支付速度以毫秒计算，风险情报更新却不能停留在批量导入时代。金融机构需要在交易发生时识别制裁、政要和负面媒体风险，同时避免把大量正常支付误判为高风险，造成客户等待和合规人员过载。

10月29日，Napier AI宣布，其Transaction Screening系统已完成与LSEG World-Check On Demand的技术验证。通过API连接，金融机构可在LSEG分析人员发布新风险信息后的数分钟内，把相关数据用于自身支付筛查流程。

风险情报从定期更新走向按需调用

World-Check On Demand提供制裁名单、政治公众人物、负面媒体和执法行动等风险信息。相比定期下载整批名单，API模式可以更快获得新增或变化内容，并保留字段级来源信息，让机构知道某项风险判断依据了什么数据。

Napier AI称，其交易筛查系统支持对每笔支付进行实时检查，金融机构还可以按照支付通道和客户风险类型配置规则，决定哪些交易需要调用World-Check On Demand验证。这种分层方法有助于把更严格的检查集中在高风险场景。

细粒度规则的目标是减少过度筛查

支付筛查常见困难是姓名相似、拼写差异和数据不完整造成误报。若所有交易都使用同一套宽泛匹配规则，合规团队会收到大量警报，真正高风险事件反而可能被淹没。

新集成提供更细粒度、机器可读的数据结构，机构可根据自身风险偏好、政策和数据来源配置筛查逻辑。Napier AI与LSEG认为，这有助于减少过度筛查和误报，但公告没有披露独立测试中的具体误报率或处理时延，因此实际效果仍需由各机构在自身交易环境中验证。

AI辅助不能替代合规责任

自动化系统可以关联风险信息、计算匹配程度并确定警报优先级，但是否冻结交易、提交报告或解除警报，仍涉及法规解释和机构责任。系统必须让审核人员看到数据来源、匹配原因和规则版本，而不是只给出一个无法解释的风险分数。

金融机构还应记录风险情报何时更新、模型或规则如何变化、谁批准了关键配置，以及警报如何被处理。实时数据只有进入可审计的流程，才能真正改善合规，而不是单纯加快自动化决策。

编辑观察：先按风险分层，再扩大自动化

落地时可以先选择交易量稳定、规则边界清晰的支付通道，比较集成前后的命中率、误报率、人工复核时间和客户延迟。对高风险命中保留人工复核，对低风险重复警报则通过明确规则逐步自动处理。

同时要测试数据延迟、接口中断和风险名单回滚等异常情况。如果实时情报不可用，系统应有清晰的降级策略，而不是默认放行或无限阻断。Napier AI此次集成反映出反金融犯罪技术正在从“更快匹配名单”转向“用更及时、可追溯的数据做风险分层”，真正价值取决于准确性与问责机制能否同步提高。

配图为AIcent原创AI生成实景风格示意图，非官方新闻现场照片，不使用第三方新闻图片。

参考来源：Napier AI官方公告（2026年10月29日）。正文为基于官方消息的中文整理，编辑观察与事实披露分开呈现。