server 知道使用者有哪些權限
  ↳ 公司內部用 SSO（單一登入，一組帳號就能登入各個系統）。MCP gateway 驗證身分後，發一張短效 token，讓後端的 MCP server 知道這個人有哪些權限。
• 13:39 架構中還有一條 audit pipeline
  ↳ 架構裡還有一條 audit pipeline，是專門處理稽核紀錄的資料流程。這一段只提到有這條，沒有細講。

講者說 Quanto 為什麼選 Claude Cowork 當調查員的入口？