Sztuczna inteligencja (AI) a tożsamość organizacyjna
W miarę jak agenci AI zaczynają wyszukiwać usługi, wymieniać informacje i inicjować płatności w imieniu organizacji, pojawia się praktyczne pytanie: w jaki sposób strona trzecia może zweryfikować, która organizacja stoi za danym agentem i do czego agent ten jest upoważniony? Identyfikator podmiotu prawnego (LEI) zapewnia globalnie znormalizowany identyfikator powiązany ze zweryfikowanymi danymi referencyjnymi dotyczącymi podmiotu prawnego. Weryfikowalny LEI (vLEI) rozszerza tę podstawę na interakcje cyfrowe, umożliwiając kontrahentom komputerową weryfikację tożsamości organizacji oraz uprawnień osób działających w jej imieniu.
GLEIF bada, w jaki sposób infrastruktura ta mogłaby wspierać przyszłe podejścia do delegowanych uprawnień dla agentów AI, szczególnie w obszarze płatności. Oprócz tego nowo powstającego obszaru, znormalizowane dane referencyjne LEI już teraz wspierają opartą na sztucznej inteligencji klasyfikację podmiotów prawnych. Zastosowania te odpowiadają na różne potrzeby: weryfikację uprawnień w momencie podejmowania działań przez agentów AI oraz poprawę jakości danych organizacyjnych wykorzystywanych w analizach opartych na sztucznej inteligencji.
Sztuczna inteligencja agencka w płatnościach: weryfikacja tożsamości i delegowanych uprawnień
Organizacja może delegować zadania związane z płatnościami oprogramowaniu, jednak kontrahent nadal potrzebuje dowodu na to, kto upoważnił agenta, jakie działania może on podejmować oraz w jaki sposób te uprawnienia są weryfikowane. Kod LEI identyfikuje dany podmiot prawny. Istniejące poświadczenia vLEI umożliwiają komputerową weryfikację tożsamości organizacji oraz ról i uprawnień osób działających w imieniu tego podmiotu. Powiązanie konkretnego agenta opartego na sztucznej inteligencji z organizacją oraz dozwolone dla niego działania wymagają dodatkowych dowodów delegacji uprawnień i mechanizmów kontroli w momencie przeprowadzania transakcji.
W dokumencie roboczym GLEIF z września 2026 r., zatytułowanym „Agentowa sztuczna inteligencja w płatnościach: budowanie interoperacyjnego zaufania i kontroli”, omówiono jedno z możliwych podejść. W dokumencie przeanalizowano proponowany certyfikat upoważnienia agenta (AMC), który mógłby powiązać identyfikator kryptograficzny agenta AI z zweryfikowaną organizacją i upoważnioną osobą, określając jednocześnie dozwolone zadania, limity transakcji i okres ważności. Na przykład pracownik działu finansowego przedsiębiorstwa mógłby upoważnić agenta do realizacji określonych płatności na rzecz dostawców; dostawca usług płatniczych mógłby zweryfikować łańcuch upoważnień i zastosować środki kontroli w momencie transakcji przed jej realizacją. W dokumencie omówiono również kwestie unieważnienia, rejestrów audytowych, prywatności i interoperacyjności. AMC pozostaje propozycją wymagającą dalszych badań i testów. Nie jest to obecnie poświadczenie wydawane w ramach ekosystemu vLEI ani sfinalizowany standard branżowy.
Analiza danych oparta na sztucznej inteligencji: Rozpoznawanie nazw podmiotów prawnych (LENU)
Formy prawne różnią się w zależności od jurysdykcji, języków i konwencji nazewniczych, co utrudnia ich spójną klasyfikację. Lista kodów form prawnych podmiotów (ELF), oparta na normie ISO 20275, przypisuje czteroznakowy kod alfanumeryczny do każdej formy prawnej podmiotu. GLEIF we współpracy z Sociovestix Labs opracowało narzędzie Legal Entity Name Understanding (LENU) – oparte na otwartym oprogramowaniu narzędzie uczenia maszynowego, które na podstawie nazwy podmiotu przewiduje jego formę prawną i sugeruje odpowiadający jej kod ELF. LENU wykorzystuje znormalizowane dane referencyjne LEI do szkolenia modeli dostosowanych do poszczególnych jurysdykcji i może zapewnić:
- Bardziej spójną klasyfikację form prawnych w różnych językach i konwencjach nazewniczych.
- Lepsze dopasowywanie podmiotów i integrację danych w przypadku, gdy rekordy wykorzystują różne etykiety.
- Mniejszy nakład pracy ręcznej przy przygotowywaniu danych dotyczących formy prawnej do dalszych procesów.
- Kontrole jakości danych w sytuacjach, gdy sugerowane kody ELF różnią się od tych zawartych w istniejących rekordach LEI.
Te klasyfikacje nadające się do odczytu maszynowego pomagają organizacjom przygotowywać bardziej spójne dane podmiotów do celów analitycznych, wdrażania nowych klientów oraz innych procesów cyfrowych. Poniższy film z serii „GLEIF Explains” przedstawia narzędzie LENU.
LENU to biblioteka open source napisana w języku Python, dostępna na GitHubie, a modele dostosowane do poszczególnych jurysdykcji są również dostępne na platformie Hugging Face. Jej modele oparte na transformatorach mogą przetwarzać nazwy podmiotów w różnych językach i jurysdykcjach.
W przypadku stwierdzenia przez GLEIF wyraźnych rozbieżności między przewidywaniami LENU a istniejącymi rekordami LEI, organizacja może wysłać zastrzeżenie dotyczące danych do odpowiednich Podmiotów nadających LEI w celu weryfikacji i korekty, jeśli to konieczne. Zaktualizowane dane referencyjne mogą następnie posłużyć do ulepszenia kolejnych wersji modelu.
GLEIF, Uniwersytet w St. Gallen oraz Sociovestix Labs opublikowały artykuł naukowy pt. „Transformer-based Entity Legal Form Classification” („Klasyfikacja form prawnych podmiotów oparta na modelu Transformer”), w którym przeanalizowano to podejście oraz jego potencjał w zakresie wspierania standaryzacji danych i dopasowywania podmiotów.
Agentowa sztuczna inteligencja w płatnościach: budowanie interoperacyjnego zaufania i kontroli
Repozytorium LENU na GitHubie
Modele Hugging Face
Lista kodów form prawnych podmiotów
Artykuł naukowy
Aby zapoznać się z ogólnym przeglądem tematu, przeczytaj nasz najnowszy wpis na blogu „Kiedy agenci AI dokonują transakcji, kto za nimi stoi?”. Aby uzyskać szerszy kontekst dotyczący płatności, zobacz sekcję „Płatności transgraniczne”
