欺诈与争议处理智能体

代价函数和大家实际建的那个正好是反的。

从这份不对称开始讲，因为后面每一个决定都是它的下游。2026 年 1 月公布的 Nilson Report 数据，把 2024 年全球银行卡欺诈损失定在 334.1 亿美元。而账本另一边——被误拒的合法订单——业界对 2026 年的预测超过 2,310 亿美元；Javelin 那个被广泛引用的估计，把误拒的代价定为实际欺诈的约 13 倍。平均误拒率在电商销售额的 1.5% 上下，而针对被拒订单群体的研究发现，其中 30% 到 70% 本来是好的。

看看这对你的目标函数意味着什么。一个通过收紧阈值多拦下一笔 200 美元欺诈、同时也多拒掉十一笔好单的模型，是亏钱的；而这笔亏损落在你的欺诈看板显示不出来的地方：那位在结账页被拒、换了张卡、然后再也没回来的客户。所以：

• 每个决定都用两种货币计价，不是一种。规避掉的预期欺诈损失，以及被拒绝的好客户的预期价值。如果你的复核队列只按欺诈分排序，那它排的只是目标函数的一半。
• 让阈值成为业务输入，而不是模型输出。分数是一个概率，切点是一个价格。谁对营收负责，谁就该拥有这个切点，并且应当被告知它在「被拒的好客户」上花了多少钱——见校准，因为一个未校准的分数会让这笔账根本算不出来。
• 先分群，再定阈值。一个开了四年的账户下的 12 美元复购单，和一笔发往货代地址的 4,000 美元首单，不该放在同一把尺子上；而一个全局阈值，会为了控住后者而悄悄过度拒绝前者。

你拒掉的那些不产生任何标签。那就有意去把标签买回来。

这里有一个再高的模型质量也修不好的结构性问题。一笔被放行的交易，最终会告诉你它是不是欺诈：拒付要么来，要么不来。而一笔被拒绝的交易，永远什么都不会告诉你。它从不结算，因此永远不会被争议，因此不会产生任何可供学习的结果。你训练的每一个模型、你跑的每一次评测，拟合的都是「现有系统选择放行」的那一部分人群——而那套系统越准，训练数据就越偏。这就是选择性标签（selective labels）问题，而在欺诈领域它不是什么细枝末节，它就是整个测量本身。

诚实的解法恰好只有一个，而且它按设计就是要花钱的：把你本会拒掉的交易随机放行一小部分，并承受那部分欺诈。

• 把它当预算科目来定规模，别当实验来定。取被拒交易的千分之几，按月设一个绝对金额上限，预期损失事先写下来，并由对损益表负责的人签字。把它讲成「知道我们误拒率的成本」，这是一个站得住的数字；把它讲成一次工程请求，它一定会被否掉。
• 该排除的要排除，而且要说清楚。已确认被盗的卡、命中制裁名单的、以及任何带反洗钱维度的，一律不进这个留出组。样本只从普通的按分数拒绝里抽，而误报本来也就住在那儿。
• 它是你真正在管的那个数字的唯一来源。放行人群上的欺诈率，没有它也测得出来；误拒率则没有它就根本测不出来。跳过这一步的团队，最后只能靠客户投诉去估自己代价最高的那类错误，而这会低估到「投诉的人数比走掉的人数」的那个比例上去。

其余的一切——原因码分析、试卡行为检测、智能体自己的推理轨迹——都是佐证。留出组才是基本事实；也正因如此，这个领域没法从别处照搬评测手册，问题的一般形态见在线评测与离线评测。

日历是一项设计约束，而且比你的看板长得多。

在答应任何指标之前，先把真实时间线写到墙上：

• 争议最长可在 120 天后才提起。Visa 与 Mastercard 的规则通常给持卡人自交易日起 120 天——货物未收到的情形则自预计送达日起——来向发卡行发起争议。所以你今天做的一个决定，其结果要到大约四个月后才最终确定。
• 入口那一侧是 10 个工作日，然后 45 天。依据 Regulation E，美国金融机构在调查一起被主张的差错时，必须在 10 个工作日内解决，或者先给客户临时入账、再用至多 45 天调查——对销售点、境外发起以及新开户的转账，则延长到 90 天。这些是法定期限，时钟自「收到通知」起走；这让争议受理在成为一个智能问题之前，先是一个 SLA 问题。

由此有三个后果，而每一个都打破了一个从别的智能体项目里带来的习惯：

• 在真正重要的那个指标上，没有在线评测。你看板上关于本周欺诈率的说法，来自一个只被部分观测到的队列。请按决策队列报告，并附上明确的成熟期——「已成熟 60 天的队列」——并且拒绝拿一个两周大的队列去比一个成熟队列。谁读那个最新鲜的数字，谁读的就是错得最厉害的数字，而且它永远错在讨人喜欢的那个方向。
• A/B 测试要跑一个季度。照这个来排期。你能早期读到的是行为——通过率、队列深度、结账放弃率、分析师改判率——它们是先行指标，不是结果。就把它们当成本来面目的生产反馈信号。
• 拿未成熟数据重训，训的是乐观。一条拉取「最近 30 天」的流水线，正在系统性地把近期欺诈标成合法，因为它的拒付还没到。要么排除掉未成熟窗口，要么给它加权，并且绝不要让一个自动重训任务自己去定义那个窗口。

把智能体挡在授权路径之外，放进案件里。

实时决策不是语言模型该待的地方，而理由是延迟预算，不是能力论断：一次发卡行授权应答的预期是在数百毫秒的量级，其中风险决策分到的那一片以几十毫秒计。那是一个跑在表格特征上的梯度提升模型，而它就该继续是——确定性、经过校准、快，并且能用监管机构会问的那套话解释清楚。

真正坏掉的是那个决定周围的一切，而它们全都是证据组装：

• 调查。一条告警到来时只是一个分数加一个 id。然后有人打开六个系统——设备历史、既往争议、关联账户、商户历史、KYC 档案、客户的联系记录——把一个故事重建出来。这份检索与综合的活儿，恰恰是智能体擅长的，也正是分析师那一小时真正花掉的地方。
• 案件卷宗。产出是一份书面叙述，逐条引用它所依据的记录，外加一条建议和一个置信度。像评判任何一位分析师那样去评判它：一位称职的复核者，仅凭这份卷宗，会不会得出同样的结论？如果卷宗支撑不起那条建议，这次运行就是失败的——无论那条建议本身对不对。
• 争议应答。在商户这一侧，representment 是一件有规则手册的文档组装工作——卡组织的「有力证据」要求明确规定了什么算数，而大多数败诉是程序性的而非实体性的。一个照着原因码自身清单去组装证据包的智能体，做的是没有歧义的工作。

两份文档，永远不是一份——以及合规面上其他几处锋利的边。

这个领域有一些大多数智能体手册从未碰过的法律边缘，而其中一处会咬到一个再普通不过的摘要功能：

• 面向客户的说明与内部案件记录是两份不同的文档，必须分开生成。凡涉及可疑活动报告（SAR）的情形，美国法律规定该报告的存在本身即为保密——你不得向客户披露，直接或暗示都不行。一个热心地写好一份叙述、然后把它复用到客户通知里的智能体，就是一起带模板的「通风报信」事故。要在结构上强制隔离：分开的提示词、分开的输出，以及一条硬规则——内部案件文本永远不能成为客户文本的来源。
• 不利决定需要一个人能替它辩护的理由。凡属信贷决定的，会触发告知义务；更广义地说，一个对个人产生重大影响的自动化决定，正是监管者最关心的那一类，而「模型说的」不是一个理由。要在不利路径上保留人工批准，并且让它是真的——一个看不到证据的批准人，就是一枚署了名的橡皮图章，比没有批准人更糟。见问责与角色。
• 在做决定的当下，就把决定、它的输入和模型版本记下来。四个月后争议到来时，「我们当初为什么放行了这笔」必须能从记录里答出来，而不是从一个你早已重训过的模型里去重建。这就是带着长尾巴的审计轨迹要求。
• 别让智能体成为客户提出欺诈主张的那条通道。Regulation E 的时钟自「收到通知」起走，而通知可以是口头的。一个「处理」了投诉却没有把它登记为差错通知的受理智能体，不是挡下了一张工单，而是启动了一个没有记录在案的法定计时器。

相邻地带：KYC 与反洗钱开户智能体处理同一份档案的身份那一侧，而安全运营智能体与本页共享同一套告警分诊模式。

记分牌，以及那个没人愿意公布的数字。

四个数字，一起报告，都基于已成熟的队列：

• 由「照放不误」留出组估出的误拒率。整本手册之所以存在，就是为了让这个数字可计算。永远把它和欺诈率并排公布，因为单独展示的欺诈率，只要把所有人都拒掉就能优化到零。
• 决策净值。规避掉的欺诈损失，减去被拒绝的好客户的估计价值，按每千次决策计。这是唯一一个能让阈值调整被诚实评价的数字；而对于某人当成战功发布的最后那一档收紧，它常常是负的。
• 分析师对智能体案件卷宗的一致率。在盲评复审的抽样里，复核者拿到智能体的卷宗后得出与智能体相同建议的比例。一致率下滑是「检索已经漂移」的最早信号，而且它比拒付数据早几个月动。
• Regulation E 的时钟合规率。10 个工作日内发出的临时入账；45 天或 90 天内结案的调查。枯燥、二元，而且正是会变成一条检查发现的那一个。

结案数、分诊过的告警数、节省的工时，在这里以一种很具体的方式属于虚荣指标：这三个数都会随着智能体变得更果断而上升，而 STEP 1 里那份不对称说的恰恰是——对「更果断」要小心。

延伸：财务智能体讲对账纪律，质量回归检测讲如何不等结果就抓住漂移，而人在回路讲一道审批关卡要包含些什么才配得上它的延迟。