从银行业的 AI 中提取价值 ： 重新连接企业

金融服务实践从银行业的 AI 中提取价值 ： 重新连接企业 为了从AI中获得实质价值，银行需要超越实验阶段，对关键业务领域进行转型，包括通过多智能体系统重新构想复杂的业务流程。 关于 AI 的力量已经写了很多 ， 包括生成AI (gen AI) ，改造银行业超越引入下一波自动化浪潮，AI 有望使银行变得更加智能、高效，并更能实现强劲的财务表现。 帮助查明哪些贷款可能会变坏 ， 使银行能够采取措施干预和支持客户。 同时，一家区域性银行利用生成性人工智能（gen AI）来提升其软件开发人员的生产率和效率。为了优化资源并加速新开发项目的市场推出速度，该银行启动了一个概念验证研究，以评估生成性人工智能工具对编码生产力的影响。研究结果显示，参与研究的用例中，生产率提高了约40%；超过80%的开发者表示，生成性人工智能改善了他们的编码体验。 尽管热闹非凡，许多银行高管 increasingly 越来越质疑价值实现的问题。该行业面临的逆风AI能达到预期吗？在初步试验之后，银行如何从概念验证过渡到价值验证，并真正利用AI重新构想和改造企业？银行何时，如果有的话，能够看到在AI上的投资带来的实际回报？ 在本文中，我们详细阐述了一套蓝图，以帮助金融服务领导者规划在企业范围内从AI中提取规模化价值的复杂路径。我们首先探讨表现优秀的银行在AI方面有何不同之处。随后，我们提出了一条路线图，将AI转型与商业价值紧密结合，确定需要解决的关键业务问题，并利用包括AI在内的技术来推动这一过程。接着，我们描述了由AI代理驱动的全面银行业AI能力栈。最后，我们探讨了在初始部署之外持续并扩大AI价值所需的要素。 这些问题在全球银行业面临包括美国银行生产力下降在内的不均衡劳动生产率结果等挑战时变得日益重要。尽管技术支出很高相对于其他行业而言。银行也面临收入和贷款增长放缓的竞争压力，来自非银行企业的竞争日益激烈，如私人信贷公司、金融科技公司、新银行以及支付解决方案提供商等，它们争夺最大的利润来源。随着收入增长放缓，为了维持当前的净利息收益率，银行需要更快地削减成本。人工智能有望在未来几年逐步解决这些问题，并使银行在劳动生产率提升方面占据更有利的地位，尤其是随着员工继续将越来越多的常规任务委托给日益先进和强大的AI系统处理。 实现 AI 在银行业的承诺 最新的麦肯锡 AI 全球调查显示 Across 组织和行业， Adoption 采纳显著增加。然而， Adopted 的广度（通过跨多个企业功能部署 AI 来衡量）仍然较低，且许多组织仍处于试验阶段。 一些机构通过有效规模化人工智能（包括通用人工智能），正在提高标准并与其同行拉开战略距离。例如，一家大型银行正在整个企业范围内使用人工智能来提升客户和员工体验、提高效率，并增加收入和盈利能力。在零售银行业务中，该银行利用人工智能生成个性化提示，帮助客户进行投资和财务规划。在小企业领域，人工智能也被广泛应用。 尽管如此 ， 一些领先的银行在他们的能力上脱颖而出 部署 AI ， 包括 Gene AI，在整个企业范围内，我们已经开始通过使用AI获得显著的收益（详见侧栏“什么是AI优先银行？”）。 成为 AI 优先银行意味着什么 ？ AI正在推动各行各业发生广泛的变化，包括银行业，但许多银行仍处于实验阶段。鉴于AI技术的进步及其带来的潜力，仅仅实验是不够的。为了在这个新时代 thriving，银行将需要成为 AI 第一机构， 在企业范围内采用人工智能技术来提升价值 - 否则就有被甩在后面的风险。 —核心技术现代化 建立 AI 优先银行的要点包括 ： 用于构建AI能力栈的骨干部分，包括自动化云部署、应用程序编程接口以及简化架构，以实现银行各部分之间连续的安全数据交换。 —重新构想客户体验通过提供个性化优惠，并在各种设备上实现简化且无摩擦的使用体验，适用于银行自有平台以及合作伙伴生态系统。 —建立平台运营模式 成功的AI转型涉及组织的多个层面。在每个相互依赖的层面上进行投资至关重要，因为任何一个层面的投入不足都可能破坏整个AI转型的成效。 —使用 AI 帮助决策显著提升生产力，通过构建生成实时分析洞察所需的架构，并将这些洞察转化为针对精确客户需求的消息。 汇集了合适的人才、文化和组织设计。 工具（参见附录“什么是多智能体系统？”）。要将这些系统扩展至整个企业，需要建立一个全面的人工智能银行栈。 我们的经验表明 ， 在人工智能领域表现出色的银行可以做四件事 ： —为 AI 可以创造的价值设定一个大胆的银行愿景。领先银行对AI的作用持有广阔的看法，不仅将其视为成本效率提升的驱动器，还视为增加收入和显著改善客户及员工体验的方式。 —通过设置 AI 转换的关键推动者来维持和扩展价值。这些包括跨功能的业务、技术和AI团队，以及一个中央AI控制塔，负责协调各功能领域的企业决策，推动标准化风险防护栏的治理和采用，并促进AI能力的重复使用。 —通过转型整个领域、流程和旅程而非仅仅部署狭窄的应用场景，根植业务价值的转型。银行在人工智能领域表现卓越者会抵制单独推出聊天机器人或对话型问答工具等狭隘应用场景的诱惑。虽然这些应用可能快速上线且潜在风险较低，但单独推出时无法解锁显著的财务价值。 为 AI 可以创造的价值设定大胆的银行愿景 麦肯锡在不同行业的数百家公司的经验表明 ，从数字和 AI 转换中获取价值需要从根本上重塑公司的运营方式。这涉及六个关键的企业能力：以业务为导向的数字化路线图、具备相应技能的人才、适用的运营模式、团队易于使用的技术、在整个企业中持续丰富且易于访问的数据，以及数字化解决方案的采用和扩展。这些元素彼此相连，所有部分都需要良好运作才能使转型取得成功。 —构建由多代理系统提供支持的全面的 AI 功能堆栈。运行复杂的银行业工作流，例如评估一家商业客户的贷款申请，涉及高度可变的步骤以及结构化和非结构化数据的处理。虽然传统自动化无法处理这类任务，但借助生成式AI驱动的多智能体系统、预测性AI和数字技术的结合，可以实现这一目标。 什么是多智能体系统 ？ 多代理系统，也被称为代理系统，在过去几年中已经存在，但在过去的两年里由于生成式AI（gen AI）的自然语言能力得到了更大的推动。尽管它们仍处于初级阶段，且它们能够创造的价值大部分仍然是假设性的， 最终，生成式AI代理可以作为虚拟同事发挥作用。例如，工程师可以用日常语言描述一个新的软件功能给编程代理，后者则负责编码、测试、迭代并部署其协助开发的工具。 多智能体系统预计会随着时间的推移而改善。 这些系统有可能具备规划行动的能力，使用工具来完成这些行动，与其它代理及人员协作，并在通过实践学习的过程中不断提升性能。 植根于商业价值的转型 AI 不仅能够自动化流程和提升效率，还能实现更多的价值。那些从AI中提取价值的银行视其为一种变革性的工具，并将AI应用于核心战略优先事项，如提升收入、使银行区别于竞争对手以及提高客户和员工的满意度。 推出聊天机器人、创建文档摘要、使用现成的生成式人工智能工具制作广告和撰写电子邮件——尽管这些类型的AI项目允许银行以最小的风险进行试验和学习，但结果通常是渐进性的，并且在孤立情况下很少能导致财务成果发生实质性变化。 引领银行将人工智能融入战略规划过程，要求每个业务单位重新审视其运营并设定大胆的财务和客户目标。他们侧重于创新，优先考虑对战略核心领域最具高影响的领域，而不是在被视为安全赌注的边缘领域进行试验，也不采取“黄油涂抹器”方法，即在许多分散的项目中均匀分配投资。接下来，他们通过建立适当的数据和技术平台来投资，以促进人工智能项目的可扩展性。 使用人工智能显著提升业务价值需要银行做到以下几点 ： —通过重新连接整个域和子域来选择正确的转换范围。相反，不再让众多分散且孤立的AI项目百花齐 放，领先银行正在利用AI重新构想整个业务领域——如风险、销售和运营，并在这些领域内重新构想子领域，例如关系管理、催收以及联络中心的服务与运营。一家典型的银行大约有25个子领域（见图表1）。一旦银行高层确定了需要转型的子领域，他们将从头到尾重新构想每个子领域，利用全方位的AI和数字技术以实现预期的财务成果。 领先银行也确保主要的AI项目是由业务驱动的，而不仅仅是技术驱动的。这意味著业务高管负责塑造干预措施的设计，确保所构建的内容与业务需求高度契合，并与技术领导者共同承担交付成果的责任。 AI 可以在私人银行业务中转变的子领域示例 麦肯锡公司 AI 可以在公司和商业银行中转变的子领域示例 —决定使用 AI 转换哪些子域以及按何种顺序进行转换。为了选择这些子领域，银行可以考虑特定子领域推动人工智能转型的整体业务影响和技术可行性（以及所选子领域包含可以在后续子领域转型中重用的组件的可能性）（如图表2所示）。根据我们的经验，一家典型的银行可能只有不到十个子领域最能从人工智能改造中受益，并且应该成为首批候选对象。 转换。这些子域一起可以从 AI 转换中驱动总增量价值的 70 ％ 到 80 ％ 。 在业务影响方面，银行将需要评估特定子领域的AI转型价值是否能够准确量化，拟提出的解决方案与银行战略目标的契合度如何，最终用户（无论是客户还是员工）是否准备好采用该解决方案，以及该解决方案是否会被列为业务的优先事项。 Web <2024>附件 2 < Ai in Banking > < 8> 附件 < 2 > 具有高业务影响和高技术可行性的银行子领域应该是 AI 转换的第一直线。 关于技术可行性，重要的是确定数据的可用性和质量，包括处理敏感数据的特殊考虑、解决方案在其他领域和业务单元扩展的技术方法、解决方案组件在其他场景中的可重用性，以及是否存在可能与更现代的人工智能解决方案不兼容的遗留技术基础设施。 一旦选定进行AI转型，每个子领域都可以分解为一系列可执行的模块，这些模块需要被构建、交付和采用以驱动业务价值。例如，从头到尾转型客户承保子领域涉及生成式AI、传统分析、以及数字工具和平台的共同作用，以重新构想端到端的工作流程和过程（如图3所示）。 Web <2024> 附件 3< Ai in Banking > < 8> 附件 < 3 > 通过由多代理系统提供支持的 AI堆栈实现价值 投入和关注 ， 为企业释放 AI 的全部力量。 为了无缝嵌入AI企业级应用，银行可以实施一个全面的能力栈，而不仅仅是AI模型。这个AI银行栈包含四个关键能力层：交互、决策制定、数据和技术核心。运行模式。每个层都需要接收 鉴于新技术的出现 ， 如 Gen AI ， 我们更新了 AI 能力栈(图 4)从上一次迭代于 2020 年出版。每一层的基本要素都补充了几个新元素。 现在都在一起 未来的 AI 银行 为了创造可持续价值，银行需要将AI置于首位并全面升级整个技术栈。随着生成式AI等创新技术的发展，对2020年版本的技术栈进行了更新，并用蓝色阴影突出显示了新元素。 四层AI银行栈的各项元素相互协作，以实现变革性变化并为企业创造价值。 下一代创新和生产力的关键 ： 编排的多代理系统 The决策层是AI银行的大脑，协调并赋能数千个基于人工智能的决策，这些决策影响着客户（例如，下一步向他们推荐哪种产品）和员工（例如，是否应为特定客户批准信用额度或标记交易为欺诈），贯穿产品的整个生命周期和服务过程。 参与层 银行将需要重新构想如何与客户互动，在使用AI技术的情况下，尽可能使客户体验变得智能、个性化且无摩擦。领先银行的客户正通过文字和语音聊天与AI进行类似人类的对话交互，并借助强大的AI能力无缝跨渠道（如移动应用、网站、分行和客服中心）进行操作。 预测性AI模型，作为大多数银行决策层的核心组成部分，擅长在受控条件下处理结构化数据并驱动决策。然而，当数据未结构化且任务的性质是非线性的，需要多步规划、推理和协调时，这些模型难以适应。这类任务包括，例如，基于与客户的多次互动以及对各种类型文件的评估，准备