反洗钱中AI技术虽受关注，但采用率仍不高。对生成式AI兴趣浓，却有超半数受访者无意采用。预算、监管等影响采用，减少误报成优先，机器学习受青睐，数据整合是释放AI潜力关键。

以下为全文：

在反洗钱（AML）流程中使用人工智能（AI）已成为金融机构努力遵守法规和打击金融犯罪的重要手段。然而，数据和人工智能领域的领导者SAS与合作伙伴毕马威（KPMG）以及850名注册反洗钱专家协会（ACAMS）成员共同进行的一项关于反洗钱技术的最新研究显示，人们对新技术的兴趣仍然超过其全面实施，即使与2021年首次进行这项研究时相比也是如此。采用率仍然不高。只有18%的受访者表示在生产流程中使用了AI/ML解决方案，另有18%处于试点阶段。25%的受访者计划在未来12-18个月内实施此类解决方案，而40%的受访者目前尚无采用计划。

对生成式人工智能（GenAI）的兴趣浓厚。近一半的受访者表示，他们目前正处于生成式人工智能的实验（10%）或探索（35%）阶段，这对一项新兴技术来说是一个很高的比例。然而，55%的受访者无意采用它。AI/ML的使用正在增长，但不采用它们的理由也在增加。

今年，67%的受访者将提高调查和监管结果的质量或减少误报作为采用AI/ML的主要原因，比2021年下降了11%。与此同时，对复杂风险的识别从17%上升到21%。同一年，采用新技术的主要障碍是预算限制，39%的受访者提到了这一点。如今，这一比例已降至34%，而被缺乏监管要求所超越，37%的受访者提到了这一点。对缺乏可用技能的担忧也在减少，比例下降了近一半，降至11%。减少误报越来越成为优先事项。当被问及AI/ML实施的优先事项时，38%的反洗钱专家提到了减少现有监控系统中的误报（比2021年增加了8%）。自动化数据丰富以进行调查和尽职调查（25%），以及通过高级建模技术识别新风险（23%）仍然是受欢迎的选项，尽管两者都比上一次调查下降了几个百分点。其余13%的受访者提到了用于行为分析的客户细分。减少误报和漏报也是AI/ML最有价值领域的首选答案，占38%。然而，另外两个可选的答案——更好更快的调查（34%）和管理高低风险警报（28%）——紧随其后。

机器学习表现良好，但自然语言处理（NLP）也不容小觑。当被要求根据影响对三种技术进行排名时，机器学习再次以58%的比例成为首选，比2021年增加了6%。机器人流程自动化降至28%，而自然语言处理（NLP）以14%的比例排在最后。

SAS的Stu Bradley表示："释放人工智能和机器学习全部潜力的关键在于数据源、团队和技术的整合。实现这一整合的第一步是创建一个结合所有数据源的数据生态系统。"在这项ACAMS调查中，86%的受访者表示他们的反洗钱、欺诈和网络安全流程之间有一定程度的整合。近三分之一的受访者表示这些功能之间具有完全集成的案例管理能力，另有三分之一通过跨职能团队协作实施旨在防止金融犯罪暴露的控制措施。那些在考虑到治理的情况下进行数据和运营整合的公司正在为负责任的人工智能和机器学习创新奠定基础，并将比那些犹豫不决的公司享有竞争优势。