Autor: Pierre Gérard, CEO i współzałożyciel, Scorechain

Gdy Scorechain zostało założone w Luksemburgu w 2015 roku, „blockchain analytics” nie funkcjonowało jeszcze jako rozpoznawalna kategoria. Pierwsze lata upłynęły na wyjaśnianiu bankom i regulatorom, dlaczego przejrzystość publicznego rejestru stanowi szansę, a nie zagrożenie. Dekadę później to samo nieporozumienie zaczyna dziś otaczać sztuczną inteligencję (AI) i kosztuje branżę cenny czas.

W debacie dominują dwie narracje. Pierwsza głosi, że AI wkrótce całkowicie zastąpi zespoły compliance. Druga twierdzi, że AI jest zbyt nieprzewidywalna, by dopuszczać ją do regulowanej działalności finansowej. Nie zgadzam się z żadną z nich. Mówię to jako osoba, której firma od 2015 roku przeprowadziła ocenę ryzyka ponad 2,800 dostawców usług w zakresie aktywów wirtualnych (VASP), a w ciągu ostatnich dwóch lat wprowadza AI tam, gdzie rzeczywiście pomaga — jako osobną warstwę, a nie coś wbudowanego w narzędzia compliance, na których polegają nasi klienci.

Zacznijmy od problemu, który każdy oficer compliance porusza w pierwszych pięciu minutach rozmowy: szum. System screeningu sankcyjnego dostrojony tak, jak dostroiłby go nerwowy bank, może generować fałszywe trafienia na poziomie około 95%. Monitoring transakcji nie jest dużo lepszy. W efekcie przeszkolony analityk — ktoś, kto rozumie typologie i potrafi czytać przepływy środków — spędza większość dnia pracy na zamykaniu alertów, które nigdy nie były realnym ryzykiem: odrzucaniu dopasowań nazwisk przy bardzo powszechnym nazwisku, czytaniu pięciu wyników adverse media, które okazują się dotyczyć zupełnie innej osoby. Każda taka weryfikacja adverse media zajmuje analitykowi od 10 do 20 minut. Taki jest dziś rzeczywisty charakter pracy compliance i to właśnie dlatego dobrzy specjaliści wypalają się w tym zawodzie.

To jest miejsce dla automatyzacji, choć w dużo węższym zakresie, niż sugeruje marketingowy szum. Nie jestem w tej kwestii neutralny. Scorechain AI ma dostarczać analitykowi jeden, skonsolidowany raport: ocenę ryzyka portfela, typy podmiotów, z którymi miał kontakt, oraz wymienione usługi i kontrahentów, na których był narażony. To praca, która wcześniej oznaczała godziny ręcznego śledzenia przepływów w rejestrze. Ale warto zauważyć, czego ten raport robić nie ma. Niczego nie rozstrzyga. Kondensuje materiał dowodowy tak, aby oficer compliance — osoba odpowiedzialna za zatwierdzenie decyzji i późniejszą obronę jej przed regulatorem — mógł go przeczytać w kilka minut i wydać werdykt. Na tym polega cała istota sprawy. Dobra automatyzacja nie zmniejsza funkcji compliance; przenosi ją z bieżni triage z powrotem do oceny opartej na osądzie.

To rozróżnienie ma znaczenie, ponieważ alternatywa jest niebezpieczna. W środowisku regulowanym model nie może odpowiadać przed przełożonym. Zarówno Szósta Dyrektywa w sprawie przeciwdziałania praniu pieniędzy (AMLD6), jak i Rozporządzenie o rynkach kryptoaktywów (MiCA) wymagają, aby instytucja potrafiła wyjaśnić i obronić swoje decyzje. „Algorytm to oznaczył” nie jest obroną podczas kontroli, a „algorytm to dopuścił” jest jeszcze gorsze. Dlatego jedynym odpowiedzialnym podejściem projektowym jest AI jako warstwa wspierająca, oparta na wiarygodnych danych, z imiennie wskazanym oficerem compliance zachowującym decyzję i odpowiedzialność, która się z nią wiąże. Nadzór człowieka nie jest kółkiem treningowym, które usuwa się, gdy model dojrzeje. To architektura.

A model jest tak dobry, jak to, co znajduje się pod nim. Tego właśnie osoby z zewnątrz często nie dostrzegają. Samo AI analizujące blockchain widzi jedynie anonimowe ciągi znaków przesuwające wartość do innych anonimowych ciągów. Nie potrafi stwierdzić, że portfel trzy skoki wcześniej należy do objętej sankcjami giełdy ani że kontrahent otrzymujący środki jest mikserem, a nie dostawcą usług płacowych. Dostarczenie tego brakującego kontekstu to całe zadanie blockchain analytics: przypisywanie tożsamości i ryzyka do surowej aktywności on-chain, śledzenie pośredniej ekspozycji przez wiele skoków, a nie tylko sprawdzanie adresu przed nami, oraz ocenianie tego względem ponad miliarda punktów danych i ponad miliona podmiotów krypto, które opisaliśmy od 2015 roku. Weźmy konkretny przypadek: portfel na pierwszy rzut oka wygląda czysto, ale analiza przepływów pokazuje, że większość salda wpłynęła dwa skoki wcześniej z adresu powiązanego z operatorem ransomware. To jest wniosek, do którego model nigdy nie doszedłby wyłącznie na podstawie surowych danych z łańcucha, a jednocześnie właśnie taki wniosek musi wywołać działanie po stronie compliance. Gdy model otrzyma taki kontekst, może rozumować na solidnym gruncie. Gdy dostanie skąpe dane, produkuje pewne siebie nonsensy, a w compliance jest to groźniejsze niż uczciwa luka, bo prowadzi do dopuszczania rzeczy, które powinny zostać zablokowane.

Oto, co uważam za naprawdę nowe. AI nie jest już wyłącznie narzędziem używanym przez zespoły compliance; staje się uczestnikiem rynku, który te zespoły monitorują. Autonomiczni agenci inicjujący płatności w ramach z góry ustalonych limitów przeszli drogę od demonstracji do wdrożenia, wspierani przez realną infrastrukturę: standard x402 firmy Coinbase dla płatności maszyna-maszyna, Trusted Agent Protocol firmy Visa oraz integrację checkout PayPal i OpenAI. Oprogramowanie zaczyna transakcjonować z innym oprogramowaniem, rozliczając się w aktywach krypto, na wolumenie, którego żaden zespół skarbu nie byłby w stanie obsłużyć ręcznie.

Rodzi to pytanie, na które branża nie odpowiedziała jeszcze jasno: jak stosować zasady Know Your Transaction do kontrahenta, którym jest fragment oprogramowania? Kierunek jest przynajmniej jasny. Gdy agenci transakcjonują samodzielnie, kontrola nie może istnieć wyłącznie na etapie onboardingu. Musi przenieść się do samej warstwy transakcyjnej: monitoringu w czasie rzeczywistym, limitów szybkości, analizy pochodzenia oraz możliwości interwencji, gdy środki są jeszcze w ruchu. Przejrzystość, której przez lata broniliśmy przed sceptykami, okazuje się jedyną rzeczą, która w ogóle umożliwia audyt autonomicznej aktywności on-chain.

To jest przyszłość, pod którą zdecydowaliśmy się budować, zamiast czekać, aż sama nadejdzie. Niedawno uruchomiliśmy Scorechain MCP, które udostępnia nasze oceny ryzyka i inteligencję encji poprzez Model Context Protocol, rozwijający się standard pozwalający agentom AI bezpośrednio wywoływać zewnętrzne narzędzia. Inteligencja pozostaje w naszej platformie, a AI pozostaje poza nią, pytając o odpowiedzi zamiast być osadzone w samym narzędziu compliance. Założenie jest proste: agent nigdy nie powinien transakcjonować po omacku. Zanim przemieści środki lub zatwierdzi kontrahenta, może jednocześnie zapytać Scorechain, czy dany adres należy do podmiotu objętego sankcjami, miksera, znanego oszustwa albo czystego prywatnego portfela, i otrzymać w odpowiedzi ocenę ryzyka. To nie jest hipotetyczna przepustowość. Już dziś wykonujemy ponad 1.5 miliona kontroli AML dziennie, a pojedyncze sprawdzenie zwraca wynik w około 235 milisekund, czyli na tyle szybko, by działać w ramach transakcji na żywo, a nie ją spowalniać. Umieszczamy to tam, gdzie naprawdę działają agenci i przepływy pracy — jako aplikację w ChatGPT i Claude oraz jako integrację na platformach automatyzacji takich jak n8n i Zapier. Kontrola compliance osadzona w samym przepływie, w chwili podejmowania decyzji, jest znacznie cenniejsza niż ta dołączona dopiero po przemieszczeniu środków.

Najbardziej podstawowa z kontroli — czy adres znajduje się na liście sankcyjnej — nie powinna być dla nikogo ukryta za paywallem. Dlatego oferujemy ją jako bezpłatne API do screeningu sankcyjnego, z którego może korzystać każdy deweloper, agent lub workflow. Screeningu ekspozycji na sankcje nie powinno się monetyzować po stronie dostawcy compliance; to fundament, na którym cały rynek powinien stać.

Widzimy tu także zmianę drugiego rzędu, z której emitenci tokenów i zarządzający aktywami dopiero zaczynają zdawać sobie sprawę. Gdy wartość przemieszcza się do stablecoinów i tokenizowanych aktywów z szybkością maszynową, ryzyko nie dotyczy już tylko pojedynczej transakcji, ale samego aktywa: kto je posiada, jak bardzo skoncentrowana jest własność i jaka część podaży znajduje się w rękach podmiotów objętych sankcjami lub inaczej wysokiego ryzyka. To jest inne pytanie niż monitoring transakcji i właśnie na nie odpowiada nasze Digital Asset Intelligence, dając emitentowi lub zarządzającemu aktywami widok holderów i ekspozycji na poziomie aktywa, zanim dojdzie do mintu, listingu lub alokacji.

Europa jest na to lepiej przygotowana, niż się jej zwykle przyznaje. MiCA i AMLD6 zakładają już ciągły monitoring oraz jasną odpowiedzialność, a nie jednorazowe sprawdzenie przy wejściu. Reżim regulacyjny, który zakłada, że aktywność musi dać się wyjaśnić, jest dokładnie tym, czego potrzebujesz, gdy oprogramowanie zaczyna przemieszczać pieniądze.

Tak, AI rzeczywiście zmienia compliance w krypto. Usunie znaczną część żmudnej pracy, a to dobra zmiana. Nie usunie jednak potrzeby osądu, odpowiedzialności i weryfikowalnych danych. Jeśli już, podnosi poprzeczkę we wszystkich trzech obszarach. Zespoły, które traktują AI jak szybszego analityka — opartego na wiarygodnej inteligencji on-chain i trzymanego ściśle pod kontrolą człowieka — to właśnie te, które pozostaną skuteczne, gdy maszyny zaczną samodzielnie transakcjonować. Ta przyszłość jest bliżej, niż większość ludzi myśli.