AI行业复盘｜金融机构AI治理专题

UBS被罚1.25亿：AML自动化如何失灵

2026 年 8 月 3 日，UBS 被 FinCEN 开出 1.25 亿美元罚单。

这是《银行保密法》框架下史上最大的一笔经纪商处罚。对正在把 AI、大模型、智能体全面接入风控与合规的金融机构来说，这起事件是一堂关于AI 治理与AI 合规风险的公开课：它讲的不是"该不该用 AI"，而是"用了 AI，却管不住、说不清、查不到，会付出多大代价"。把整件事复盘一遍，每一个节点都戳中金融机构的共同痛点。

一、时间线：从承诺整改，到被罚1.25亿

这起事件最值得玩味的，是它拉得很长。把关键节点连起来看：

2018 年 12 月：UBS 因"自动化电汇监测薄弱"被 FinCEN 罚 1450 万美元，并承诺整改。

2019 年 1 月—2021 年 1 月：依赖一份手动季度报告标记可疑外币电汇。监管指出，这份报告设计不良，常缺关键的地理信息。

2021 年 2 月起：上线自动化监测工具替代手动流程。却因一次数据文件错误叠加标签变更，漏掉约 三分之一的零售外汇即期活动。

2019 年 1 月—2023 年 6 月：合计超 6 万笔外币电汇、价值超 100 亿美元未被合理监测。

2026 年 8 月 3 日：四家监管同日联动——FinCEN 1.25 亿、FINRA 2000 万、SEC 2000 万、CFTC 800 万美元。

从 2018 年承诺整改，到 2026 年被罚 1.25 亿，中间隔了将近八年。监管的原话是：UBS "并未落实"当年的整改承诺。AI 使用审计这道题，它考了八年，始终没交卷。

二、失灵机制：自动化不是更聪明，而是更隐蔽地漏

很多人本能地以为，罚单源于"模型太笨"或"员工故意"。都不是。真正的失灵，发生在两个切换点上。

切换点一：从手动到自动，监测口径被悄悄改窄。手动报告时代，至少还有人在看；自动化工具上线后，本该覆盖全量的系统，却因数据文件错误和标签变更，直接漏掉三分之一的人群。系统在线跑着、仪表盘看着健康，但那三分之一从头到尾没进过监测流水线。自动化没有消除风险，只是把风险藏到了看不见的地方。

切换点二：从"能跑"到"可信"，中间缺了一道校验。工具上线后，有没有人验证过"它到底覆盖了多少"？标签变更时，有没有回归测试确认监测范围没缩水？从公开信息看，这些校验是缺失的。金融机构常把"系统上线"误当成"风险解决"，这是最典型的"重上线、轻运营"。

这恰好撞上监管新规的枪口。国家金融监管总局《指导意见》明确要求避免"重上线、轻运营"，运行中持续监测模型效能、数据漂移和异常行为；FinCEN 4 月拟议规则更进一步——不可解释的模型决策，不再是辩护理由。UBS 的教训，不过是这两条规则提前写下的注脚。

三、根因：可观测性缺失，是金融机构的通病

把 UBS 的个案抽象成一层，根因只有一个词：可观测性缺失。

它可以拆成三层：

① 过程不可见：自动化工具漏掉三分之一流量，内部没人收到告警。如果当时有一张"实际监测覆盖率"的实时看板，问题在 2021 年就会被发现，而不是拖到 2026 年。

② 变化不可溯：标签变更、数据文件错误，这一类"配置级事故"在金融机构极常见，却很少被纳入 AI 治理的视野。它们不改变模型本身，却能让整个监测范围静默缩水。

③ 责任不可证：UBS 2018 年承诺整改却"并未落实"，而监管是通过自己的检查才发现，不是机构主动披露。这说明缺乏可追溯的留痕，机构自己也没法证明"我管过"。

可观测性层	UBS 缺口	后果
过程不可见	工具漏 1/3 流量无告警	风险藏到看不见处
变化不可溯	标签变更未回归校验	监测范围静默缩水
责任不可证	整改承诺无留痕可证	无法以"已整改"抗辩

四、51Tokens怎么补：全量审计 + 敏感识别提醒

对应这三层缺口，51Tokens 的管控平台做两件直接对症的事。

一是全量模型调用审计日志：谁、什么时间、用哪个模型、发了什么类型的内容、消耗多少 Token，全部留痕。它平时用来做成本归因与 AI 考核，出事时就是那条唯一能证明"到底发生过什么"的证据链。对金融机构而言，审计日志的价值不只是合规，更是"我能证明我管过"的护身符。

二是请求进模型前的敏感内容识别与脱敏提醒。识别到客户信息、内部风控规则、未公开数据等敏感特征时，给出提示与处理建议，让业务人员在按下回车前先意识到风险。这里边界必须讲清：它是提醒，不是运行时自动拦截，也不替代任何保密审查或合规流程。它把风险判断从个人自觉搬到系统提示，让"该不该发"多一道默认动作。

这两件事加在一起，补的正是 UBS 缺的那块——让自动化不仅"跑起来"，更"看得见、溯得到、证得了"。同一套链路还能顺手做请求侧保真压缩，把 Token 成本一起压下来。

五、写在最后：AI省钱、AI合规、AI考核，都建在可观测之上

UBS 这 1.25 亿，罚的不是"用了自动化"，而是"用了自动化却看不见它漏了什么"。对所有金融机构而言，这起复盘的结论只有一句：

没有可观测性，AI 治理就是一句空话。

而可观测性，正是三件事共同的地基：

① AI 省钱：看见每一次调用，才能定位无效 Token 与重复上下文；

② AI 合规：看见每一次调用，才能满足监管"过程留痕、责任到人"；

③ AI 考核：看见每一次调用，才能把"用量"换成"质量"，责任落到人。

看不见，三件事一件也做不成；看得见，三件事可以一次做成。企业 AI 治理要补的第一块砖，从来不是更聪明的模型，而是一条能看见每一次调用的链路。

留给风控与合规负责人的三个问题：

1. 你们上线的 AI 监测工具，实际覆盖率有多少？有没有人实时盯着？

2. 一次标签变更、一次数据文件更新，会触发监测范围的回归校验吗？

3. 如果监管明天问"你整改过没有"，你们拿得出留痕证据吗？

欢迎在评论区聊聊：你们机构的 AI 监测，是"跑着就行"还是"看得见才行"？把这篇转给你们的 CRO 和合规负责人，也许正是时候。

—— 51Tokens，让自动化既跑得动，也看得见