RiskFront AI, 금융 범죄 운영 비용을 재고하는 330만 달러의 시드 자금을 확보하다

금융 범죄는 은행, 핀테크, 및 규제 기업을 위한 가장 비싼 운영적인 도전 중 하나가 되었습니다. 사기 전략이 더욱 복잡해지고 규제 심사가 심화함에 따라, 규제 준수 팀은 동일한 자원을 사용하여 더 많은 것을 해야 합니다. 이러한 상황에서, RiskFront AI는 문제를 근본적으로 다른 방식으로 접근하기 위해 330만 달러의 시드 자금을 확보했습니다.

이 자금은 Lytical Ventures가 주도했으며, Flint Capital과 Oceans가 참여했습니다. 이 자금은 RiskFront의 에이전트 AI 시스템을 발전시키기 위해 사용될 것입니다. 이 시스템은 현재 위험 및 규제 팀의 시간을 지배하는 운영 작업의 대부분을 맡도록 설계되었습니다.

제한된 레버리지가 있는 증가하는 비용 센터

금융 범죄는 미국 기업에 연간 1,000억 달러 이상의 비용을 초래하는 것으로 추정되며, 이 부담은 계속 증가하고 있습니다. 2025년 alone, 대부분의 조직은 사기 사건이 증가했으며, 규제 요구 사항은 관할 구역에서 더 복잡해졌습니다. 그러나 대부분의 위험 팀은 여전히 수동 연구, 문서 검토, 및 거래 분석을 중심으로 구축된 워크플로우에 의존합니다.

RiskFront AI에 따르면, 규제 전문가들은 대부분의 시간을 정보 수집과 문서 준비에 할애하며, 실제 위험 평가와 의사 결정에는 매우 적은 시간을 할애합니다. 이 불균형은 병목 현상을 생성하며, 반응 시간을 늦추고, 조직이 지속적으로 인력을 추가하지 않고서는 확장하기 어렵게 만듭니다.

운영적인 변화를 위한 에이전트 AI

기존 프로세스에 또 다른 도구 계층을 추가하는 대신, RiskFront AI는 작업 자체를 담당하는 시스템을 구축하고 있습니다. 그들의 접근 방식은 에이전트 AI를 중심으로 합니다. 즉, 연구, 데이터 조직, 추출, 및 분석과 같은 작업을 독립적으로 실행할 수 있는 소프트웨어 에이전트입니다.

이 회사는 이 모델이 워크플로우에서 연구에 할애되는 시간을 크게 줄일 수 있으며, 경험豊富한 전문가를 판단, 에스컬레이션, 및 보고에 집중할 수 있도록 할 수 있다고 주장합니다. 목표는 규제에서 인간을 제거하는 것이 아니라, 그들의 전문 지식이 가장 큰 영향을 미치는 곳에 인간을 재배치하는 것입니다.

에이로스 위험 운영 시스템 내부

RiskFront 플랫폼의 핵심은 금융 범죄 및 규제 운영을 위한 AI 기반 운영 체제인 에이로스입니다. 이는 세 가지 주요 모듈로 구성됩니다.

• Due Diligence Research System, 오픈 소스 연구를 수행하고, 위험 관련 신호를 식별하며, 구조화된 요약을 생성합니다.

• Transaction Analysis System, 금융 거래를 대규모로 검색, 조직, 및 분석하도록 설계되었습니다.

• Document Analysis System, 복잡하고 종종 비정형화된 파일에서 정보를 추출하고 구조화합니다.

이 모듈들은 규제 등급의 문서화를 달성하기 위해 전통적으로 필요한 수동 노력을 줄이면서, 더 일관된, 감사 가능한 출력을 생성하도록 설계되었습니다.

인프라 및 엔터프라이즈 준비도

RiskFront AI는 기술을 규제 환경에서 사용할 수 있도록 처음부터 설계했습니다. 플랫폼은 AWS의 사설 클라우드 환경에서 실행되며, 엄격한 데이터 소유권 제어를 통합하며, SOC 2 유형 II 감사를 완료했습니다. 또한 규제 금융 기관 및 공공 기업이 수행한 제3자 위험 검토를 거쳤습니다. 이는 규제 민감한 도메인에서 운영하는 벤더에게 점점 더 중요한 요구 사항입니다.

회사는 2024년에 CEO Andy Bethurum과 CTO Michael Abramchyk에 의해 설립되었습니다. Abramchyk는 대규모 AI 및 자동화 시스템을 구축하는 15년 이상의 경험을 가지고 있으며, 미국과 유럽에 분산된 엔지니어링 팀을 이끌고 있습니다.

규제 기술의 미래를 위한 신호

RiskFront AI의 자금 조달은 기업 소프트웨어에서 진행 중인 더广泛한 변화를 강조합니다. 규제, 많은 운영 도메인과 마찬가지로, 오랫동안 선형 확장에 의해 제한되었습니다. 즉, 더 많은 볼륨이 더 많은 사람을 필요로 합니다. 에이전트 AI는 이러한 가정을 도전하며, 독립적으로 작업을 실행할 수 있는 시스템을 도입합니다.

이 모델이 효과적이면, 조직은 규제 용량에 대해 어떻게 생각하는지 다시 정의할 수 있습니다. 위험 운영을不断 확대하는 비용 센터로 보는 대신, 규제 운영을 확장 가능한 시스템으로 간주할 수 있습니다. 여기서 인간의 전문 지식은 선택적으로 및 전략적으로 적용됩니다.

더广泛하게, 이 접근 방식은 규제 산업에서 AI의 성숙을 반영합니다. 초점은 실험 및 보충에서 생산 등급 시스템으로 이동하고 있습니다. 여기서 시스템은 감사 가능하며, 보안이며, 실제 제약 조건 내에서 작동하도록 설계되었습니다. 금융 범죄가 계속 진화함에 따라, 기계 속도에서 적응할 수 있는 기술은 현대의 규제 인프라의 기본적인 부분이 될 것입니다.