韩国金融监管机构计划引入 AI 调查员，但证据仍需由人类审查

韩国金融监督院已为一套 AI 调查员系统选定开发商，由此引出一个新的矛盾：如何在加快市场滥用行为侦测的同时，确保证据经得起审查。首尔经济日报报道称，LG CNS 已获得优先竞标者资格，这一项目随后通过 Google News 进入公众视野。据报道，该系统计划于 2028 年全面投入运行。

这并不只是又一套为异常交易评分的系统。计划中的模型将关联可疑账户、建议补充证据、在调查人员加入材料后重新评估案件，并协助起草正式文件。这些功能意味着，AI 将从市场监测进一步进入实际调查环节。

这一差别很重要，因为韩国交易所已在早期市场监控中运行 AI 系统。据报道，金融监督院的新项目将更深入地接触非公开案件材料和调查工作流程。即使最终决定仍由人类签署，它也会要求调查人员更清楚地说明算法在案件中产生了何种影响。

Google News 报道称韩国正在建设什么

这套计划中的系统将把 AI 从预警生成工具转变为主动参与调查的助手。

根据报道中的调查计划，LG CNS 最近成为一项金融监督院项目的优先竞标者，该项目价值约 45 亿韩元。Bespin Global 和 Konan Technology 也参与了竞标。

首尔经济日报称，该项目应在 2027 年 12 月前完成，并于 2028 年开始全面实际运行。在金融监督院或中选承包商发布最终项目文件之前，不应将这一时间表或最终技术配置视为已定案。

计划中的系统包含两个紧密相连的组成部分。第一部分是面向资本市场调查的专用模型；第二部分是一组 AI 智能体，将通过研究、文件准备、线索优先级排序、转录和摘要等工作为调查人员提供支持。

AI 智能体是能够利用模型、工具和既定工作流程完成多步骤任务的软件。在此情境下，这类智能体不只是回答一般性问题，而是会在金融监督院现有工作系统中运行，并使用获授权调查人员可访问的信息。

据报道，该模型将学习包括价格、交易量和监管申报在内的公开市场信息，也会使用调查过程中收集的非公开材料。过往调查计划、报告和处置意见将提供额外的机构背景。

这种组合可能使模型获得远比公开交易数据筛查工具更丰富的视角。仅凭价格波动，很少能够解释是谁协调了相关活动，或为何多个账户表现出相似行为。案件记录可能包含市场数据流中无法看到的关系、调查推理和证据模式。

随后，该系统将绘制涉嫌不公平交易账户之间的关联。它可以对相关账户分组，分析它们的综合行为，并建议调查人员下一步应收集哪些材料。这些建议可能会将注意力引向交易记录、通信内容、所有权关联或其他可依法获取的材料。

调查人员会收集建议材料并反馈给系统。模型将利用这些证据重新评估违规行为发生的可能性。报道将这种重复流程描述为循环式调查系统。

这一闭环是该项目最具影响力的特征。传统监测软件通常生成警报、给出评分或识别模式；循环系统则会参与形成案件的调查理论。

这套计划中的助手还将按照金融监督院格式起草问答记录、调查报告和处置意见。起草工作可以减少重复劳动，但也会影响事实的组织和呈现方式。即便调查人员在形式上仍负有责任，生成的叙述也可能影响其判断。

该系统预计将在与公共互联网隔离的封闭网络中运行。报道称，由于项目将处理敏感调查信息，金融监督院排除了 ChatGPT 和 Gemini 等外部模型服务。

据报道，LG CNS 提出了两款可在内部服务器上运行的国产大型语言模型。LG AI Research 的 EXAONE 被列为候选方案之一，因为其模型权重可供本地部署。最终模型选择尚未得到公开确认。

封闭部署可降低将受保护记录发送至外部云端端点的风险，但无法消除安全、治理或准确性问题。内部模型仍需要访问控制、日志记录、评估、补丁管理，以及防范受污染数据的措施。

因此，Google News 读者看到的不仅是政府自动化的故事。该项目将敏感记录、账户关联分析、调查建议和文件生成整合到同一受监管工作流程中。其范围形成了核心张力：只有当所形成的证据仍可审查时，速度才有价值。

韩国已使用 AI 发现可疑市场信号

金融监督院项目似乎是在既有执法计划基础上延伸而来，该计划已从线上监测转向以人为中心的调查。

韩国金融服务委员会宣布，韩国交易所将于 2026 年 2 月 3 日开始运行一套AI 监测系统。该系统针对股票操纵及其他不公平交易的早期迹象。

韩国交易所系统会分析线上帖子、垃圾信息举报、YouTube 视频、新闻、披露文件和股价变动，并为上市公司评分，识别涉嫌可疑活动概率较高的证券。

随后由人类审查被标记的公司，并决定是否有必要开展更深入的分析。这种结构将 AI 放在流程的起点，帮助监管机构将庞大的信息流收缩为较小范围的潜在案件。

Google News 所述的金融监督院项目将处于更下游的环节。它将处理可疑账户、非公开记录、累积案件文件和证据请求，也可能帮助塑造调查期间使用的书面记录。

这一进展遵循了金融服务委员会、金融监督院和韩国交易所于 2025 年 7 月宣布的措施。各机构表示，职责分散导致对紧急操纵案件的应对延迟。韩国交易所负责市场审查，而金融服务委员会和金融监督院则行使不同的调查权限。

政府的2025 年执法计划建立了联合应对机制，并呼吁在监测中更广泛地使用 AI。该计划还将更快侦测与冻结账户、金融处罚、交易限制以及限制担任上市公司高管等措施联系起来。

这些制裁提高了任何为流程提供分析支持的系统的重要性。高风险评分不只是产生一个值得关注的数据点；它还可能推动一项影响资产、市场准入、就业和声誉的调查。

韩国也开始将监测重点从单个账户转向账户背后的人。以账户为基础的监测可能将由同一主体控制的多个账户视为彼此无关，也可能让调查人员面对范围不必要地广泛的潜在对象群体。

监管调整授权韩国交易所监测人员处理假名化身份识别数据。金融服务委员会表示，以个人为中心的监测预计可将监测对象减少约 39%。

这一政策变化为关联账户分析提供了部分基础。如果监管机构能够在明确的法律控制下将账户关联至同一实体，AI 模型便可在网络中寻找协调行为。

设想一个简化的操纵场景：多个账户买入一只交易清淡的股票，同时线上传播推广信息；其他账户彼此交易，制造活跃假象；最后一组账户则在推广引发的需求中卖出。

传统预警系统可能会标记价格上涨、异常成交量或线上讨论。关系模型则可能追问：这些账户是否共享资金来源、设备、联系方式、受益所有人，或是否存在同步下单模式。

其价值不在于自动认定有罪，而在于跨越原本需要人类花费更长时间才能关联的数据集，形成可检验的调查假设。调查人员仍必须判断这些关联是否存在无辜解释。

韩国更广泛的执法议程解释了该项目为何此时推进。监管机构一方面面对规模更大的数字信息流，另一方面希望能更快打击协同操纵。社交平台、私密消息、算法交易和多个券商账户，使人工审查愈发困难。

2026 年的韩国交易所系统解决的是发现问题；计划中的金融监督院系统则瞄准调查瓶颈。两者共同勾勒出一条从公开信号侦测到证据形成的流程链。

真正的较量是 AI 速度与可辩护证据之间的平衡

只有当系统能够说明每项建议如何关联到可靠事实时，调查才会更有力。

报道中的设计承诺可更快绘制关系图谱、更聚焦地收集证据，并减少重复性写作。这些好处具有合理性，因为市场滥用案件通常涉及大量交易、申报文件、信息和历史记录。

然而，调查效率并不等同于法律上的可靠性。模型可能发现一项没有证据意义的统计关联，也可能忽略看似协调的行为背后存在的常见解释。

关联账户就是一个有用的例子。两位投资者可能因为关注同一位分析师、指数策略或公开信号而交易相似证券。家庭成员可能共用地址或设备，却并未协调操纵行为。企业集团也可能在关联实体之间进行合法转移。

模型必须区分有价值的线索与结论。如果调查人员将排序结果当作事实，原本用于缩小搜索范围的系统，反而可能固化早期怀疑。

生成式组件带来了第二个问题。大型语言模型通过预测可能的文本序列来生成内容，而非通过有保证的过程检索真相。它们可能遗漏相反事实、混合独立事件，或以过度确定的方式描述不确定关系。

当生成文本进入调查报告时，这种风险就会变得严重。一段流畅的文字即使支撑链条并不完整，也可能显得权威。调查人员必须能够直接访问底层记录、模型输入和检索结果。

生成草稿中的每项重要陈述都应可追溯至明确来源。系统应区分市场数据、正式申报文件、调查人员观察、第三方指控和模型推断。这些类别并不具有同等的证据权重。

一个有用的输出会指出三个账户在某一明确时间区间内进行了交易，并且具有一项有据可查的共同属性。危险的输出则会在未披露这种定性的依据时，将这些账户描述为协同行动的群体。

因此，人工审核是该系统机制的一部分，而非可有可无的安全层。只有当调查人员质疑系统建议、补充相互矛盾的材料，并记录接受或否决每一条线索的理由时，这一闭环工作流才能改进案件。

同样的原则也适用于行政文书起草。模板可以加速常规工作，但官员必须核实姓名、日期、交易金额、法律标准和引述材料。最终记录应保留修改痕迹，并标明哪些段落由 AI 生成。

其他地区的金融监管机构也面临类似的可解释性问题。国际清算银行将不透明性、薄弱的数据治理、网络威胁和第三方集中度列为主要的模型治理风险。

可解释性并不要求每个模型在数学上都变得简单。它要求提供与决策相称的解释。调查人员需要知道某个账户为何被标记、哪些记录支持这种关联，以及每项特征对结果的影响程度。

系统还必须保留不确定性。关系图应说明一条连线代表共同所有权、相似时点、共同基础设施，还是未经验证的推断。若将每一种关联都以相同的视觉权重呈现，可能会误导用户。

指标在这里至关重要。针对一般测试集的准确率并不足够。FSS 需要获得针对不同操纵模式、市场状况、公司规模和账户结构的性能数据。

误报会消耗调查能力，并可能使无辜方受到审查。漏报则会让不当行为持续。若只优化其中一个比率而不报告另一个，就可能掩盖实际运营中的权衡。

历史数据带来了另一项复杂性。过去的调查反映了此前的执法重点、调查习惯和可用技术。基于这些文件进行训练，可能会复制盲点，而非发现新的模式。

标签也可能并不一致。因证据不足而结案，并不必然意味着可疑活动从未发生。若模型将每个已结案件都视为负面样本进行训练，可能会学到错误的区分方式。

Google News 的标题让该系统听起来像一名自主调查员。更准确的描述是：一组置于人工主导流程中的分析与起草工具。这一区别能否在日常使用中得以保留，将决定项目的可信度。

封闭网络保护记录，但也带来新的限制

将模型置于 FSS 边界之内可改善数据控制，但也使维护、评估和问责要求更高。

据报道，FSS 排除了调用外部模型的可能，因为其调查档案包含敏感信息。这一决定限制了数据暴露于公共云服务的风险，并让该机构能够更直接地控制存储、访问和保留。

本地部署可以防止提示词和案件文件离开监管机构的环境。它还可以支持与已认证员工关联的详细审计日志。当模型能够访问非公开市场信息和个人信息时，这些控制至关重要。

然而，隔离网络并不自动意味着系统安全。管理员仍需控制谁可以检索哪些案件。过于宽泛的内部搜索界面，可能会让没有正当调查需要的员工接触到记录。

权限应遵循源系统的规则。如果调查人员无法直接打开某份文件，AI 也不应通过摘要披露其内容。否则，检索系统可能成为绕过现有访问控制的间接途径。

模型的回答也需要持久化日志。调查人员和审查人员应能重建提示词、检索到的记录、模型版本、输出、用户操作以及最终决定。没有这些历史记录，后续质疑将难以解决。

本地模型带来了维护负担。即使提示词和证据保持不变，新模型版本也可能改变输出。因此，更新在部署前需要针对具有代表性的案件进行回归测试。

FSS 还需要一种方法，将安全修复和经过验证的模型改进导入封闭环境。过时的模型可能变得不够准确或更易受攻击。更新若应用得过快，也可能在缺乏充分审查的情况下改变既有行为。

微调带来了更多问题。微调使用任务特定示例调整通用模型。它可以提升模型对调查语言和文档格式的熟悉程度，但并不保证其能够忠实地根据证据进行推理。

敏感训练数据必须与普通案件检索分开治理。开发人员需要了解个人信息是否必要、示例会保留多久，以及记录是否能够从未来训练集中移除。

训练与检索之间的区别很重要。检索是在模型回答具体请求时向其提供文件。微调则使用示例数据改变模型行为，这可能使删除和归属变得更加复杂。

据报道，该项目使用公开可用的模型权重，这一点也值得谨慎表述。可用权重允许本地部署，但可用性并不自动证明可审计性。监管机构仍需要有关训练数据、局限性、许可和评估方法的文档。

承包商关系又增加了一层复杂性。据报道，LG CNS 提供金融服务集成、模型、平台和 IT 能力。尽管如此，FSS 必须保留独立于供应商评估性能的能力。

这意味着应在部署前定义验收测试。测试应涵盖关联账户识别准确率、证据检索、引用忠实度、幻觉率、访问控制执行情况以及对恶意内容的抵抗能力。

市场记录可能包含对抗性材料。一份申报文件、投诉或抓取的网络帖子，可能包含意在操纵模型行为的文本。检索不可信文本的系统必须防止这些材料覆盖调查指令。

项目还需要明确的故障模式。如果模型无法访问必要来源，应披露这一缺口。如果证据相互冲突，应呈现这种冲突，而不是强行给出单一叙述。

聊天机器人界面可以让复杂分析更容易被请求，但也可能掩盖技术限制。调查人员可能以为系统检索了所有获授权的数据库，而实际上它只查询了其中一部分。界面应针对每次回答说明其搜索覆盖范围。

这些限制都不会否定封闭网络策略。它们说明，部署架构无法独自构成完整的安全保障。保密性、准确性、法律授权和程序公平需要不同的控制措施。

当 AI 进入案件档案，谁将面临压力

直接压力首先落在调查人员和系统设计者身上，而经纪商和交易者将面对能够连接更多碎片化信号的监管流程。

FSS 调查人员是最先受到影响的群体。他们可以减少整理常规记录的时间，将更多精力投入验证假设。但与此同时，他们也将承担审查技术流程生成结果的责任，而这些流程并非由他们设计。

培训需要覆盖的不只是聊天机器人的操作。调查人员必须理解误报、数据缺口、模型漂移、置信度评分，以及相关性与归因之间的区别。他们还应能够识别夸大现有证据的生成式表述。

主管人员面临相关挑战。他们需要制定一致规则，明确 AI 建议何时可以影响调查步骤。对模型的非正式信任文化，可能与书面政策一样具有重要影响。

LG CNS 以及任何模型供应商都面临着为可追溯性而非展示效果进行构建的压力。与准确记录相连的主张，比流畅的回答更有价值。系统质量应通过案件准确性和可审计性衡量，而非演示表现。

经纪商可能会收到更多关于关联账户和交易历史的请求。身份识别能力薄弱或记录不一致的公司，可能难以作出回应。更完善的监管分析能力可以暴露受监管行业中的数据质量问题。

使用协同账户的交易者面临更直接的威胁。以人员为中心的系统可能使账户碎片化不再是有效的隐蔽手段。分散在不同券商的相似订单，可能更容易被作为一个模式进行分析。

普通投资者同样受到影响。更快识别操纵行为，可以缩短误导性信号扭曲股票价格的时间。但过于宽泛的检测，也可能让合法活动受到不必要的审查。

因此，程序性保障对市场信心至关重要。监管机构应能够说明，预警启动了一项调查，而不暗示预警已经证明存在不当行为。公开的执法公告应保留这一区别。

韩国交易所并不只是新系统的竞争对手。其 AI 监控系统是上游参考点。关键的制度问题在于，KRX 预警、联合应对工作和 FSS 调查将如何交换信息，同时避免重复或放大错误。

如果一个模型的风险评分成为另一个模型的训练信号，该流程可能形成反馈循环。重复出现的机器生成怀疑，可能看起来像独立确认，尽管它源自同一份初始数据。

监管机构应标明每项信号的来源。网络帖子评分、交易模式预警、调查人员观察和模型生成的关系，应在整个案件过程中保持可分别识别。

该项目可能影响其他监管机构，因为它结合了通常分别采购的多项功能。商业监控产品已经支持预警分流、实体解析、案件管理和叙事起草。据报道，FSS 正围绕自身的记录和程序整合这些能力。

这种设计具有制度针对性，也集中了风险。共享平台中的一次故障，可能同时影响发现、调查和文档记录。

对于开发者和企业采购方而言，这一教训超出了金融执法领域。向工作流中加入代理会改变判断形成的位置。重要的问题不在于模型能否起草令人信服的回答，而在于每一项具有实质影响的主张是否仍与可检查的证据相连。

知识工作者在较小规模上面临同样的问题。系统可以整理文件并提出关联，但用户仍需访问原始材料。与证据相连的辅助，比来源不明的精致摘要更具持久价值。

Google News 让该项目作为一个 AI 应用案例受到关注。其更深层的意义在于工作流中的决策权。据报道，FSS 正准备让模型建议调查下一步应关注的方向。

三个信号将显示 AI 调查员是否有效

该项目应通过有记录的验证、人工控制规则和可衡量的调查结果来评判。

第一个信号是该系统在 2027 年 12 月完成前公布的最终系统规格。该规格应明确选定的模型、获授权的数据来源、安全架构、测试要求，以及对生成建议的边界限制。

详细的规格说明将增强外界对该项目已超越宽泛采购愿景的信心。若对评估与可追溯性保持沉默，则会削弱该系统已准备好承担重大调查工作的说法。

第二个信号是公开的人类监督框架。FSS 应明确由谁批准证据请求、核验生成文件、修改模型输出，以及对最终结论承担责任。

该框架还应涵盖异议与更正程序。如果某项账户关联被证实不准确，调查人员需要有流程来更正案件记录，并防止同一错误在后续分析中继续扩散。

明确的监督规则将支持这样一项核心判断：AI 可以加快调查，但不应成为决策者。仅笼统保证人类仍会参与，则只能提供弱得多的证据。

第三个信号是部署后的运营表现。主管机构应公布有参考价值的指标，例如预警准确率、为调查人员节省的时间、误报模式、案件处理时长，以及被工作人员否决的建议所占比例。

这些指标需要结合背景解读。如果调查时间缩短，却遗漏了相互矛盾的证据，那么效率提升并不代表更好。如果检测数量增加，但大多数案件在审查阶段被推翻，也并不代表更好。

还应将表现与 KRX 监测阶段进行比较。监管机构需要了解 FSS 工具是否发现了新的关联，还是仅仅重复上游预警。当多个系统处于同一执法流程中时，独立贡献至关重要。

2028 年全面投入实际使用，为该机构建立这些控制机制留出了时间。但这也意味着，在相当长的一段时期内，采购承诺可能会领先于已证明的成果。只有在附带可验证细节时，读者才应将里程碑视为证据。

这篇 Google News 报道标志着审视的开始，而非结束。据报道，韩国金融监管机构正在开发一款助手，能够关联账户、请求更多证据并起草案件文件。这些都是有意义的能力，但没有任何一项应取代经过审慎推理的人类结论。

关注最终技术规格、监督规则以及首批绩效披露。它们将共同回答最重要的问题：韩国的 AI 调查员能否在加快市场滥用案件处理的同时，保留一条从怀疑到证据的透明路径？