Deepak Kinger，EvoluteIQ 首席战略官兼联合创始人——访谈系列

Deepak Kinger是一位经验丰富的技术与商业领袖，在企业转型、金融服务、自动化和人工智能领域拥有逾二十年的经验。在 EvoluteIQ，他协助制定公司整体战略，同时负责领导重要的技术联盟、解决方案合作、市场营销及分析师关系。在 2019 年共同创立 EvoluteIQ 之前，Kinger 曾在 GALE Partners、Virtusa、Sapient、Headstrong、Wipro 和 Mphasis 担任高级领导职务，职责涵盖管理亚太地区的金融服务业务、为企业高管提供数字化转型建议、开拓新的业务线，以及领导大型技术项目。他的经验涉及战略、业务拓展、客户关系管理、P&L 管理、运营，以及人工智能、机器学习、机器人流程自动化、区块链和数据科学等新兴技术。

EvoluteIQ是一家企业级人工智能与智能自动化公司，致力于帮助各类组织实现复杂端到端业务流程的自动化与编排。其 EIQ Platform 在低代码/无代码环境中整合了智能体式人工智能、生成式人工智能、流程与决策自动化、智能 RPA、事件处理、数据织网、分析、企业连接器以及多渠道应用开发。该平台旨在帮助企业连接现有系统，构建和部署人工智能智能体及自动化工作流，监控结果，并在客户体验、财务、运营、销售和供应链管理等领域扩大自动化规模。EvoluteIQ 成立于 2019 年，之后通过 AI Workbench 和 Agentic Mesh Architecture 等技术，将业务重点拓展至智能体式企业自动化；2025 年，公司宣布获得由 Baird Capital 领投的 5,300 万美元少数股权成长型投资，以支持全球扩张，并进一步投资其班加罗尔研发业务。

在 2019 年共同创立 EvoluteIQ 之前，您曾在金融服务、企业技术和数字化转型领域工作了二十年。您在大型组织中反复看到哪些问题，最终让您确信创建 EvoluteIQ 存在机会？您希望采用怎样不同的方法？

在创立 EvoluteIQ 之前，我在咨询行业工作了 25 年，其中大部分时间都在帮助大型金融机构推进转型计划。这些工作既包括早期的数字银行项目，也涉及交易、风险管理和更广泛的端到端转型。随着时间推移，我看到市场对自动化的需求不断增长，我们也在帮助企业部署一些大型供应商的平台。

最终促使我们创立 EvoluteIQ 的，是从实施他人技术转向自主打造产品的机会。我们看到，自动化可以采用更为集成的方法，而不必要求企业整合多种技术、许可证和集成层。这也成为我们在 2019 年创立 EvoluteIQ 的动因之一。

在我们此前接受 Unite.AI 采访时，您的联合创始人 Sameet Gupte 谈到了 EvoluteIQ 的宏大愿景：推动企业从基于任务的自动化转向以人工智能为核心、端到端的自主运营。监管变更管理如何说明，从自动化单项任务转向编排整个业务流程是必要的？

监管变化很少只影响某一项孤立任务。2020 年，我们围绕 LIBOR 过渡开发了一套解决方案。当时，银行面临大规模变更，既影响现有合同，也需要运营团队、律师助理和业务团队进行审查并采取补救措施。许多机构基本上是通过增加人手来应对这一问题。我们从 LIBOR 过渡中吸取的教训是，具体法规会变化，但其背后的挑战会不断重现。监管变更与合规是持续性的运营要求。

随着近期 FinCen 提出的变更涉及反洗钱/打击恐怖主义融资（AML/CFT），我们看到监管正逐步摆脱高度规定化的“逐项打勾”式合规模式。这实际上提高了合规要求，而不是减轻了工作负担，因为机构必须解读法规、明确自身面临的风险，并判断这些风险对其运营模式意味着什么。这一转变必然涉及组织内不同的部门和职能，而不仅仅是合规与审计团队。

您曾主张，银行不应再把每一次重大监管变更都视为一个新的转型项目，而应将监管变更管理建设成一项常设的运营能力。在实践中，这种运营模式会是什么样子？金融机构历来为何难以建立这种能力？

新的运营模式应认识到，变革是持续不断的；它不再是每季度或审计人员上门时才需要启动的一项工作。为 LIBOR 制定解决方案让我们明白，一项监管变革或许最终能够落实，但适应变化的需求不会因此消失。要应对下一项监管变革，仍需理解变革内容、将其转化为运营要求，并更新相关流程。

新的运营模式也不能局限于合规部门。在更加以风险为基础的模式下，合规职能最终或许仍负责确保遵守规定，但运营、法务以及某些情况下的交易对手风险管理也变得更加重要。机构可能犯下的一个错误，就是低估监管变化对整个组织的广泛影响。

过去，这一直很难实现，因为企业逐渐形成了碎片化的技术架构和彼此孤立的运营模式。如果不同业务部门各自依赖独立的 RPA、BPM、报告及其他平台，那么响应新要求本身就会变成一项集成工程。

出台新法规时，银行可能需要确定哪些客户、产品、合同、系统和流程会受到影响。人工智能在哪些方面可以实质性地改进这种影响分析？流程中哪些部分仍需要依照确定性规则处理，或需要人来判断？

人工智能可以大幅减少理解和落实监管变化所需的人工工作。具体而言，人工智能可以帮助分析和分类海量信息，并准确找出需要人力重点关注的方面。例如，EvoluteIQ 的监管响应能力可以按照客户和资产类型对合同进行分类和排序，将这些信息与企业系统及外部数据源关联起来，然后协调法务、风险和运营部门开展后续工作。这让机构能够从识别可能受影响的事项，进一步转向在整个流程中切实管理由此产生的变更。

人工控制和监督仍然必不可少。在受监管流程的某些环节，机构需要明确界定业务规则、条件、例外情况和升级处理路径。我们认同的模式是，将人工智能的适应能力与确定性自动化相结合，并在适当之处运用人的判断。人工智能可以帮助解读并指出可能需要采取行动的事项；确定性规则可以规定如何执行明确界定的决策；需要作出判断的例外情况或决策，则可以上报给相应人员处理。

监管规定的落实工作往往涉及法务、合规、风险、运营、数据和技术团队。人工智能和流程编排如何帮助这些团队基于对法规的共同理解开展工作，而不是各自建立流程，并可能制定相互冲突的业务规则？

更加以风险为基础的合规模式，最重要的影响之一是责任会延伸到组织的更多部门。最终问责责任或许仍由合规部门承担，但运营、法务和交易对手风险团队也都发挥着重要作用。这意味着，机构必须避免将法规落实视为合规部门可以独自完成的工作。

因此，集成平台至关重要。在大型组织中，新的模式要求整合不同的记录系统和业务规则，同时也必须考虑安全方面的复杂性。统一的方法有助于降低这样的风险：组织内不同部门通过彼此完全独立的技术栈，各自落实同一项变更。

生成式人工智能可以解读复杂的监管文件，但在涉及合规决策时，银行无法承受模型产生幻觉或解读前后不一致的后果。用于监管变革管理的人工智能系统应设置哪些保障措施？人类专家应在哪些环节继续参与决策？

首先，不要孤立部署人工智能智能体，否则在缺乏适当治理的情况下，可能导致智能体泛滥。

其次，组织能够实现的自动化程度，不仅受技术能力限制，也受监管要求、隐私保护以及数据能否依法共享等因素制约。

必须遵循的核心设计原则是：人工智能应加快解读工作，但不应承担决策责任。正如监管机构所要求的那样，合规问责责任仍应由明确指定的人员承担。保障措施分为两类：对人工智能输出内容的控制，以及对人工决策环节的审慎安排。人工智能生成的每一项输出都必须有权威来源作为依据，并且应在人工智能系统内设置输入和输出护栏。

最后，应为每一项输出保留审计轨迹，记录来源条款、模型和提示词版本、置信度、审核人、决策及其理由。

可审计性在金融服务领域尤为重要。如果人工智能帮助解读法规、制定业务规则、识别受影响的客户并启动工作流程，机构如何保留清晰的证据轨迹，向监管机构准确说明每项决策是如何作出的，以及作出决策的原因？

在高度受监管的行业，仅记录最终决策还不足以实现可追溯性。更重要的是，能够还原得出最终决策的完整过程：展示所用信息、适用规则、作出的决策、整个过程中发生的变更，以及人工介入的环节和人工批准的内容。

多个智能体、业务规则和工作流彼此交互时，可追溯性就更加重要。审计能力应内置于编排层。决策轨迹可以记录决策、规则变更及其依据；端到端的智能体可追溯性则能让人清楚了解一连串自主行动的全貌。

如果监管机构询问某位客户、某份合同或某笔交易为何以特定方式处理，金融机构就应能够沿着产生该结果的数据、规则、人工智能驱动的决策、审批和操作追溯其来龙去脉。这样一来，可解释性便不再只是模型层面的问题，而成为一种运营能力。

大型银行的运营依托数十年来积累的遗留基础设施，关键客户数据和交易数据分散在众多系统中。它们如何才能构建可重复使用的人工智能驱动型合规层，而不必耗费高昂成本替换底层技术资产？ 

任何新的企业级能力都必须能在现有基础设施中运行，不能指望情况有所不同。整合也很重要，因为我们越来越常听客户提到，他们拥有多个 RPA 平台，或一套遗留 BPM 系统，而企业内部还有多个彼此独立的报告技术。我们的客户越来越明确地表示，他们希望把重点放在能带来投资回报的工具和系统上，而不是寻找替代方案。因此，可重复使用的合规层必须适配现有环境，而不能假设底层的一切都会被替换。

您曾与金融机构合作，经历了多代技术的发展，从传统核心系统到机器人流程自动化、机器学习，再到如今的智能体人工智能。这一轮人工智能转型有哪些根本性的不同？您认为金融机构在哪些方面可能重蹈以往自动化浪潮中的覆辙？

早期几代自动化技术处理的都是定义明确的工作。核心银行系统将记录和交易编码为系统流程。RPA 则通过脚本模拟在不同屏幕上的按键操作。机器学习基于结构化数据作出范围有限的预测，例如欺诈评分和信用风险评估，而且预测准确度可以衡量。每种情况下，接下来该做什么都由人工或固定规则决定，技术只是执行预先确定的流程。

智能体人工智能从几个方面改变了这一局面：

• 它能更有效地处理非结构化、需要判断的工作。银行不再只是自动化执行任务，而是将工作结果交由系统负责，由系统自行选择实现路径。
• 它出错时不易察觉。银行调整屏幕布局时，RPA 机器人会明显失效，随后有人修复问题。而语言模型给出错误答案时，答案却可能流畅、看似合理，而且语气笃定。这就成了问题。
• 它的行为具有概率性，因此必须将其置于企业语境中加以约束，以避免产生幻觉。
• 最后，利用人工智能进行开发的成本已经变得很低，业务用户如今只需一个下午就能创建出可运行的智能体。过去，自动化受制于 IT 部门的能力；如今，瓶颈变成了治理能力。

金融机构还应注意，不要遗忘传统自动化时代吸取的教训。以下是其中一些例子：

• 自动化有缺陷的流程。RPA 留下的最大遗产，是成千上万个叠加在从未重新设计过的流程之上的机器人。这造成了脆弱的技术债务，银行至今仍在为维护这些系统付出代价。在同样支离破碎的工作流之上部署智能体，只会以更复杂的方式重蹈覆辙。银行应先重新设计工作流程，再决定将哪些工作委托出去。
• 追逐虚荣指标：如果没有获得资金支持的生产部署路径，概念验证项目就会停滞不前。统计部署了多少个智能体，只不过是重复 RPA 时代统计机器人数量的做法，而不是衡量实际业务成果。
• 对数据基础投入不足。机器学习让人们认识到，模型质量受数据质量制约。智能体如果从过时的政策、重复的文档或相互矛盾的信息源中检索内容，就会基于错误前提作出看似笃定的推理。

展望未来，您认为监管合规会不会朝着持续合规、甚至部分自主合规的方向发展？在这种模式下，人工智能系统能够发现监管变化、评估其影响、更新工作流，并且只将需要人工判断的例外情况上报。在银行和监管机构愿意接受这种自主程度之前，还需要满足哪些条件？

会，但自主能力将分阶段实现。对于定义明确的变化，发现、分类处理、影响范围梳理和工作流更新将逐步实现持续化和自动化。对于含义模糊的规则、风险接受与监管立场，仍将由人工判断。现实的最终形态是“受监督的自主运行”：机器默认执行整个流程，而人类负责治理例外情况。

为实现这一目标，监管机构还需要以结构化、带版本号的格式发布规则，并在英国金融行为监管局（FCA）和英格兰银行开展的数字监管报告工作等倡议基础上进一步推进。

此外，还需要在执行系统中内置可逆机制和紧急停止开关，以确保检测到异常、错误率上升或模型变更时，能够轻松回滚自主工作流变更。监管人员亲自使用类似工具，将有助于加快他们对这类工具的接受。这样可以建立共同的测试语言，并且随着时间推移，还可能实现机器之间的直接监督。

感谢您带来这次精彩的访谈。希望进一步了解的读者，请访问EvoluteIQ。