面向全球银行制裁调查的智能体控制平面，让 AI 办案智能体在本地规则和审计轨迹约束下完成取证。

1. 金融犯罪买方正从聊天机器人试验，走向让 AI 真做调查动作的软件。
2. 任何银行现在要上智能体工作流，都得先证明治理、可解释性和人工复核站得住脚，合规团队才会放自动化碰线上案件。
3. 跨境银行没法推一套全球通用智能体，因为各地政策和数据规则不同；本地化已经不是以后再补的功能，而是眼前的软件工程。
4. Quantifind 这一轮成长融资的体量说明，围绕风险运营的控制软件已经不再是小众预算，而是能撑起风险投资的大类目。

催化因素。 Quantifind 围绕 Graphyte Agentic Middleware、监管对齐和本地化风险情报拿到 $200 million 投资，说明银行现在已经想让 AI 真正下场做金融犯罪工作，但前提是必须先过一层按地区可监管的治理层。

产品不替换现有案件管理和筛查系统，而是压在它们上面。它吃进案件元数据、客户记录、历史预警结果和本地规则，再为负面舆情收集、受益所有权梳理、支付链路核对这类窄任务放出最小权限智能体。上层监督模块会拿辖区规则包逐步校验每个动作，敏感步骤必须人工批准，最后按各区域团队现成格式吐出带引文的调查备忘录。银行因此能更快把案子拼起来，又不用把一只通用智能体不设防地放进受监管工作流。时间一久，公司还能沉淀一套动作结果数据集，知道哪些智能体操作剧本清预警最快、又不会踩规则红线。

差异化。 现有 AML 平台负责存案件和风险数据，咨询公司写政策文档，共享服务团队做手工研究。这家公司占住的是它们中间那层控制运行时：哪类智能体能做什么，用哪些数据，套用哪套区域规则，在哪些人工节点停下来。护城河来自辖区规则包库、连接器覆盖率，以及越来越厚的逐动作调查轨迹语料——这些数据能证明，受治理的智能体工作流在真实生产里到底跑得怎样。

待完成任务

flowchart LR
  Buyer[Global bank sanctions lead] --> Pain[AI pilots stall on policy variance]
  Pain --> Product[Sanctions agent control plane]
  Product --> Outcome[Faster investigations with audit-ready oversight]

高管要点

• 痛点是真实的，但切口比泛 AML AI 窄得多：银行早就买了检测和案件系统，却仍缺一层能让半自主调查跨辖区落地的受治理运行时。
• 时点很强，因为 AI 在金融服务里已经走向主流；但监管和买方仍要求人工节点、可审计性和可解释的控制，智能体碰线上案件前必须先过这些关。
• 竞争非常激烈，既有 AML 套件、决策智能平台，也有新一代智能体厂商；创业公司只有在自己成为跨栈控制平面，而不是另一款点状工具时，才有机会赢。
• 伦敦、迪拜和新加坡是很好的起点，因为跨境制裁和 AML 流程本来就复杂；但辖区规则包的维护成本确实是经营风险，必须尽早验证。

市场定义

这个类目本质上是给制裁和 AML 调查用的受治理智能体基础设施：它坐在筛查引擎、案件系统和数据供应商之上，让受限 AI 办案智能体在银行自定义规则下收集证据、起草备忘录、分流异常。

用户与买方

经济买方通常是大型银行的全球金融犯罪、制裁或合规运营负责人。日常一线推动人，则是制裁调查负责人、AML 转型负责人、QA 经理和政策负责人——他们既要把案件跑快，又不能丢掉审核节点和审计轨迹。

购买触发点

• 合规成本和筛查预警量持续上升，让调查效率从试验性 AI 项目变成了眼前的预算问题。 [95][97]
• 银行已经在上 AI，但多数自动化场景仍保留人在环，这会推高对受治理智能体运行时的需求，而不是放任式 AI 副驾。 [79][80][88][89]
• 跨境制裁义务和定向金融制裁规则，迫使银行按辖区把本地政策和升级逻辑编码进去。 [76][99][101][102]

支付意愿

预算并不需要新造，金融犯罪现代化和调查运营里本来就有钱：银行已经在合规工作上花掉数千万乃至上亿美元，现有厂商也早就在卖企业级 AML 和案件管理层，所以只要这层受治理控制平面能明确减少手工复核和审计摩擦，就能挂进现有支出科目。 [95][96][69][41]

品类动态

增长信号 美国和加拿大金融犯罪合规成本同比增长 13.6%（作为 2022 年需求代理）

验证信号

• Quantifind 这轮 $200M 成长融资，明确押注 AI 原生风险情报和智能体中间件，说明围绕金融犯罪运营控制层的赛道已经能撑起风险投资级别的下注。
• NICE Actimize 和 Quantexa 现在都在卖智能体或为智能体就绪的金融犯罪产品，说明买方已经不满足于通用 AI 副驾，而是要受控执行。
• Fenergo 报告称，打击金融犯罪是 2025 年 AI 投资的头号优先级，而且受访的英美机构里，47% 已在合规运营中使用 AI。
• 筛查厂商已经开始宣传硬自动化指标，例如 65-85% 的常规误报自动修复，或显著降低误报，说明买方要的是可量化的工作流改善。

监管与技术约束

• 任何进入制裁工作流的系统，都必须支撑一套风险导向的合规计划：管理层承诺、风险评估、内部控制、测试 / 审计和培训，一个都不能少。
• 在迪拜 / 阿联酋落地时，必须按阿联酋框架把定向金融制裁流程、政策和处罚写进去，不能只靠一套泛全球配置。
• 实体解析、数据统一和上下文拼装是核心技术约束，因为多数遗留 AML 工具默认给不了调查员完整的交易对手视图。
• 英国制裁合规要求规则高频更新、且操作理解必须清晰，这会把产品设计推向可配置规则包，而不是写死的工作流。

大多数对手打的都是相邻控制点，不是这里瞄准的那个精确位置。NICE Actimize 占住广义 AML 和案件管理，Quantexa 占住连接数据和上下文决策，Quantifind 和 ComplyAdvantage 往筛查与风险情报自动化推，Lucinity 则强推 AI 原生调查员工作流。真正的空位，是一层中立控制平面：它决定智能体能在这些系统之间做什么，并把规则感知和证据级可追溯性一并管起来。

为什么现有厂商不会默认胜出

• 云平台. 云平台和标准层能提供护栏与风险管理原语，但它们默认不会交付银行即用的制裁规则包、审核工作流或混合栈案件连接器。
• AML 套件. 现有 AML 套件可以嵌入智能体功能和可审计案件管理，但买方现实里仍跑着异构技术栈和跨辖区流程，这给中立编排层留出了空间。
• 决策智能平台. 连接数据平台在上下文、实体解析和检测上很强，但这并不自动等于它们能成为每个下游调查动作的权限与审批运行时。
• 筛查与风险数据厂商. 筛查厂商能自动处理常规预警、也能提升风险情报，但银行仍需要一层系统来决定智能体何时能动、由谁批准，以及产出如何变成可辩护证据。

制裁智能体控制平面，是给全球银行用的一套受治理调查运行时：让 AI 能在制裁和 AML 调查里负责证据收集，但又不至于过不了合规评审。滩头市场是那些在伦敦、迪拜和新加坡跑跨境预警队列的 Tier-1 和 Tier-2 交易银行；在那里，同一条全球案件流要同时面对不同的制裁、AML 和数据共享规则。首个产品不是新筛查引擎，而是一层控制平面：为支付链路追踪、受益所有权查询、负面舆情收集和历史案件调取放出受限 AI 办案智能体，再把打上异常分的草稿连同完整动作溯源交给人工调查员。这个切口正好对上研究里最明确的采购触发：银行一旦批准 AI 试点，或新开一个区域入账中心，就必须先界定智能体在真实案件里能做什么。GTM 应该从一条制裁队列、一套现有案件栈和三个辖区规则包起步，因为买方更看重周期缩短和可审计性，而不是一上来覆盖所有工作流。银行本来就在金融犯罪现代化和调查运营上花钱，只要公司能拿出清晰的吞吐提升，就能挂到现成预算里。真正的战略风险不在模型质量，而在规则包维护和企业集成能不能继续保持像软件那样扩张——只有这样，70% 毛利率才守得住。研究证明痛点和时点都强，但还没拿到具名客户背书，也没直接证明银行会买一层中立控制平面，而不是等 NICE、Quantexa 或服务伙伴把方案一起打包，所以前 12 个月必须优先验证付费试点和试点转生产。

问题

• 跨境制裁和 AML 调查还在案件工具、筛查系统、数据供应商、共享盘和离岸分析交接之间来回跳，导致拼案慢、QA 压力重。
• AI 试点之所以一直上不了生产，是因为银行没法证明：在英国、阿联酋和新加坡的规则与复核要求下，智能体到底能看什么、写什么、升什么级。

解决方案

• 在现有案件管理、筛查和数据系统之上部署一层中立控制平面，让最小权限智能体按辖区规则包去做受限的取证任务。
• 把每个智能体动作、每次证据拉取、审核人改动和最终案件结果都记进审计图谱，让银行既能为调查结论辩护，也能持续优化操作剧本。

为什么我们会赢

• 我们先卡住买方最焦虑、也最窄的那个点：一条跨境制裁队列里，AI 现在已经有用，但治理还卡着生产上线，所以产品是在增强现有栈，不是逼客户整套替换。
• 辖区规则包、跨厂商连接器和动作结果轨迹，会沉淀出工作流级的防守；这是通用 AI 副驾、咨询公司和单平台功能很难同样快积累出来的。

里程碑

flowchart LR
  Wedge[Cross-border sanctions queue] --> MVP[Bounded evidence-gathering agents]
  MVP --> Proof[Cycle-time reduction plus audit trace]
  Proof --> Expansion[More jurisdiction packs and adjacent workflows]

创始团队

实验路线图

风险评估

必须成立的条件

• 至少有一个目标银行细分，会把受治理 AI 调查当成未来 12 个月内的真实采购优先级，而且预算负责人明确。
• 一层中立叠加层可以落在 NICE Actimize 或 Quantexa 旁边，而不用逼客户做多年期的平台替换。
• 首个打包部署能在 90 天内接上一条真实队列、一套案件系统和关键数据源。
• 受治理智能体能在不制造审计例外的前提下，把中位取证或案件拼装时间至少打下 30%。
• 英国、阿联酋和新加坡的规则包维护，可以靠软件和有限的政策运营完成，同时守住 70% 毛利率。

待尽调问题

• 真正握预算的是谁：金融犯罪运营、合规、交易银行 COO，还是现有转型项目？
• 首个部署能不能插进一条真实的 NICE Actimize 或 Quantexa 工作流，而不触发跨季度的安全评审？
• 银行到底要看到多大的周期和 QA 提升，才愿意为这层系统每年花 $350k-$750k？
• 英国、阿联酋和新加坡的规则包到底多久变一次，怎样的人力配置才能把它们持续维护住？
• 为什么银行会买这层叠加层，而不是接受 Lucinity、Quantifind、NICE Actimize 或集成商主导的替代方案？

模型合理性

• 收入引擎. 基准收入引擎来自两件事：付费银行数从 Y1 末的 2 家长到 Q4Y3 的 10 家；同时单家银行的年化收入也从约 $570K 抬到 $750K，因为第二个规则包和相邻工作流开始加购。
• 必须跑通的地方. 部署打法必须往商业计划里“打包后 8 周以内上线”的目标压缩，否则 14 人团队撑不起 Q4Y2 的 5 家银行和 Q4Y3 的 10 家银行，毛利率也会掉出目标带。
• 模型会断在这里. 如果试点转生产再慢一个季度，或者规则包维护让毛利率一直停在 60% 中段，下行情景就会在种子轮就绪证据出现前，把现金低点压到约 $250K。
• 下一轮要看的证据. 种子轮故事要拿出的，是 Q2Y3 的 7 家付费银行、至少 2 次同一客户扩张、能转化的伙伴来源试点，以及在 pre-seed 现金低点收紧前，季度 EBITDA 已经转正。

情景

敏感性

flowchart LR
  DesignPartners[Design partners] --> PaidPilots[Paid pilots]
  PaidPilots --> ProductionBanks[Production banks]
  ProductionBanks --> ExpansionPacks[More packs and adjacent workflows]
  ExpansionPacks --> Revenue[Revenue]
  Revenue --> GrossProfit[Gross profit]
  GrossProfit --> Cash[Cash and runway]

警示项: CustomersEop 在 Y1 和 Y2 前段把付费试点也算成付费银行，所以直到 Y2 后段，真实生产银行数都低于表面客户总数。 · Q4Y3 的退出 ARPU 打到了研究里的 $750K 年支出水平，所以第二个规则包或相邻工作流扩张，必须在多家客户上真正落地，不能只靠单条队列定价。 · 收入集中度依然很高，因为 Q4Y3 仍然只靠 10 家银行；少掉 1 次续约，就会明显打到增长和现金。 · 现金曲线拿 EBITDA 当代理，因此企业计费节点、实施预付款或递延收入，都可能把真实低点往前后挪。

• 规则包维护负担. 要同时跟上制裁、AML 和数据共享制度在各辖区的变化，运营可能会很重，也会拖慢扩张。 缓解措施: 先盯住三个金融中心，把规则包做成模块化，并和区域顾问伙伴一起更新。
• 从试点到生产的怀疑. 银行合规团队可能愿意批只读实验，却不肯把线上工作流权限交给智能体。 缓解措施: 先上受限的取证任务、强制人工节点和逐动作日志，再逐步卖更深的自动化。
• 现有厂商打包工作流. 案件管理或筛查厂商可能会补上轻量智能体控制能力，并直接塞进现有银行合同。 缓解措施: 靠跨厂商治理、辖区深度和在混合栈上更快落地来赢；单一厂商工具通常做不到这点。