法遵 Agent 落地劇本:合約審閱與法規追蹤的可稽核設計

上個月我們幫一家中型融資租賃公司盤點他們的合約審閱流程。法遵團隊四個人,每個月要看過大約六百份合約:租賃主約、擔保附約、供應商採購單、還有一堆客戶自帶的修改版。他們兩季前導入了一套號稱能自動審約的 AI 工具,Demo 那天挑出了一條漏寫的違約金條款,主管當場拍板。

我到現場時,那套工具在法遵團隊的實際使用率是零。

不是它抓錯條款,是每一份它看過的合約,人還是得從頭再看一遍。因為沒有人敢在監理報告上寫「這條是 AI 判的」。AI 給了結論,卻沒留下任何可以拿去給稽核、給金管會、給法務長交代的軌跡。省下的時間,全被「重新查證 AI 有沒有唬爛」吃掉了。

這就是法遵場景跟其他 AI 應用最不一樣的地方。在客服或行銷,AI 猜錯了頂多語氣怪一點;在法遵,一個沒被記錄的錯誤判斷,就是一張未來的罰單。所以我們做法遵 agent 合約審閱,第一個要設計的不是模型多聰明,而是它錯的時候,人接得住;它對的時候,軌跡留得下來。

為什麼法遵 agent 不能全自動

先講一個我們踩過的雷。早期有個案子,我們讓 agent 直接輸出「本合約通過/不通過」的二元結論,想著這樣最省人力。結果法遵主管第一週就把它關了。

理由很實在。合約審閱不是是非題。一條「準據法為新加坡法」的條款,對做跨境業務的公司是常態,對只做境內的公司可能是個要升級處理的風險。同一條文,風險高低取決於這家公司的業務脈絡,而這個脈絡 agent 不完全掌握。你讓它下結論,它就會用「一般情況」下結論,而你的公司偏偏哪裡都不一般。

所以我們現在的預設是:法遵 agent 不做最終裁決,它做的是把人的注意力放到對的地方。它負責讀完六百份、標出所有觸發規則的條款、分好風險等級、附上依據和條文出處;人負責在被標出來的地方做判斷。這就是 human-in-the-loop 在法遵場景的具體樣子,不是一句口號,是明確的分工線:機器擴大覆蓋率,人保留裁量權。

用風險分級驅動審核,而不是一視同仁

真正讓使用率從零長起來的,是我們改用風險分級來決定「哪些需要人看、看多細」。全部都要人複核等於沒導入;全部都放給 agent 等於沒人敢用。中間這條線,靠分級來畫。

我們跟法遵團隊一起把觸發項對應到三個等級,審核強度隨等級遞增:

這張表看起來簡單,但它解決了導入最核心的矛盾。低風險條款佔了合約內容的七成以上,agent 自動放行、只做抽樣,團隊立刻感覺到時間被省下來。高風險條款是真正會出事的地方,反而卡得比人工時代更嚴——因為現在它強制停在關卡,不會因為某天太忙就被漏看。分級不是為了偷懶,是把有限的人力集中到真正值得看的地方。

導入這套之後,那家租賃公司的法遵團隊平均每份合約的人工審閱時間從約 40 分鐘降到 12 分鐘,而高風險條款的簽核覆蓋率反而從八成多補到接近全覆蓋。省時間跟更嚴格,第一次不再是互斥的。

可稽核性:每一個判斷都要能回放

法遵跟一般業務流程最後一哩的差別,在於你隨時可能要對外解釋。監理來查、內稽抽核、或某份合約真的出事上了法院,你得能回答:當初這條為什麼被判成低風險?誰核的?依據哪一版規則?

所以我們把 agent 的每一步都當成證據在留。這不是事後補的 log,是設計時就想好的:

每一筆判定要能回放到三件事——它讀了合約的哪一段(引用原文位置)、比對了哪一條內部規則或範本(規則版本號),以及最後是誰、在什麼時間做了什麼決定(採納、否決、覆寫)。規則庫本身要做版本控管,因為法規會變;半年後回頭看一份合約,你得知道它當初是照哪一版標準審的,而不是照今天的標準去回溯苛責當時的判斷。agent 覆寫也要留痕:當人否決了 agent 的建議,那個「否決」本身就是最有價值的訓練訊號,也是未來檢討時最該看的地方。

我們的經驗是,法遵 agent 上線後真正被信任,靠的不是準確率的百分比,而是「出錯時查得到、講得清、改得動」。準確率會波動,可稽核性不能。

回到那家租賃公司。真正讓法遵主管願意在報告上署名的,不是 agent 有多會抓漏,是他點開任何一份合約,都能看到完整的判斷鏈路,能一鍵匯出給稽核。工具從「還要重看一遍」變成「可以交代」,使用率才長得起來。

在 Tenten,我們做法遵 agent 落地時,通常先跟客戶的法遵團隊一起把風險分級和稽核欄位定義清楚,再談模型——因為 Demo 抓對一條條款很容易,能讓法遵主管敢簽名的,是那條可回放的軌跡。