AI Account Opening / KYC / Onboarding Decision Architecture 解读

配对阅读：本篇的操作手册版（模板/RACI/门禁/runbook）是 docs/AI_ACCOUNT_OPENING_KYC_ONBOARDING_DECISION_PLAYBOOK.md。第一遍读本篇建立原理与架构判断；第二遍做案例时再用 playbook 查表落地，两者不需要重复精读。

核心导读

开户 AI 不是选择一个 IDV 组件，而是一套受监管的决策与证据架构。难点在于把准入资格、身份可信度、CIP/KYC/CDD、欺诈、AML 交接、账户激活、客户沟通和审计证据分清楚，避免所有失败都被压成一句含混的“KYC 未通过”。

AI 能改变的决策链，是把表单、身份主张、证件与活体信号、地址和税务属性、KYB/UBO、设备与行为图谱、制裁/负面信息筛查、CDD/EDD、fraud queue、AML referral、账户限制、入金/出金激活和客户状态沟通放进同一个 state machine。每个状态都要说明它是缺资料、低置信度、政策不满足、欺诈疑点、AML 敏感路径、人工复核、受限激活还是最终拒绝；这些状态不能被一个 vendor pass/fail 或一个 LLM reason 覆盖。

系统价值来自把模型输出定义成 decision signal，而不是最终结论。OCR、liveness、document authenticity、entity match、fraud score、risk tier 和 RAG/LLM 辅助说明都必须带 source、confidence、method、policy mapping、expiry、owner、allowed use 和 evidence reference。架构上要能重放申请快照、同意和用途、第三方响应、规则版本、review note、communication template、restriction release 和 early-life monitoring，才能解释为什么某个客户被要求补料、进入复核、受限开户、放弃或被拒绝。

控制边界围绕客户伤害和金融犯罪风险同时设计。误把 IDV 通过等同于 CIP 通过会制造合规缺口，误把不确定性直接拒绝会制造 false reject 和准入伤害，把 AML/SAR-sensitive 逻辑暴露给客户会破坏保密边界。评估证据要覆盖 false reject、manual overturn、abandonment、RFI burden、accessibility、文档类型/语言/地区差异、early-life fraud/AML outcomes、投诉和供应商变更；开户 AI 的目标不是最高转化，而是可解释、可救济、可审计的客户接纳与激活控制。

---

0. 适用边界

本文是学习和内部架构训练材料, 不构成法律意见、BSA/AML 合规结论、KYC/CIP 判断、CDD/EDD 结论、SAR 建议、客户拒绝建议、账户关闭建议、身份供应商推荐、模型验证报告或监管解释。

规则、阈值、客户通知、资料要求、报告义务、SAR-sensitive handling、数据保留和适用性判断必须由 Legal / Compliance / BSA-AML owner / Fraud Risk / Product / Operations / Model Risk / Privacy / Information Security 按机构、产品、客户、渠道和司法辖区确认。

本文只讨论架构能力: 如何让开户旅程中的状态、决策、证据、人工复核、客户沟通、激活控制和后续监测可重放、可解释、可审计。

---

Source Anchors

访问日期按 2026-06-30 记录。

---

1. 核心问题: 开户不是 KYC 工具串联

很多数字开户项目把问题定义为:

form + document OCR + liveness + sanctions screen + fraud score -> open / reject

这个定义会把不同责任线压成一个模糊结论。开户决策至少包含:

Product eligibility
  + Identity assurance
  + CIP / KYC / CDD evidence
  + Financial crime risk
  + Fraud and synthetic identity control
  + Funding and activation control
  + Customer communication and recourse
  + Evidence and monitoring governance

低成熟度系统把所有异常都显示为 KYC failed。这会制造四类问题:

• owner 混乱: product eligibility、CIP、fraud、AML、funding hold 和 customer abandonment 被同一个状态覆盖。
• 客户伤害: 技术失败、资料缺失、欺诈怀疑和 AML review 使用同一文案, 客户不知道下一步。
• 控制失效: AML/SAR-sensitive 信息可能被暴露给普通客服或客户。
• 审计困难: 事后无法证明当时哪些证据、规则、模型、人工判断导致 hold、decline、RFI、restricted activation 或 account closure。

成熟问题定义是:

Can we prove which gate, owner, evidence, model, policy, human action and communication
produced each onboarding state transition,
while preserving customer-safe explanations and restricted AML/fraud confidentiality?

---

2. 方法和架构贡献

本文的架构贡献是把开户设计成 stateful decision-and-evidence fabric。

digital channel / branch assisted / contact center
  -> consent and disclosure service
  -> application journey orchestrator
  -> document and evidence capture
  -> identity proofing service
  -> CIP verification service
  -> CDD / KYB profile service
  -> fraud and synthetic identity graph
  -> sanctions / AML referral interface
  -> policy and decision orchestration
  -> exception queue workbench
  -> core account opening
  -> funding and activation controls
  -> customer communication service
  -> evidence ledger and audit binder
  -> monitoring, QA, model risk and management reporting

关键设计是 decision orchestration 不直接吞掉所有模型输出。它应接收结构化信号:

decision_signal:
  source: identity_proofing_vendor
  signal_type: evidence_validation
  result: inconclusive
  confidence: calibrated_bucket_medium
  reason_codes: [DOCUMENT_GLARE, ADDRESS_MISMATCH]
  customer_safe_reason: additional_information_needed
  evidence_refs: [doc_id, session_id, vendor_response_id]
  owner: identity_platform
  expires_at: 2026-07-15

架构原则:

---

3. 机制原理: End-to-End State Machine

开户不是一次性 yes/no, 而是一组 state transitions。

lead / pre-application
  -> consent and purpose capture
  -> application intake
  -> eligibility screen
  -> identity proofing
  -> CIP information collection and verification
  -> CDD risk profile
  -> legal entity / UBO / authority review if applicable
  -> fraud and synthetic identity assessment
  -> sanctions / AML screening and referral triggers
  -> decision orchestration
  -> account creation or hold / decline / RFI
  -> funding and activation
  -> early-life monitoring
  -> ongoing CDD update triggers

3.1 状态必须区分

状态设计的核心是避免系统把“未完成、待审核、拒绝、限制、关闭、可疑活动”混成一个 UI 文案。

3.2 Outcome Table

---

4. Decision Domains 和 Gate Map

每个 gate 要明确 decision question、AI role、owner、evidence 和客户沟通边界。

责任线要分清:

---

5. Evidence Bundle

开户 evidence bundle 要回答三个问题:

1. 当时系统知道什么?
2. 哪个规则、模型、人员或队列作了什么动作?
3. 客户、审计、合规、模型风险和运营复盘分别能看到什么?

Evidence bundle 必须按权限分层。普通客服不应看到 SAR-sensitive rationale; 客户不应看到 fraud rule; 审计和合规需要能抽样重放; 模型风险需要版本、eval、monitoring 和 issue evidence。

---

6. Small Business / UBO / KYB Flow

小企业开户的难点不是多收几份文件, 而是把三件事分清:

entity exists
  + applicant has authority
  + natural persons behind control / ownership are identified and risk-assessed where applicable

FinCEN BOI resources should be treated as official source anchors, not as a substitute for institution-owned CDD/KYB procedures. The architecture should preserve source provenance:

customer attestation != state registry != FinCEN BOI data != third-party KYB vendor != internal CDD profile

KYB/UBO 的核心是 provenance 和 authority。多个来源不一致时, 系统不能简单用“最新值覆盖旧值”。应保留 source、time、confidence、owner、resolution action 和 customer-safe RFI。

---

7. Customer Harm、Abandonment 和 Activation

开户 AI 的客户伤害常隐藏在“未完成”里:

North-star metric 不应只是 conversion rate。更稳的指标组合:

eligible activation rate
  + verified identity completion
  + false reject / overturn rate
  + RFI completion burden
  + review SLA
  + segment friction disparity
  + early-life fraud / AML quality
  + complaint and recourse outcome

Activation 是独立控制面。可以存在 approved_restricted、opened_not_funded、funding_hold、outbound_transfer_blocked、card_not_issued、early_life_monitoring_active 等状态。这样既能避免过度拒绝, 也能避免高风险账户直接全功能激活。

---

8. Model Risk and AI Governance

开户链路里的 AI 不止一个模型:

Use NIST AI RMF for lifecycle risk management and ISO/IEC 42001 for operating system discipline:

AI inventory -> intended use -> risk tier -> eval plan -> release gate
  -> runtime monitoring -> incident / harm review -> management review
  -> control improvement

治理证据应包含:

• use case inventory and risk tier。
• approved use / prohibited use。
• data source, consent/purpose tag, retention, PII and biometric handling where applicable。
• vendor model version, change notice, SLA, audit/evidence rights。
• eval suite by document type, region, channel, accessibility, spoof/media attack, customer segment。
• human review, override reason, queue SLA and reviewer calibration。
• false reject, manual overturn, early-life fraud/AML outcomes, complaints and abandonment。

---

9. 为什么有效: 分离责任线, 保留证据线

这套架构有效, 因为它把开户从“通过/失败”改成多 gate、多 owner、多 evidence 的 state machine。

第一, state machine 防止流程语义坍缩。identity_proofing_pending、fraud_review_pending、aml_review_pending、approved_restricted、abandoned 代表不同风险、不同 owner 和不同客户沟通方式。

第二, decision signal contract 让模型输出进入治理边界。OCR、liveness、fraud graph、CDD risk tier、routing model 和 LLM assistant 都只提供带来源、置信度、reason、evidence、owner 和 expiry 的信号, 不直接产生最终状态。

第三, evidence bundle 让事后复盘可重放。开户争议通常跨 channel、vendor、core、case management、AML queue、funding system 和 customer communication。没有统一证据包, 审计和投诉只能靠截图拼接。

第四, customer-safe communication 降低伤害。客户需要知道下一步、需要什么材料、预计多久、如何获得帮助; 但 fraud/AML/SAR-sensitive 逻辑必须按权限隔离。

第五, activation-aware design 避免过度二元化。系统可以在证据足够时开户但限制功能, 或在 funding risk 未清时延迟激活, 从而同时管理客户体验和风险。

---

10. 局限和误用

局限还包括 identity proofing 的公平体验问题。摄像头质量、姓名结构、地址历史、非传统身份文件、残障辅助需求、语言和渠道能力都会影响完成率。架构上需要 alternate proofing、assisted onboarding、trusted referee 或 branch/contact center fallback, 但具体政策由机构 owner 批准。

---

11. 架构和产品价值

对金融零售软件经验者而言, 这篇的核心价值是把开户旅程从“前端转化漏斗”升级为“受监管的客户接纳和账户激活系统”。产品目标、风险控制、客户负担和证据保留必须同时成立。

---

12. 金融零售系统案例: Digital Checking + Small Business Checking

场景: 一家银行计划把个人 digital checking 和 small business checking 合并到同一 onboarding platform。产品团队希望提高转化, 风险团队担心 synthetic identity、mule accounts、KYB/UBO 不完整和 early-life fraud。

目标架构:

典型事件: 小企业客户完成表单和证件上传, entity registry match 通过, 但 UBO ownership percentages 与 attestation 不一致, 同时申请人设备与多个近期申请有关联。低成熟度系统可能显示“KYC failed”并拒绝。成熟系统会把 entity identity、authorized representative、UBO discrepancy 和 fraud signal 分开记录; 对 UBO discrepancy 发送 customer-safe RFI; 对 fraud signal 进入 restricted review queue; 在资金风险未清时使用 approved_restricted 状态; 记录 evidence refs、reviewer actions、communication template 和 activation release criteria; 并监控该类 discrepancy 是否造成高放弃率或人工 overturn。这样系统既避免“风险未清直接全功能开户”, 也避免“所有不确定性直接拒绝”。

---

13. 学习验证

完成本文后, 应能解释开户 AI 为什么是 stateful decision-and-evidence fabric, 并区分 started、consent、identity pending、CIP pending、CDD review、fraud review、AML review、restricted、active、declined、abandoned。还应能拆清 eligibility、identity proofing、CIP、CDD、KYB/UBO、fraud、AML、funding、communication 的 owner, 定义 decision signal 和 evidence bundle, 说明 customer-safe communication、activation control、harm monitoring 与 model/vendor governance。

最小可交付架构包应包括: account opening state machine、CIP/CDD/KYB/UBO gate map、decision signal contract、evidence bundle schema、customer-safe reason/status catalog、exception queue SLA、activation restriction matrix、AI model/vendor eval plan、friction/harm/early-life risk dashboard 和 audit evidence replay checklist。真正掌握这篇的标志是: 能把开户体验、KYC/AML、身份、欺诈、资金激活和客户沟通放进同一个可治理状态机, 同时不牺牲证据、权限边界和客户可行动性。

---

SOTA 检查 (2026-07-01)

• 身份证明基线已从草案换成正式版：NIST SP 800-63-4 / 63A-4 于 2025-07 发布最终版（结束近四年修订、两轮公开草案、近 6000 条公开意见），本篇 Source Anchors 引用的即该正式版页面；正文第 3-4 节按 identity resolution → evidence validation → identity verification 组织 proofing gate 的方式与 63A-4 最终结构一致，主线仍成立。
• FinCEN BOI 事实源发生实质变化 (2025-03)：FinCEN 于 2025-03-26 发布 interim final rule，豁免所有美国境内设立实体（原 domestic reporting companies）的 BOI 申报义务，"reporting company" 定义收窄为在美注册经营的外国实体。这强化了本篇第 6 节的核心警告——FinCEN BOI registry 不能替代机构自有的 CDD/KYB beneficial ownership 程序（银行侧 CDD rule 义务独立于 BOI registry 覆盖范围），customer attestation != registry != FinCEN BOI != internal CDD profile 的 provenance 分层在 registry 覆盖收窄后更加必要。
• 威胁面 2025-2026 主线：deepfake 防御趋于成熟、synthetic identity 成为主要缺口：行业报告（ID-Pal、Sumsub、Biometric Update，2025-12 至 2026 上半年）称 AI 生成身份欺诈同比增长约 700%，出现全自动化 KYC 绕过 bot（从生成假证到通过 liveness 再到与客服对话全链路代理）；同时多数 KYC 栈对 deepfake 已有分层防御，而 synthetic identity 尝试仍同比 +31%。这印证本篇把 synthetic identity graph 设为独立 gate、以及从单点检查转向 KYC+KYB+持续监测的分层 risk-based workflow 的判断。
• Agentic AI 进入 AML/KYC 生产线，但 HITL 边界与本篇结论一致：2025-09 的 Co-Investigator AI（arXiv 2509.08380）与 2026 年行业实践（Hawk、Bretton AI 等）把 SAR 叙述草拟、KYC refresh、证据汇总做成 agent 工作流，但 SAR 提交、EDD 判定、AML 账户关闭等高风险决策一律要求 human-in-the-loop、由 BSA officer 签署——本篇「AI 不拥有 SAR filing decision」「LLM 只做 grounded summary 不写 denial reason」的控制边界不仅未过时，反而成为 2026 年主流治理共识（"the model said so" 不是有效监管抗辩）。库内配套实操见 docs/aipa/day1-aml-copilot-product-discovery-jtbd.md 与 docs/aipa/day2-aml-ai-competitive-landscape.md（2026-06，AIPA 计划）。
• 不随版本过时的框架性结论：state machine 状态分层（proofing/CIP/CDD/fraud/AML/restricted/abandoned 不混用）、decision signal contract（source/confidence/owner/expiry/evidence_refs）、evidence bundle 可重放、customer-safe communication 与 SAR-confidentiality 权限隔离、activation 独立控制面——这些是责任线与证据线的组织方式，不绑定任何 IDV 供应商、模型版本或具体阈值；会过时的是具体 vendor 能力、liveness 攻防手段和监管申报口径，复查时只需刷新这三类。