行业指南:银行业
如何在银行业使用Claude:银行团队实用指南
案件处理更快,签字确认的仍是人。
本指南面向零售银行、商业银行和私人银行中希望让Anthropic的Claude参与合规、KYC与AML案件处理、欺诈调查、运营、客户沟通以及遗留代码工作的从业者。内容严格依据Anthropic就金融服务发布的公开信息,以及Anthropic自身文章和客户案例中具名银行的表述。
了解如何在银行业使用Claude,首先要从拖慢每家银行工作的文件密集型任务入手:审查KYC档案并标记缺口、根据案件数据起草AML调查叙述、将监管变化总结为政策更新、撰写欺诈案例记录、核对运营差异,以及实现遗留代码的现代化。Claude能够快速阅读、整理和起草内容。银行员工做出决策、提交报告,并对监管机构负责,每一个AI辅助环节都在银行的模型风险和数据管控范围内进行。
发布于
要点总结
- 银行业中最有效的应用包括KYC档案审查、AML案件叙述、监管变化总结、运营对账以及代码现代化。
- Anthropic在2026年5月发布的代理模板中包括KYC筛查代理、总账对账代理和月末结账代理。
- Anthropic报告了N26、bunq、BNY、Citi和FIS等银行的具名应用案例,涵盖从流程自动化到开发者平台的各类场景。
- AI是分析师的辅助工具。可疑活动的判定和监管申报依然是人的责任。
- 每一项应用都必须遵循银行的模型风险管理、数据保护和记录留存规则。
复制即用
今天就能用的提示词
KYC档案缺口审查
你是一家商业银行的KYC分析师。请根据我们的核对清单,审查下方总结的某企业客户的入户文件:法律实体文件、股权结构(需追溯到超过阈值的受益所有人)、控制人、资金来源、预期业务活动,以及制裁和负面媒体筛查结果。对清单中的每一项,注明其为已具备、缺失或不一致,并引用支持你判断的文件内容。列出需要客户经理跟进的事项。核对清单和文件:[粘贴]。
请粘贴你所在银行实际使用的核对清单。输出结果应该反映你们的流程,而不是一份通用清单。
AML调查叙述
请根据下方的警报详情、交易摘要和分析师记录,起草AML调查案件档案的叙述部分。结构如下:主体及其关系、触发的警报及场景、按原样给出日期和金额的已审查活动、分析师的发现,以及待解决的问题。请使用中立、客观的语言。不要就活动是否可疑得出结论,这一判断由我来做。材料:[粘贴]。
让结论始终掌握在调查人员手中,既是良好实践,也是监管机构的期望。
监管变化总结
请为银行合规委员会总结下方的监管文本。请说明:发生了什么变化、适用对象、文中注明的生效日期、下方列出的现有政策中哪些可能受到影响,以及需要向法务咨询的问题。字数控制在四百字以内。每一项要求都要引用原文,不要添加原文中没有的要求。监管文本及我们的政策清单:[粘贴]。
请务必粘贴实际文本。Claude的训练数据可能不包含最新版本。
欺诈案例记录与客户信函
以下是一起银行卡欺诈案件的详情:争议交易、客户陈述、设备和位置数据,以及调查人员的结论。第一步,撰写一份内部案件记录,总结证据和调查人员的决定。第二步,用通俗易懂的语言给客户写一封信,说明处理结果和后续步骤,但不要透露检测方法。信函字数控制在两百字以内。详情:[粘贴]。
将内部记录和客户信函分开撰写,可以避免检测细节出现在客户沟通中。
遗留代码说明
请用通俗易懂的语言,逐段说明下方COBOL程序的功能,供一位将要重新实现该程序的Java开发人员参考。列出它所执行的每一条业务规则、它读写的每一个文件或数据表,以及任何看起来并非有意为之的行为。然后提出一套测试用例,用于确认重新实现的版本行为完全一致。程序:[粘贴]。
从旧有行为中提炼出的测试用例,正是保证现代化改造安全的关键。
来自 Anthropic
Anthropic 为银行业提供的服务
Claude for Financial Services
Anthropic的金融服务方案于2025年7月发布,将Claude模型、Claude Code和企业级访问权限结合起来,并提供与Snowflake、Databricks、S&P Global等数据平台的连接器,以及实施合作伙伴支持。Anthropic表示,默认情况下数据不会用于训练。
· 来源
Agents for financial services
2026年5月发布的十个代理模板,包括KYC筛查代理、总账对账代理、月末结账代理和对账单审计代理,以Claude Cowork和Claude Code插件的形式提供,并作为Claude Managed Agents的实操指南发布。
· 来源
Anthropic and TCS partnership
Anthropic于2026年6月宣布与TCS达成合作,共同为受监管行业打造由Claude驱动的解决方案,包括面向银行的信贷咨询和面向保险公司的理赔处理。
· 来源
实践案例
银行业团队如何使用 Claude
根据 Anthropic 发布的客户案例
N26
根据Anthropic的客户案例,数字银行N26通过AWS Bedrock在十多个内部应用场景中使用Claude,在特定流程中实现了大量任务的自动化,并减少了人工处理量。
根据 Anthropic 发布的客户案例
bunq
Anthropic关于bunq的客户案例显示,Claude Code帮助新入职的开发人员比以往更快地贡献出有实际意义的代码,同时账户开户速度更快,客服自动化解决率也更高。
根据 Anthropic 发布的客户案例
FIS
在Anthropic的金融服务页面上,FIS首席执行官介绍了与Anthropic共同构建一个用于反洗钱调查的代理的经历。
根据 Anthropic 发布的客户案例
BNY
在Anthropic于2026年5月发布的金融服务文章中,BNY首席信息官介绍了能够从头到尾处理案件的AI数字员工。
根据 Anthropic 发布的客户案例
Citi
Anthropic在2025年10月发布的金融服务更新中提到,Citi在其AI驱动的开发者平台中使用Claude进行规划和智能体编程。
示例演练
由人签字确认的KYC定期复核
- 分析师打开一个定期复核案例,并将客户文件加载到已核准的工作空间中。
- Claude根据银行的核对清单逐一检查文件,列出已具备、缺失或不一致的项目。
- 分析师确认了这些缺口,并发现其中一项股权变更需要重新提交受益所有人声明。
- Claude按照银行的格式,起草了给客户经理的请求以及案件记录。
- 分析师对两者进行审核,发送请求,并以自己的名义记录该决策。
核心工作流程
Claude在银行各环节的应用场景
以下是银行AI应用中最能节省分析师和运营时间的场景。
KYC与AML的AI应用
根据你的核对清单审查KYC档案、总结受益所有权信息,并根据案件数据起草AML调查叙述,供分析师做出决策。
银行业中的AI欺诈检测
Claude不会取代你的交易监控模型,但可以帮助调查人员总结案件、撰写记录,并向客户说明处理结果。
银行合规中的AI应用
根据原始文本起草监管变化总结、政策差距分析、控制测试文档以及监管报告说明。
运营
总账对账、差异调查、月末结账说明及操作文档,均可追溯至记录系统。
代码现代化
解释遗留核心银行系统代码、编写能反映当前行为的测试,并借助Claude Code帮助开发人员重新实现代码。
客户沟通
以通俗易懂的语言起草投诉回复、信函和客服草稿,经员工审核后再发送给客户。
合规与欺诈
银行如何利用AI进行合规与欺诈检测
问银行如何利用AI进行合规与欺诈检测,你会得到两种不同的答案。检测本身通常依靠专门的交易监控和欺诈模型运行。像Claude这样的生成式AI则在警报触发之后发挥作用:收集案件事实、起草调查叙述、检查KYC档案是否存在缺口,以及撰写决策记录。调查人员的大部分时间都花在这些工作上。
Anthropic专门为这一工作流程进行了打造。其2026年5月发布的金融服务代理模板中就包括KYC筛查代理,以及对账和结账代理。在Anthropic的金融服务页面上,FIS首席执行官介绍了与Anthropic共同构建的一个代理,它能将AML调查时间从数天压缩到几分钟。BNY首席信息官则描述了能够从头到尾处理案件的数字员工。
AI能否降低欺诈检测中的误报率?专门的模型可以做到这一点,银行也报告了相应的效果,但这与通用助手是不同类型的工具。Claude能做的是通过汇总证据并起草处理意见供分析师确认,从而让每一条警报的处理速度更快。
智能体AI
银行业中的智能体AI与生成式AI运营应用
银行业中的智能体AI是指由Claude完成的多步骤工作流程:收集文件、应用规则并生成结果,而无需人工逐步提示。KYC筛查、总账对账和月末结账都是理想的应用场景,因为这些步骤定义明确、结果也可核查。正因如此,Anthropic的代理模板中才包含总账对账代理和月末结账代理。
银行业中的生成式AI在明确边界下效果最好:由代理准备,由人来审批。实际操作中,这意味着每一项代理输出都要进入审核队列、代理的每一步都要被记录,并且模型要纳入你的模型风险管理框架,例如美国的SR 11-7。监管机构关心的不只是工具产出了什么,还会追问它是如何被验证和监控的。
代码现代化是一个相对低调但同样重要的机会。许多银行的关键流程仍运行在数十年前编写、如今已鲜有人能理解的代码之上。Claude可以解释这些代码、记录其业务规则,并在改动之前帮助编写测试。Anthropic在2025年10月的一篇文章中引用了Citi首席技术官的话,介绍了公司在其开发者平台中使用Claude进行规划和智能体编程的情况。
工具选择
银行业中Claude与ChatGPT的对比
关于银行业中Claude与ChatGPT孰优孰劣的问题,最好用你自己的文件来回答。拿一个已结案的KYC案例、一次过往调查,以及团队已经写过的监管总结,在两个工具中运行相同的提示词,比较准确性、各自引用来源的方式,以及在信息缺失时的表现。
在银行里,决定因素通常是治理层面而非单纯的能力高低:部署方式、数据驻留、保留期限、审计日志,以及该工具是否符合你们的第三方风险和模型风险流程。例如,根据Anthropic的客户案例,N26就是通过AWS Bedrock使用Claude的。最终的核准路径由你们的采购和风险团队决定。
无论你使用哪种工具,本页介绍的提示词和审核习惯都同样适用。真正重要的技能,是写出精确的指令,并将输出结果与原始来源进行核对。
入门起步
如何安全地在银行团队中引入Claude
从已核准的工作空间开始
只使用银行已核准可处理客户数据的部署环境。先用模拟数据或已结案的案例测试提示词。
选定一个工作队列
选择一个重复性流程,例如KYC定期复核,分别测量使用前后的耗时和错误率。
把操作流程写进提示词
把你的核对清单和政策文本粘贴到提示词或项目中,这样输出结果就会遵循你的流程,而不是通用模板。
每项输出都要有人审核
设计工作流程时,确保每一份由AI起草的决策、记录或申报文件,都由指定人员签字审批。
边界
银行必须让人来把关的地方
Claude可能会读错文件、漏掉藏在脚注中的受益所有人,或者总结一份已经发生变化的法规。它不像你的客户经理那样了解客户。每一次AI辅助审查都需要有指定审核人,监管申报中的每一个数字都必须能追溯到记录系统。
具有法律效力的决定,例如提交可疑活动报告、终止客户关系或拒绝授信,依然由银行员工根据你们的政策来做出。公平信贷和消费者保护相关规定同样适用于任何有AI辅助的客户决策,这也是让Claude只负责准备和文档工作的另一个原因。
客户数据受法律和合同保护。只使用已核准的部署环境,遵循数据最小化原则,切勿将客户信息粘贴到个人账户中。
在推广到你的团队之前,先练好这项技能
在银行中用好AI是一项实操技能:精确的指令、可核查的输出,以及良好的审核习惯。Nightschool AI的免费课程从第一课起就注重动手实践。
常见问题
银行如何利用AI进行合规与欺诈检测?
检测通常依靠专门的监控和欺诈模型运行,而像Claude这样的生成式AI则在警报触发后帮助调查人员:收集案件事实、检查KYC档案、起草叙述并撰写决策记录。Anthropic的文章引用了FIS的说法,提到有一个代理能将AML调查时间从数天压缩到几分钟。最终结果仍由分析师决定。
银行如何使用AI?
银行将AI用于合规与KYC审查、欺诈调查、客户服务、对账和结账等运营工作、软件开发,以及内部知识检索。Anthropic的客户案例介绍了N26在特定流程中实现任务自动化,以及bunq利用Claude Code让新入职的开发人员更快具备产出能力。
AI会取代银行业中的哪些工作?
目前AI取代的是任务,而不是整个岗位:文件审查、案件叙述的初稿、对账工作,以及常规客户咨询。那些依赖判断力、客户关系以及对监管机构负责的岗位依然存在。懂得指导和核查AI输出的人,往往能承担更复杂的工作。
AI能否降低欺诈检测中的误报率?
专门的欺诈和监控模型可以做到这一点,误报率的降低通常也来自于此。像Claude这样的通用助手发挥的作用则不同:它通过汇总证据并起草处理意见供调查人员确认,让每一条警报的审查速度更快。
银行会使用Claude吗?
会。Anthropic发布的文章和客户案例中提到了包括N26、bunq、BNY、Citi和Commonwealth Bank of Australia在内的多家银行,涵盖流程自动化、开发者平台和代理工作流程等场景。Anthropic还发布了金融服务连接器,以及KYC筛查代理等代理模板。
什么是银行业中的智能体AI?
智能体AI是指AI系统能够完成一个多步骤流程,例如收集KYC文件、应用规则并标记缺口,而无需人工逐步提示。在银行业中,这类流程最终应进入审核队列,由人来批准结果,并配有日志记录和模型风险监督。
银行使用AI处理客户数据是否安全?
如果通过银行在完成第三方风险、数据保护和模型风险评估后核准的部署环境,是可以做到安全的。Anthropic表示,其金融服务方案默认不会将数据用于训练。员工绝不应使用个人账户处理客户信息。
银行应如何验证AI辅助工作的成果?
应将AI视为模型风险管理流程的一部分:明确预期用途、在已结案的案例上进行测试、测量错误率、要求每项输出都有指定审核人、记录每一步操作,并持续监控质量。监管机构会追问这套流程是如何被验证的。