AWS a Snowflake ukazujú agentický workflow pre triedenie AML upozornení

AWS publikovalo referenčný postup, ktorý prepája Amazon Quick Flows so Snowflake Cortex AI pri triáži upozornení na pranie špinavých peňazí. Ide o ukážku v regulovanom a pracovne náročnom procese: analytik potrebuje overiť alert, pozrieť transakcie, profil zákazníka, predchádzajúce vyšetrovania, relevantné pravidlá a pripraviť štruktúrované odporúčanie. AWS uvádza, že v testovacom prostredí skrátil automatizovaný workflow čas vyšetrovania z 30 až 90 minút na menej než päť minút, pričom výsledky závisia od zložitosti prípadu a objemu dát.

Architektúra stojí na kombinácii Amazon Quick Flows a Snowflake Cortex Agent. Quick Flows zabezpečuje orchestráciu, validáciu vstupu, vetvenie postupu a formátovaný výstup pre analytika. Snowflake Cortex Agent zas pracuje s dátami v Snowflake, pričom využíva Cortex Analyst pre štruktúrované dotazy a Cortex Search pre vyhľadávanie v neštruktúrovaných compliance dokumentoch. Prepojenie medzi službami ide cez Snowflake-managed MCP server a OAuth autentifikáciu.

Praktický význam MCP je tu jasnejší než pri abstraktných demonštráciách. Amazon Quick nemusí mať vlastný špeciálny konektor pre každý Snowflake nástroj; cez štandardizované rozhranie volá schopnosti, ktoré sprístupňuje Cortex. V regulovanom procese je dôležité aj to, že autentifikácia a oprávnenia ostávajú explicitné. Agentický workflow nemá obchádzať governance dát, ale zapadnúť do nej.

AML triáž je vhodný príklad, pretože veľká časť práce je opakovateľná, no stále vyžaduje kontext a úsudok. Mnoho alertov je falošne pozitívnych, ale analytik musí vedieť ukázať, prečo prípad uzavrel alebo eskaloval. Automatizácia preto nemôže skončiť jednou vetou. Potrebuje vyprodukovať vyšetrovací brief s transakčným vzorom, zákazníckym profilom, odkazmi na predchádzajúce SAR alebo alerty, relevantnou politikou, rizikovým skóre a odporúčanou dispozíciou.

Pre finančné inštitúcie je dôležité, že nejde iba o úsporu času. Ak workflow systematicky zhromažďuje rovnaké typy dôkazov a používa kontrolované zdroje, môže znížiť variabilitu medzi analytikmi a pomôcť pri audite. Na druhej strane konečné rozhodnutie v citlivom compliance procese nemôže byť bez kontroly. Výstup agenta by mal byť podklad pre analytika, nie automatické zatvorenie prípadu bez vysvetlenia.

Ukážka tiež naznačuje, ako sa bude MCP presadzovať v enterprise prostredí. Jeho hodnota nie je iba v tom, že chatbot zavolá nástroj, ale v tom, že cloudové služby, dátové platformy a interné workflowy získajú spoločný spôsob integrácie. Ak sa MCP stane bežnou vrstvou pre riadené nástroje, podniky môžu skladať agentické procesy z existujúcich systémov bez toho, aby pre každú kombináciu stavali vlastnú integračnú logiku.

Limity zostávajú výrazné. AML dáta sú citlivé, často neúplné a závislé od lokálnej regulácie. Model môže zle interpretovať transakčný vzor alebo prehliadnuť výnimku v politike. Preto je potrebné logovanie, spätná dohľadateľnosť použitých zdrojov, testovacie datasety a jasné pravidlá pre eskaláciu. Výrazné skrátenie času v testovacom prostredí je sľubné, ale produkčné nasadenie musí prejsť vlastnou validáciou banky alebo finančnej inštitúcie.

Z širšieho pohľadu je tento príklad dôležitý, lebo ukazuje agentov v konkrétnej podnikovej úlohe, nie ako všeobecného asistenta. Ak sa AI workflowy presadia v regulovaných odvetviach, budú vyzerať práve takto: jedna služba orchestruje kroky, dátová platforma poskytuje riadený prístup k faktom, MCP prepája nástroje a človek zostáva zodpovedný za finálne rozhodnutie. To je menej efektné než demo, ale oveľa bližšie reálnemu nasadeniu.

Pre AWS aj Snowflake je takýto príklad strategický. Obe platformy ukazujú, že agentické workflowy nemusia znamenať presun všetkých dát do jedného nového AI systému. Naopak, model môže sedieť nad existujúcou dátovou a compliance vrstvou, ak sú nástroje sprístupnené kontrolovaným rozhraním. Práve tento kompromis medzi automatizáciou a zachovaním podnikovej kontroly bude rozhodujúci pre adopciu v bankách.