AWS 在 2026 年 5 月 28 日示範用 Amazon Quick Flows、Snowflake Cortex AI 和 MCP 整合，做 anti-money laundering alert triage。這個案例的價值不只在金融業，也在說明 AI agent 如何進入高重複、高規則、高合規要求的工作流。
AML alert triage 是很典型的企業流程：資料分散、步驟固定、人工耗時、但每一步又不能亂來。
AML alert triage 為什麼適合 AI 工作流？
AML analyst 通常要做：
- 查 alert。
- 查客戶資料。
- 查交易紀錄。
- 查過往 SAR 或 disposition。
- 對照政策文件。
- 研判風險。
- 產生 investigation brief。
- 寫 disposition narrative。
AWS 文章提到，在中大型銀行，analysts 可能每個 alert 花 30 到 90 分鐘。大量 alert 又可能是 false positives，因此效率非常重要。
這種工作適合 AI workflow，因為：
- 步驟重複。
- 資料來源明確。
- 輸出格式固定。
- 需要引用政策與交易資料。
- 需要保留 audit trail。
- 需要人類最後判斷。
架構怎麼運作？
AWS 示範的架構大致是：
- Analyst 在 Amazon Quick Flow 輸入 alert ID 和 time window。
- Quick Flow 驗證輸入。
- Quick Flow 透過 MCP action step 呼叫 Snowflake-managed MCP server。
- Snowflake Cortex Agent 分析資料。
- Cortex Analyst 處理 structured transaction data。
- Cortex Search 處理 compliance documents。
- 系統產生 structured investigation brief。
輸出可能包含：
- Alert summary。
- Transaction pattern。
- Customer profile。
- Prior SARs。
- Policy references。
- Risk score。
- Disposition recommendation。
- Draft narrative。
這不是單輪問答，而是受控流程。
MCP 在這裡扮演什麼角色？
MCP 的價值，是把 Amazon Quick 和 Snowflake Cortex 的工具調用標準化。
Amazon Quick Flows 可以把使用者需求轉成 MCP protocol calls，而 Snowflake-managed MCP server 提供可被呼叫的 data and analysis tools。
這比寫一堆 custom connector 更可維護，因為：
- 工具介面標準化。
- OAuth authentication 可以納入治理。
- workflow steps 可被追蹤。
- 不同工作流可重複使用。
- 後續可擴展到其他 repeatable workflows。
為什麼不是全自動決策？
AML 是高風險領域。AI 可以協助 triage，但不應讓它無限制做最終合規判斷。
比較合理的角色分工是：
| AI workflow 做 | Human analyst 做 |
|---|---|
| 收集資料 | 判斷最終 disposition |
| 摘要交易模式 | 處理例外與模糊案例 |
| 引用政策文件 | 負責合規責任 |
| 產生草稿 | 審核與修正 narrative |
| 排序風險 | 決定是否升級處理 |
這樣 AI 提升效率，但責任仍留在合規流程裡。
可以延伸到哪些場景？
AWS 也提到類似 MCP-based approach 可用在其他 repeatable workflows。
例如：
- FinOps cost triage。
- SRE incident response。
- Compliance investigations。
- Vendor risk review。
- Security alert enrichment。
- Customer due diligence。
共通點是：資料多、流程固定、人工耗時、但要保留治理。
導入前要準備什麼？
企業若想做類似工作流，需要先整理：
- alert schema。
- customer data model。
- transaction semantic view。
- compliance document corpus。
- policy reference system。
- analyst review workflow。
- audit trail。
- data access permission。
AI workflow 只是最後一層。如果底層資料和政策文件混亂，agent 會把混亂帶進報告。
官方來源
- AWS Machine Learning Blog，Automate AML alert triage with Amazon Quick and Snowflake Cortex AI，2026-05-28。
結論
Amazon Quick 和 Snowflake Cortex 的 AML triage 案例，重點是 AI agent 開始走向受控的 enterprise workflow。
真正有價值的不是讓 AI 回答「這個 alert 風險高不高」，而是讓它按照既定流程收集資料、引用政策、產生草稿，並把人類分析師保留在最後判斷位置。這會是企業 AI 落地的一個主要方向：不是聊天，而是把重複流程變成可治理、可稽核、可追蹤的 AI workflow。