คู่มืออุตสาหกรรม: ธนาคาร
วิธีใช้ Claude ในธนาคาร: คู่มือปฏิบัติสำหรับทีมงานธนาคาร
งานเสร็จเร็วขึ้น โดยยังมีคนเซ็นชื่อรับรองไฟล์อยู่
คู่มือนี้เขียนขึ้นสำหรับคนที่ทำงานในธนาคารรายย่อย ธนาคารพาณิชย์ และธนาคารเพื่อลูกค้าบุคคลรายใหญ่ ที่ต้องการนำ Claude ของ Anthropic มาใช้ในงานด้านการปฏิบัติตามกฎระเบียบ คดี KYC และ AML การสืบสวนทุจริต งานปฏิบัติการ การสื่อสารกับลูกค้า และโค้ดระบบเก่า เนื้อหายึดตามสิ่งที่ Anthropic เผยแพร่สำหรับภาคบริการทางการเงิน และสิ่งที่ธนาคารที่ถูกเอ่ยชื่อได้กล่าวไว้ในโพสต์และเรื่องราวลูกค้าของ Anthropic เอง
วิธีใช้ Claude ในธนาคาร เริ่มจากงานที่เอกสารเยอะจนทำให้ธนาคารทุกแห่งช้าลง ได้แก่ การตรวจสอบไฟล์ KYC และชี้จุดที่ขาดหาย การร่างเรื่องเล่าการสืบสวน AML จากข้อมูลคดี การสรุปการเปลี่ยนแปลงกฎระเบียบให้เป็นการปรับปรุงนโยบาย การเขียนบันทึกคดีทุจริต การกระทบยอดรายการปฏิบัติการที่ค้างอยู่ และการปรับปรุงโค้ดเก่าให้ทันสมัย Claude อ่าน จัดโครงสร้าง และร่างเอกสารได้อย่างรวดเร็ว ส่วนพนักงานธนาคารเป็นผู้ตัดสินใจ ยื่นรายงาน และรับผิดชอบต่อหน่วยงานกำกับดูแล โดยทุกขั้นตอนที่ใช้ AI ช่วยยังคงอยู่ภายใต้การควบคุมความเสี่ยงด้านโมเดลและข้อมูลของธนาคาร
เผยแพร่เมื่อ
สรุปประเด็นสำคัญ
- การใช้งานด้านธนาคารที่แข็งแกร่งที่สุดคือการตรวจสอบไฟล์ KYC เรื่องเล่าคดี AML การสรุปการเปลี่ยนแปลงกฎระเบียบ การกระทบยอดงานปฏิบัติการ และการปรับปรุงโค้ดให้ทันสมัย
- เทมเพลตเอเจนต์ของ Anthropic เมื่อเดือนพฤษภาคม 2026 มีทั้งตัวคัดกรอง KYC ตัวกระทบยอดบัญชีแยกประเภททั่วไป และตัวปิดบัญชีสิ้นเดือน
- Anthropic รายงานการใช้งานด้านธนาคารที่ระบุชื่อที่ N26, bunq, BNY, Citi และ FIS ตั้งแต่การทำกระบวนการอัตโนมัติไปจนถึงแพลตฟอร์มสำหรับนักพัฒนา
- AI ช่วยเหลือนักวิเคราะห์ ส่วนการตัดสินใจเรื่องกิจกรรมต้องสงสัยและการยื่นเอกสารต่อหน่วยงานกำกับดูแลยังคงเป็นหน้าที่ของมนุษย์
- ทุกการใช้งานอยู่ภายใต้กฎการบริหารความเสี่ยงด้านโมเดล การคุ้มครองข้อมูล และการเก็บบันทึกของธนาคาร
คัดลอกไปใช้ได้เลย
พรอมต์ที่ใช้ได้ทันทีวันนี้
การตรวจสอบช่องว่างในไฟล์ KYC
คุณคือนักวิเคราะห์ KYC ที่ธนาคารพาณิชย์แห่งหนึ่ง โปรดตรวจสอบเอกสารการเปิดบัญชีที่สรุปไว้ด้านล่างสำหรับลูกค้านิติบุคคล เทียบกับเช็กลิสต์ของเรา ได้แก่ เอกสารนิติบุคคล โครงสร้างการถือหุ้นจนถึงผู้รับผลประโยชน์ที่แท้จริงเหนือเกณฑ์ของเรา ผู้มีอำนาจควบคุม ที่มาของเงินทุน กิจกรรมที่คาดว่าจะเกิดขึ้น และผลการตรวจสอบรายชื่อคว่ำบาตรและสื่อเชิงลบ สำหรับแต่ละรายการในเช็กลิสต์ ให้ระบุว่ามี ขาดหาย หรือไม่สอดคล้องกัน พร้อมอ้างอิงข้อความจากเอกสารที่สนับสนุนคำตอบ จากนั้นระบุรายการที่ต้องขอเพิ่มเติมจากผู้จัดการดูแลลูกค้า เช็กลิสต์และเอกสาร: [วาง]
วางเช็กลิสต์จริงของธนาคารคุณ ผลลัพธ์ควรสะท้อนขั้นตอนของธนาคารคุณ ไม่ใช่รายการทั่วไป
เรื่องเล่าการสืบสวน AML
โปรดร่างส่วนเรื่องเล่าของแฟ้มคดีสืบสวน AML จากรายละเอียดการแจ้งเตือน สรุปธุรกรรม และบันทึกของนักวิเคราะห์ด้านล่าง จัดโครงสร้างดังนี้ ตัวบุคคลและความสัมพันธ์ การแจ้งเตือนและสถานการณ์ที่ถูกกระตุ้น กิจกรรมที่ตรวจสอบพร้อมวันที่และจำนวนเงินตามที่ระบุไว้เป๊ะ ๆ ข้อค้นพบของนักวิเคราะห์ และคำถามที่ยังเปิดอยู่ ใช้ภาษาที่เป็นกลางและอิงข้อเท็จจริง อย่าสรุปว่ากิจกรรมนั้นน่าสงสัยหรือไม่ การตัดสินใจนั้นเป็นของฉัน ข้อมูล: [วาง]
การให้ผู้สืบสวนเป็นคนสรุปผลเองเป็นทั้งแนวปฏิบัติที่ดีและสิ่งที่หน่วยงานกำกับดูแลคาดหวัง
สรุปการเปลี่ยนแปลงกฎระเบียบ
โปรดสรุปข้อความกฎระเบียบด้านล่างให้คณะกรรมการปฏิบัติตามกฎระเบียบของธนาคาร โดยระบุ อะไรที่เปลี่ยนแปลง ใช้กับใคร วันที่มีผลบังคับใช้ตามที่ระบุไว้ นโยบายที่มีอยู่ของเราในรายการด้านล่างที่น่าจะได้รับผลกระทบ และคำถามสำหรับฝ่ายกฎหมาย เขียนให้ไม่เกินสี่ร้อยคำ อ้างอิงข้อความสำหรับทุกข้อกำหนด และอย่าเพิ่มข้อกำหนดใดที่ไม่มีอยู่ในข้อความนั้น ข้อความกฎระเบียบและรายการนโยบายของเรา: [วาง]
วางข้อความจริงเสมอ ข้อมูลฝึกฝนของ Claude อาจไม่รวมฉบับล่าสุด
บันทึกคดีทุจริตและจดหมายถึงลูกค้า
นี่คือรายละเอียดคดีทุจริตบัตร ได้แก่ ธุรกรรมที่ถูกโต้แย้ง คำชี้แจงของลูกค้า ข้อมูลอุปกรณ์และตำแหน่งที่ตั้ง และข้อค้นพบของผู้สืบสวน ขั้นแรก เขียนบันทึกคดีภายในที่สรุปหลักฐานและการตัดสินใจของผู้สืบสวน ขั้นที่สอง เขียนจดหมายภาษาธรรมดาถึงลูกค้าอธิบายผลสรุปและขั้นตอนต่อไป โดยไม่เปิดเผยวิธีการตรวจจับ เขียนจดหมายให้ไม่เกินสองร้อยคำ รายละเอียด: [วาง]
การแยกบันทึกภายในกับจดหมายลูกค้าออกจากกัน ช่วยไม่ให้รายละเอียดการตรวจจับหลุดไปถึงลูกค้า
การอธิบายโค้ดระบบเก่า
โปรดอธิบายว่าโปรแกรม COBOL ด้านล่างทำอะไร แยกอธิบายทีละส่วนด้วยภาษาธรรมดาสำหรับนักพัฒนา Java ที่จะนำไปเขียนใหม่ ระบุกฎธุรกิจทุกข้อที่โปรแกรมบังคับใช้ ไฟล์หรือตารางทุกตัวที่อ่านและเขียน และพฤติกรรมใดที่ดูเหมือนไม่ตั้งใจ จากนั้นเสนอชุดกรณีทดสอบที่จะยืนยันว่าการเขียนใหม่ทำงานเหมือนเดิมทุกประการ โปรแกรม: [วาง]
กรณีทดสอบที่มาจากพฤติกรรมเดิมคือสิ่งที่ทำให้การปรับปรุงให้ทันสมัยปลอดภัย
จาก Anthropic
สิ่งที่ Anthropic มีให้สำหรับธนาคาร
Claude for Financial Services
บริการภาคการเงินของ Anthropic ที่ประกาศเมื่อเดือนกรกฎาคม 2025 รวมโมเดล Claude, Claude Code และการเข้าถึงระดับองค์กร พร้อมตัวเชื่อมต่อไปยังแพลตฟอร์มข้อมูลอย่าง Snowflake, Databricks และ S&P Global รวมถึงพันธมิตรด้านการติดตั้งใช้งาน Anthropic ระบุว่าข้อมูลจะไม่ถูกนำไปใช้ฝึกโมเดลโดยค่าเริ่มต้น
Agents for financial services
เทมเพลตเอเจนต์สิบแบบที่เปิดตัวเมื่อเดือนพฤษภาคม 2026 รวมถึงตัวคัดกรอง KYC ตัวกระทบยอดบัญชีแยกประเภททั่วไป ตัวปิดบัญชีสิ้นเดือน และตัวตรวจสอบสเตทเมนต์ เผยแพร่เป็นปลั๊กอินใน Claude Cowork และ Claude Code รวมถึงเป็นคุกบุ๊กสำหรับ Claude Managed Agents
Anthropic and TCS partnership
Anthropic ประกาศความร่วมมือกับ TCS เมื่อเดือนมิถุนายน 2026 เพื่อสร้างบริการที่ขับเคลื่อนด้วย Claude สำหรับอุตสาหกรรมที่อยู่ภายใต้การกำกับดูแล รวมถึงคำแนะนำด้านสินเชื่อสำหรับธนาคารและการประมวลผลสินไหมทดแทนสำหรับบริษัทประกัน
การใช้งานจริง
ทีมในธนาคารใช้ Claude อย่างไร
อ้างอิงจากเรื่องราวลูกค้าที่ Anthropic เผยแพร่
N26
ตามเรื่องราวลูกค้าของ Anthropic ธนาคารดิจิทัล N26 ใช้ Claude ผ่าน AWS Bedrock ในกรณีการใช้งานภายในกว่าสิบกว่าแบบ และทำกระบวนการส่วนใหญ่ในกระบวนการเป้าหมายให้เป็นอัตโนมัติ พร้อมลดการประมวลผลด้วยมือลง
อ้างอิงจากเรื่องราวลูกค้าที่ Anthropic เผยแพร่
bunq
เรื่องราวลูกค้าของ Anthropic เกี่ยวกับ bunq รายงานว่า Claude Code ช่วยให้นักพัฒนาใหม่มีส่วนร่วมกับโค้ดที่มีความหมายได้เร็วขึ้นมากกว่าเดิม พร้อมทั้งการเปิดบัญชีที่รวดเร็วและอัตราการแก้ปัญหาสนับสนุนแบบอัตโนมัติในระดับสูง
อ้างอิงจากเรื่องราวลูกค้าที่ Anthropic เผยแพร่
FIS
บนหน้าภาคบริการทางการเงินของ Anthropic ประธานเจ้าหน้าที่บริหารของ FIS อธิบายถึงการสร้างเอเจนต์ร่วมกับ Anthropic สำหรับการสืบสวนการฟอกเงิน
อ้างอิงจากเรื่องราวลูกค้าที่ Anthropic เผยแพร่
BNY
ในโพสต์ด้านบริการทางการเงินของ Anthropic เมื่อเดือนพฤษภาคม 2026 ประธานเจ้าหน้าที่สารสนเทศของ BNY อธิบายถึงพนักงานดิจิทัล AI ที่ทำคดีตั้งแต่ต้นจนจบ
อ้างอิงจากเรื่องราวลูกค้าที่ Anthropic เผยแพร่
Citi
การอัปเดตด้านบริการทางการเงินของ Anthropic เมื่อเดือนตุลาคม 2025 ระบุว่า Citi ใช้ Claude ในแพลตฟอร์มนักพัฒนาที่ขับเคลื่อนด้วย AI เพื่อการวางแผนและการเขียนโค้ดเชิงเอเจนต์
ตัวอย่างสถานการณ์
การตรวจสอบต่ออายุ KYC ที่มีคนเซ็นรับรอง
- นักวิเคราะห์เปิดคดีตรวจสอบตามรอบกำหนดและโหลดเอกสารของลูกค้าเข้าสู่พื้นที่ทำงานที่ได้รับอนุมัติ
- Claude ตรวจสอบเอกสารแต่ละฉบับเทียบกับเช็กลิสต์ของธนาคาร และระบุรายการที่มี ขาดหาย หรือไม่สอดคล้องกัน
- นักวิเคราะห์ยืนยันช่องว่างที่พบ และสังเกตเห็นการเปลี่ยนแปลงโครงสร้างการถือหุ้นหนึ่งจุดที่ต้องมีการแจ้งผู้รับผลประโยชน์ที่แท้จริงใหม่
- Claude ร่างคำขอถึงผู้จัดการดูแลลูกค้าและบันทึกคดีในรูปแบบของธนาคาร
- นักวิเคราะห์ตรวจทานทั้งสองอย่าง ส่งคำขอ และบันทึกการตัดสินใจภายใต้ชื่อของตนเอง
ธนาคารกับ Claude: ตัวเลขที่เผยแพร่แล้ว
| ตัวเลข | บริบท | แหล่งที่มา |
|---|---|---|
| automated up to 70% of tasks across targeted processes | N26 ตามเรื่องราวลูกค้าของ Anthropic | แหล่งที่มา |
| reduced manual processing by up to 50% | N26 ในกระบวนการที่กำหนดไว้ ตามเรื่องราวลูกค้าของ Anthropic | แหล่งที่มา |
| 16 hours instead of 40 | เวลาที่นักพัฒนาใหม่ของ bunq ใช้ในการมีส่วนร่วมกับโค้ดที่มีความหมายด้วย Claude Code ตามเรื่องราวลูกค้าของ Anthropic | แหล่งที่มา |
เวิร์กโฟลว์หลัก
กรณีการใช้งาน Claude ในธนาคารทั่วทั้งองค์กร
นี่คือจุดที่ AI สำหรับธนาคารช่วยประหยัดเวลาของนักวิเคราะห์และฝ่ายปฏิบัติการได้มากที่สุด
AI สำหรับ KYC และ AML
การตรวจสอบไฟล์ KYC เทียบกับเช็กลิสต์ของคุณ การสรุปโครงสร้างผู้รับผลประโยชน์ที่แท้จริง และเรื่องเล่าการสืบสวน AML ที่ร่างจากข้อมูลคดีให้นักวิเคราะห์ตัดสินใจ
AI ตรวจจับทุจริตในธนาคาร
Claude ไม่ได้มาแทนที่โมเดลตรวจสอบธุรกรรมของคุณ แต่ช่วยผู้สืบสวนสรุปคดี เขียนบันทึก และอธิบายผลลัพธ์ให้ลูกค้าฟัง
AI สำหรับการปฏิบัติตามกฎระเบียบของธนาคาร
การสรุปการเปลี่ยนแปลงกฎระเบียบ การวิเคราะห์ช่องว่างของนโยบาย เอกสารทดสอบการควบคุม และความคิดเห็นประกอบรายงานต่อหน่วยงานกำกับดูแลที่ร่างจากข้อความต้นฉบับ
งานปฏิบัติการ
การกระทบยอดบัญชีแยกประเภททั่วไป การสืบสวนรายการค้าง ความคิดเห็นประกอบการปิดบัญชีสิ้นเดือน และเอกสารขั้นตอนงาน ที่ตรวจสอบย้อนกลับไปยังระบบข้อมูลหลักได้
การปรับปรุงโค้ดให้ทันสมัย
การอธิบายโค้ดระบบธนาคารหลักแบบเก่า การเขียนเทสต์ที่จับพฤติกรรมปัจจุบันไว้ และการช่วยนักพัฒนาเขียนใหม่ด้วย Claude Code
การสื่อสารกับลูกค้า
การตอบข้อร้องเรียน จดหมาย และร่างข้อความสนับสนุนด้วยภาษาธรรมดา ที่พนักงานตรวจสอบก่อนถึงมือลูกค้า
การปฏิบัติตามกฎระเบียบและการทุจริต
ธนาคารใช้ AI เพื่อการปฏิบัติตามกฎระเบียบและการตรวจจับทุจริตอย่างไร
ถามว่าธนาคารใช้ AI เพื่อการปฏิบัติตามกฎระเบียบและการตรวจจับทุจริตอย่างไร คุณจะได้คำตอบสองแบบ การตรวจจับเองมักทำงานบนโมเดลตรวจสอบธุรกรรมและโมเดลทุจริตเฉพาะทาง ส่วน generative AI อย่าง Claude ช่วยในสิ่งที่เกิดขึ้นหลังการแจ้งเตือน คือการรวบรวมข้อเท็จจริงของคดี การร่างเรื่องเล่าการสืบสวน การตรวจสอบไฟล์ KYC หาช่องว่าง และการเขียนสรุปการตัดสินใจ ซึ่งเป็นจุดที่กินเวลาผู้สืบสวนมากที่สุด
Anthropic สร้างเครื่องมือสำหรับเวิร์กโฟลว์นี้โดยตรง เทมเพลตเอเจนต์สำหรับภาคบริการทางการเงินเมื่อเดือนพฤษภาคม 2026 มีทั้งตัวคัดกรอง KYC ควบคู่กับเอเจนต์กระทบยอดและปิดบัญชี บนหน้าภาคบริการทางการเงินของ Anthropic ประธานเจ้าหน้าที่บริหารของ FIS อธิบายถึงการสร้างเอเจนต์ร่วมกับ Anthropic ที่ย่นเวลาการสืบสวน AML จากหลักวันเหลือเพียงหลักนาที ส่วนประธานเจ้าหน้าที่สารสนเทศของ BNY อธิบายถึงพนักงานดิจิทัลที่ทำคดีตั้งแต่ต้นจนจบ
AI ช่วยลดผลบวกลวงในการตรวจจับทุจริตได้หรือไม่ โมเดลเฉพาะทางทำได้ และธนาคารก็รายงานผลลัพธ์จากโมเดลเหล่านั้น แต่นั่นเป็นเครื่องมือคนละแบบกับผู้ช่วยทั่วไป สิ่งที่ Claude ทำได้คือทำให้แต่ละการแจ้งเตือนถูกเคลียร์เร็วขึ้น ด้วยการรวบรวมหลักฐานและร่างข้อสรุปให้นักวิเคราะห์ยืนยัน
AI เชิงเอเจนต์
AI เชิงเอเจนต์ในธนาคารและ Generative AI ในงานปฏิบัติการธนาคาร
AI เชิงเอเจนต์ในธนาคารหมายถึงเวิร์กโฟลว์หลายขั้นตอนที่ Claude รวบรวมเอกสาร ใช้กฎเกณฑ์ และเตรียมผลลัพธ์โดยไม่ต้องมีคนสั่งการทีละขั้นตอน การคัดกรอง KYC การกระทบยอดบัญชีแยกประเภททั่วไป และการปิดบัญชีสิ้นเดือน เป็นตัวเลือกที่ดีเพราะขั้นตอนถูกกำหนดไว้ชัดเจนและผลลัพธ์ตรวจสอบได้ เทมเพลตเอเจนต์ของ Anthropic จึงมีทั้งตัวกระทบยอดบัญชีแยกประเภททั่วไปและตัวปิดบัญชีสิ้นเดือนด้วยเหตุผลนี้เอง
Generative AI ในธนาคารทำงานได้ดีที่สุดเมื่อมีเส้นแบ่งที่ชัดเจน คือเอเจนต์เตรียมงาน ส่วนคนอนุมัติ ในทางปฏิบัติหมายความว่าผลลัพธ์ของเอเจนต์ทุกชิ้นต้องเข้าคิวรอตรวจสอบ ขั้นตอนของเอเจนต์ถูกบันทึกไว้ และโมเดลอยู่ภายใต้กรอบการบริหารความเสี่ยงด้านโมเดลของคุณ เช่น SR 11-7 ในสหรัฐอเมริกา หน่วยงานกำกับดูแลจะถามว่าเครื่องมือนี้ถูกตรวจสอบความถูกต้องและติดตามผลอย่างไร ไม่ใช่แค่ถามว่ามันผลิตอะไรออกมา
การปรับปรุงโค้ดให้ทันสมัยเป็นโอกาสที่เงียบกว่า ธนาคารหลายแห่งยังรันกระบวนการสำคัญบนโค้ดที่มีอายุหลายสิบปีซึ่งแทบไม่มีใครเข้าใจแล้ว Claude สามารถอธิบายโค้ดนั้น บันทึกกฎธุรกิจของมัน และช่วยเขียนเทสต์ก่อนที่จะเปลี่ยนแปลงอะไร โพสต์ของ Anthropic เมื่อเดือนตุลาคม 2025 อ้างคำพูดของประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของ Citi เกี่ยวกับการใช้ Claude ในแพลตฟอร์มนักพัฒนาเพื่อวางแผนและเขียนโค้ดเชิงเอเจนต์
การเลือกเครื่องมือ
Claude เทียบกับ ChatGPT สำหรับธนาคาร
คำถามเรื่อง Claude เทียบกับ ChatGPT สำหรับธนาคาร ตอบได้ดีที่สุดด้วยไฟล์งานจริงของคุณเอง ลองหยิบคดี KYC ที่ปิดแล้ว การสืบสวนในอดีต และสรุปกฎระเบียบที่ทีมคุณเคยเขียนไว้ รันพรอมต์เดียวกันในแต่ละเครื่องมือแล้วเปรียบเทียบความแม่นยำ วิธีอ้างอิงแหล่งที่มา และพฤติกรรมเมื่อข้อมูลขาดหาย
ในธนาคาร ปัจจัยตัดสินใจมักเป็นเรื่องการกำกับดูแลมากกว่าความสามารถดิบ ได้แก่ ตัวเลือกการติดตั้งใช้งาน ที่ตั้งของข้อมูล เงื่อนไขการเก็บรักษา บันทึกตรวจสอบ และว่าเครื่องมือนั้นเข้ากับกระบวนการบริหารความเสี่ยงบุคคลที่สามและความเสี่ยงด้านโมเดลของคุณหรือไม่ ตัวอย่างเช่น N26 ใช้ Claude ผ่าน AWS Bedrock ตามเรื่องราวลูกค้าของ Anthropic ทีมจัดซื้อและทีมความเสี่ยงของคุณจะเป็นผู้ตัดสินใจเส้นทางที่ได้รับอนุมัติ
ไม่ว่าคุณจะใช้เครื่องมือใด พรอมต์และนิสัยการตรวจสอบในหน้านี้นำไปใช้ต่อได้เสมอ ทักษะที่สำคัญคือการเขียนคำสั่งที่แม่นยำและตรวจสอบผลลัพธ์เทียบกับต้นฉบับ
เริ่มต้นใช้งาน
การนำ Claude เข้าสู่ทีมธนาคารอย่างปลอดภัย
เริ่มในพื้นที่ทำงานที่ได้รับอนุมัติ
ใช้เฉพาะการติดตั้งใช้งานที่ธนาคารของคุณอนุมัติสำหรับข้อมูลลูกค้า ทดสอบพรอมต์กับคดีสังเคราะห์หรือคดีที่ปิดแล้วก่อน
เลือกคิวงานหนึ่งคิว
เลือกกระบวนการซ้ำ ๆ หนึ่งอย่าง เช่น การตรวจสอบต่ออายุ KYC แล้ววัดเวลาและอัตราความผิดพลาดก่อนและหลัง
เขียนขั้นตอนงานลงในพรอมต์
วางเช็กลิสต์และข้อความนโยบายของคุณลงในพรอมต์หรือโปรเจกต์ ผลลัพธ์จะเป็นไปตามขั้นตอนของคุณ ไม่ใช่รายการทั่วไป
ให้มีผู้ตรวจสอบทุกผลลัพธ์
ออกแบบเวิร์กโฟลว์ให้มีคนที่ระบุชื่อชัดเจนอนุมัติการตัดสินใจ บันทึก หรือเอกสารยื่นทุกชิ้นที่ AI ร่างขึ้น
ขีดจำกัด
จุดที่ธนาคารต้องให้คนเป็นผู้รับผิดชอบเสมอ
Claude อาจอ่านเอกสารผิด พลาดผู้รับผลประโยชน์ที่แท้จริงที่ซ่อนอยู่ในเชิงอรรถ หรือสรุปกฎระเบียบที่เปลี่ยนไปแล้ว มันไม่รู้จักลูกค้าของคุณเหมือนที่ผู้จัดการดูแลลูกค้ารู้จัก ทุกการตรวจสอบที่ใช้ AI ช่วยต้องมีผู้ตรวจสอบที่ระบุชื่อ และทุกตัวเลขในรายงานต่อหน่วยงานกำกับดูแลต้องเชื่อมโยงกลับไปยังระบบข้อมูลหลัก
การตัดสินใจที่มีน้ำหนักทางกฎหมาย เช่น การยื่นรายงานกิจกรรมต้องสงสัย การเลิกให้บริการลูกค้า หรือการปฏิเสธสินเชื่อ ยังคงเป็นหน้าที่ของพนักงานธนาคารภายใต้นโยบายของคุณ กฎการให้สินเชื่ออย่างเป็นธรรมและการคุ้มครองผู้บริโภคก็บังคับใช้กับการตัดสินใจเกี่ยวกับลูกค้าที่ใช้ AI ช่วยเช่นกัน นี่เป็นอีกเหตุผลที่ควรให้ Claude ทำหน้าที่เตรียมงานและจัดทำเอกสารเท่านั้น
ข้อมูลลูกค้าได้รับการคุ้มครองทั้งตามกฎหมายและตามสัญญา ใช้เฉพาะการติดตั้งใช้งานที่ได้รับอนุมัติ ปฏิบัติตามหลักการลดข้อมูลให้น้อยที่สุด และห้ามวางข้อมูลลูกค้าลงในบัญชีส่วนตัวเด็ดขาด
สร้างทักษะก่อนที่การนำไปใช้จะมาถึงทีมของคุณ
การใช้ AI อย่างเก่งในธนาคารคือทักษะเชิงปฏิบัติ ได้แก่ การให้คำสั่งที่แม่นยำ ผลลัพธ์ที่ตรวจสอบได้ และนิสัยการตรวจทานที่ดี หลักสูตรฟรีของ Nightschool AI ลงมือปฏิบัติได้ตั้งแต่บทเรียนแรก
คำถามที่พบบ่อย
ธนาคารใช้ AI เพื่อการปฏิบัติตามกฎระเบียบและการตรวจจับทุจริตอย่างไร
การตรวจจับมักทำงานบนโมเดลตรวจสอบและโมเดลทุจริตเฉพาะทาง ขณะที่ generative AI อย่าง Claude ช่วยผู้สืบสวนหลังการแจ้งเตือน คือการรวบรวมข้อเท็จจริงของคดี ตรวจสอบไฟล์ KYC ร่างเรื่องเล่า และเขียนสรุปการตัดสินใจ โพสต์ของ Anthropic อ้างคำพูดของ FIS เกี่ยวกับเอเจนต์ที่ย่นเวลาการสืบสวน AML จากหลักวันเหลือหลักนาที นักวิเคราะห์ยังคงเป็นผู้ตัดสินใจผลสรุป
ธนาคารใช้ AI อย่างไร
ธนาคารใช้ AI เพื่อการปฏิบัติตามกฎระเบียบและการตรวจสอบ KYC การสืบสวนทุจริต งานบริการลูกค้า งานปฏิบัติการอย่างการกระทบยอดและปิดบัญชี การพัฒนาซอฟต์แวร์ และการค้นหาความรู้ภายในองค์กร เรื่องราวลูกค้าของ Anthropic เล่าว่า N26 ทำงานอัตโนมัติในหลายกระบวนการเป้าหมาย ส่วน bunq ใช้ Claude Code ช่วยให้นักพัฒนาใหม่ทำงานได้เร็วขึ้น
AI จะเข้ามาแทนที่งานอะไรในธนาคาร
จนถึงตอนนี้ AI เข้ามาแทนที่งานย่อยมากกว่าทั้งตำแหน่งงาน ได้แก่ การตรวจสอบเอกสาร ร่างแรกของเรื่องเล่าคดี งานกระทบยอด และคำถามลูกค้าทั่วไป บทบาทที่อิงกับการใช้วิจารณญาณ ความสัมพันธ์ และความรับผิดชอบต่อหน่วยงานกำกับดูแลยังคงอยู่ คนที่เรียนรู้การสั่งงานและตรวจสอบผลลัพธ์ของ AI มักได้รับมอบหมายงานที่ซับซ้อนขึ้น
AI ช่วยลดผลบวกลวงในการตรวจจับทุจริตได้หรือไม่
โมเดลตรวจจับทุจริตและตรวจสอบธุรกรรมเฉพาะทางทำได้ และนั่นคือแหล่งที่มาหลักของการลดผลบวกลวง ส่วนผู้ช่วยทั่วไปอย่าง Claude ช่วยในอีกแบบหนึ่ง คือทำให้แต่ละการแจ้งเตือนตรวจสอบได้เร็วขึ้นด้วยการรวบรวมหลักฐานและร่างข้อสรุปให้ผู้สืบสวนยืนยัน
ธนาคารใช้ Claude หรือไม่
ใช่ โพสต์และเรื่องราวลูกค้าที่เผยแพร่โดย Anthropic ระบุชื่อธนาคารรวมถึง N26, bunq, BNY, Citi และ Commonwealth Bank of Australia ครอบคลุมตั้งแต่กระบวนการอัตโนมัติ แพลตฟอร์มนักพัฒนา ไปจนถึงเวิร์กโฟลว์เอเจนต์ Anthropic ยังเผยแพร่ตัวเชื่อมต่อสำหรับภาคบริการทางการเงินและเทมเพลตเอเจนต์อย่างตัวคัดกรอง KYC ด้วย
AI เชิงเอเจนต์ในธนาคารคืออะไร
AI เชิงเอเจนต์หมายถึงระบบ AI ที่ดำเนินกระบวนการหลายขั้นตอน เช่น การรวบรวมเอกสาร KYC ใช้กฎเกณฑ์ และชี้จุดที่ขาดหาย โดยไม่ต้องมีคนสั่งการทีละขั้นตอน ในธนาคาร ควรจบลงที่คิวตรวจสอบซึ่งมีคนอนุมัติผลลัพธ์ พร้อมการบันทึกขั้นตอนและการกำกับดูแลด้านความเสี่ยงของโมเดล
ธนาคารใช้ AI กับข้อมูลลูกค้าปลอดภัยหรือไม่
ปลอดภัยได้ หากใช้ผ่านการติดตั้งใช้งานที่ธนาคารอนุมัติหลังผ่านการตรวจสอบความเสี่ยงบุคคลที่สาม การคุ้มครองข้อมูล และความเสี่ยงด้านโมเดล Anthropic ระบุว่าบริการภาคการเงินของตนไม่นำข้อมูลไปใช้ฝึกโมเดลโดยค่าเริ่มต้น พนักงานไม่ควรใช้บัญชีส่วนตัวกับข้อมูลลูกค้าเด็ดขาด
ธนาคารควรตรวจสอบความถูกต้องของงานที่ใช้ AI ช่วยอย่างไร
ให้ปฏิบัติต่อ AI เป็นส่วนหนึ่งของกระบวนการภายใต้การบริหารความเสี่ยงด้านโมเดล คือกำหนดวัตถุประสงค์การใช้งาน ทดสอบกับคดีที่ปิดแล้ว วัดอัตราความผิดพลาด กำหนดให้มีผู้ตรวจสอบที่ระบุชื่อสำหรับทุกผลลัพธ์ บันทึกขั้นตอน และติดตามคุณภาพอย่างต่อเนื่อง หน่วยงานกำกับดูแลจะถามว่าคุณตรวจสอบความถูกต้องอย่างไร
เรียนรู้ต่อ
คู่มือและคอร์สที่เกี่ยวข้อง
Claude ในธนาคาร แยกตามบทบาท
ใช้เวลาน้อยลงกับการรวบรวมไฟล์
บทเรียนภาคปฏิบัติสำหรับคนที่ทำงานในทีมที่อยู่ภายใต้การกำกับดูแล