融資資訊
| 項目 | 值 |
|---|---|
| 公司 | Arva AI(美國,紐約) |
| 輪次 | Series A |
| 金額 | $20M |
| 領投 | Arthur Ventures |
| 跟投 | Y Combinator、Gradient Ventures(續投) |
| 估值 | 未揭露 |
| 累計融資 | $23M(2025 年 1 月 Gradient 領投的 $3M 種子輪 + 本輪 $20M) |
| 成立年份 | 2024 |
| 員工數 | ~20 人(Revelio Labs,2026 年 6 月) |
這家公司做什麼
Arva AI 是做銀行端到端決策類 AI agent 的公司——銀行設定政策,Arva 的 agent 依照政策處理金融犯罪合規審查、客戶准入、支付操作與放貸這些原本要人工一件一件過的案子,直接做出決策,而不只是給建議。
核心技術分兩層:2026 年 9 月成立的 Arva Research 模型實驗室,專門為決策中最需要準確度的步驟訓練自家模型,第一個產品 Arva Intel 是做個人與企業網路調查的研究模型,公司自測準確度比主流通用模型高 13%;另一層是 AgentCore,一套持續學習的基礎設施,讓 agent 隨時間依每家銀行自己的政策與作業方式調整判斷邏輯。CEO Rhim Shah 之前在 Revolut Business 負責金融犯罪產品線,共同創辦人為 Oli Wales。
- 銀行設定政策與規則
- Arva agent 依政策調查個案,使用 Arva Intel 等專屬模型
- 產出可稽核的決策,案例結果寫回 AgentCore
- 銀行覆核決策結果並回饋
- AgentCore 套用累積案例的學習結果,下一輪判斷更貼合政策
簡化示意:實際流程還包含人工抽核與異常案例升級;政策本身不隨迴圈改變,變的是 agent 套用政策的準確度。資料來自 Arva AI 官方公告(2026-11-20)。
公司過去一年已在美國前十大銀行之一、一家標普 500 支付機構,以及全球金融科技公司 Wise 等客戶端大規模部署,目前瞄準美國最大的 40 到 50 家銀行作為目標客群。
這筆融資的信號
對 Agent 生態的意義
Arva 代表的轉折不是「AI 幫銀行員工做得更快」,而是「銀行把簽字權交給 agent」——官方公告寫得很直接:客戶今年開始把真正關鍵的決策交給 Arva 的 agent 處理,人只負責設政策和事後覆核結果。這筆錢的用途也呼應這個方向:優先投入 Arva Research 做更多專用模型、擴大 AgentCore,然後把 agent 的決策範圍擴展到爭議處理、支付操作與放貸這些還沒覆蓋的類型。
投資人在賭什麼
Arthur Ventures 管理合夥人 Patrick Meenan 的邏輯很直白:銀行要把最重要的決策交給 AI,前提是結果可信、可以跟監管機關解釋清楚——這正是 Arva 用「模型實驗室+持續學習」取代單一通用模型的理由。Y Combinator 與 Gradient Ventures 是從 2025 年 1 月那輪 $3M 種子輪就投的老股東,當時 Arva 做的還是企業身分驗證,跟現在的銀行決策 agent 是完全不同的產品方向——兩家續投,代表他們賭的是這個團隊轉型執行的速度,不是單一產品本身。
值得觀察的數字
- 從種子輪到 A 輪僅 22 個月累計 $23M,金額不算大,但客戶已經包含美國前十大銀行與標普 500 等級的支付機構——金融業這類監管密集的客戶,採用速度通常比募資速度慢,Arva 目前呈現的是反過來的狀態。
- 員工數從 2024 年 0 人成長到 2026 年 6 月約 20 人,工程團隊占 56.5%,顯示現階段資源仍集中在把模型做準,而非擴大銷售團隊。
- Arva Intel 的「比主流模型準確 13%」是公司自測數據,沒有第三方驗證,這點在報導時需要特別註明。
Watchlist 狀態
Arva AI 尚未在 watchlist 中。建議加入 section D6(金融業垂直 agent),與 Hebbia、Gradient Labs 並列追蹤,追蹤重點放在 Arva Research 自建模型的準確度主張能否經第三方驗證,以及從合規審查擴展到放貸、爭議處理的進度。
今日收穫
多數「企業 AI agent」的敘事還停在「幫員工做草稿、人來核准」,但 Arva 的客戶已經在讓 agent 直接做出合規與放貸這類不可逆的決策——真正的分水嶺不是 agent 能不能接觸敏感資料,而是出錯的代價能不能被完整追溯到「哪個政策、哪個模型版本、哪一步判斷」,這也是為什麼 Arva 要自建模型實驗室,而不是直接疊一層 prompt 在通用模型上。