AI 不是工具，是看问题的方式
2019 年，当大多数人还没开始聊 AI 的时候，我就已经在认真研究了。不是蹭热度，是真的觉得这是重新审视"工作怎么做"这件事最有力的视角。
Gen AI 给我最大的价值，不是提效——而是让我有了底气去问：这件事为什么还要人来手动干？
在银行运营里，面对复杂问题的默认答案通常是加人、加流程、加人工审核。我的问题一直是：有没有更好的方式？这个思维方式，成了我在法巴所有 AI 项目的出发点——不是作为技术专家，而是作为一个足够理解业务、知道 AI 该用在哪里的人。
反洗钱审查：一个靠人力硬撑的流程
贸易金融里的 AML（反洗钱）合规审查，是整个银行业最耗人力的流程之一。合规团队要人工翻阅一摞贸易文件——信用证、发票、提单——去找红旗：价格异常、幽灵货物、重复发票、单据信息不一致。每笔交易可能涉及几十份文件，全靠人眼，在时间压力下完成。
为什么这是对的问题：贸易洗钱（TBML）是全球检出率最低的金融犯罪形式之一——不是因为信号不存在，而是文件量远超人工处理能力。一个能跨多份文件秒级识别异常的 Gen AI 系统，不只是更快，而是提供了一种全新的能力。
法巴内部全球 AI Hackathon 启动时，我把它看成一个证明我从 2019 年开始积累的判断的机会——Gen AI，只要问题框得对，真的能在银行合规里做到以前做不到的事。
在大家还没开始之前就已经在干了
我的 AI 之路，不是从某个公司任务开始的。2019 年，我还在金融科技公司担任技术提供方，为银行合作伙伴设计新产品——基于 NLP 对底层贸易材料进行交叉比对。那时候大多数银行连 AI 策略是什么都还没想清楚。
在金融科技公司担任技术提供方，为银行合作伙伴设计基于 NLP 的底层贸易材料交叉比对方案。不是纸上谈兵，是真实落地的产品设计。比 Gen AI 热潮早了整整四年。
开始用 GPT-4 和开源模型搭建实际应用，系统研究 Prompt Engineering，把银行运营里的真实问题映射到 Gen AI 的能力上——AML 文件审查、贸易金融流程、合规工作流是重点方向。
带领 4 人团队，搭建了一个 Gen AI Pipeline：读取贸易金融文件，提取结构化数据，对照 AML 红旗规则库进行交叉比对，输出合规人员可直接使用的标注结果和判断依据。拿下亚太区冠军，全球 500+ 人参赛。
法巴正式任命我主导亚太区 CIB 运营团队的 Gen AI 行内推广和部署工作。搭建了 AI 采纳框架，将亚太区十二个国家 Gen AI 使用率从零推至 60%。
持续识别新的 AI 应用场景，推进 Pilot 测试，和各业务负责人合作，把"AI 是实验"变成"AI 是默认工具"。同步探索 Agentic AI 在银行运营流程中的试点应用。
我们不是技术最好的那队，但我们最懂业务
赢的关键不是技术有多强——是我们把问题框得最准。很多队伍搭出来的 Demo 很酷，但没有人能说清楚怎么在监管环境里真实部署。我们反着来：先想合规人员需要看到什么输出，审计要求什么可溯源记录，IT 集成需要什么接口，然后再往回设计方案。
逐步梳理 AML 审查工作流，找到真正的瓶颈：不是合规人员不知道红旗长什么样，而是跨几十份文件手动比对信息太慢、太容易出错。
设计文件读取和信息提取流程，用 LLM 读取贸易文件，抽取结构化字段（交易对手、金额、货物描述、运输路线），和 AML 红旗规则库交叉比对。
最难的部分是让输出对合规团队真的可用。通用的 LLM 摘要不够——我们需要带具体引用、置信度和判断依据的标注结果，让合规人员可以直接据此行动。在 Prompt 架构上花了大量时间。
对评委的演示，先讲监管和运营层面的价值，再讲技术实现。展示这个工具如何嵌入现有合规流程、减少审查时间、产出满足审计要求的输出。拿下亚太区冠军。
从 Hackathon 冠军到全行 AI 转型
AI 转型是人的问题，不是技术问题
在银行推 AI 落地，最难的不是把工具搭起来——而是改变那些用同一套方式干了几十年的人的思维。合规人员需要看到 AI 是放大器，不是替代者。风险经理需要看到输出可审计。高层需要一个超越"提效"的业务逻辑。
我学到的是：成功的 AI 转型需要三件事同时发生——技术上能跑通，足够懂业务才能框对问题，以及有足够的人际能力把大家带上这条路。三件事我都能做，而且这个组合并不常见。
2019 年就入局，让我有了很多人没有的东西：通过真实搭建积累起来的 Gen AI 实战经验，不是看文章得来的。我知道这些模型怎么表现，哪里容易翻车，怎么 Prompt 才能拿到稳定输出，怎么设计人机协作的工作流才能在监管环境里成立。这不是资历，是经验。