AI在对公及商业银行业务领域蕴藏巨大潜力，但推进节奏存在差异，多数银行仅进行小规模试点，尚未实现全面规模化应用。安永联合《麻省理工科技评论》洞察团队发布的代理型AI报告显示，52%的受访银行开展了AI技术试点，但仅16%实现了应用场景落地。
AI蕴含巨大机遇：从优化到重塑
- AI的最大潜力在于惠及客户，例如简化贷款申请、即时回应账户查询、提供个性化建议等，而非仅限于提升效率。
- 客户体验是AI的下一片蓝海，但银行业未将客户端应用场景列入战略优先事项。
- 银行忽视了一个比提升客户体验更具价值的机遇：彻底重构运营模式和服务体系，例如利用AI评估客户的全部未结待付账款，或主动发放贷款。
职责重置：业务团队主导+技术团队赋能
- AI项目必须由高管团队主导，由业务团队主导AI投资，以将AI技术部署到回报更高的领域。
- 仅有少数银行安排业务团队主导AI部署，多数银行由技术团队主导，导致AI技术与客户关系管理及实际业务运营脱节。
- 取得成效的受访银行高管普遍认为，团队架构至关重要，技术负责人和运营负责人应嵌入到特定产品团队中。
对投资回报率的新思考
- AI领域投资回报率的计算具有挑战性，效益有时并不直接体现在财务层面，且AI应用往往伴随工作步骤及流程的调整。
- 银行采取多样化应对策略，部分银行将投资回报率作为确定AI应用场景优先级的重要依据，部分银行则完全不计算AI投资回报率。
- 银行不应因投资回报率难以计算而却步，至少可通过粗略评估确定应用场景优先级，并划拨基础能力建设专项预算。
AI平台赋能可持续发展
- 构建可复用的AI能力对实现高效规模化应用及降低长期成本至关重要。
- 从长期看，平台模式可通过避免能力重复建设及满足多元底层系统维护需求，扩大规模并降低成本。
- 通过可复用方法实现精简与规模化，构建能够跨场景复用的基础能力平台，包括OCR、机器学习、RAG架构、向量数据库及指令库。
数据构成重大挑战
- 数据质量缺陷与碎片化是AI部署的最大障碍，银行需借助专业人才与工具方可破局。
- 数据隐私与保护则是另一主要挑战，判断新闻报道或评级机构报告等公开渠道信息能否用于训练大语言模型既复杂又耗时。
- AI能否改善数据质量？许多银行正探索采用能提升数据质量的AI工具，但此类工具尚不成熟。
技术选项：云架构或本地部署+自建或外购
- 随着AI应用的日益普及以及技术的逐渐成熟，银行业对算力的需求大幅增长，引发了关于采用云架构还是本地部署的讨论。
- 一些银行青睐云架构的可扩展性与灵活性，但构建大规模计算基础设施的前期成本高昂，仅适用于大型银行。
- 银行应首先全面评估每个模式的成本和效益，并探索当前的云架构与本地部署比例是否可应对生成式AI需求激增。
AI的规模化应用亟需新技能助力
- 技术技能欠缺阻碍代理式AI的商业价值转化，银行需要推动员工队伍技能全面升级，并引入更多专业人才。
- 银行需要明确若要在内部规模化应用AI，当前与未来需要具备的技能，并评估技能缺口。
- 银行需要建立可持续提升员工技能及人才留住机制，通过制定专项计划保持员工积极性、保障长期能力建设。
负责任AI聚焦风险管控
- 银行业需对人工智能的快速规模化应用可能引发的风险保持高度警惕，AI驱动工具的输出质量是其最为关切的问题。
- 数据泄露已成为我们面临的最大风险之一，银行需要采用更加精细化的风险管理和治理框架，用来处理复杂的生成式AI语言模型。
- 银行需要在AI应用程序设计初期解决对透明度以及相关工作流程的担忧，并技术团队应与风险部门共同制定扩展生成式AI应用场景前需要考虑的核查清单。
结语
人工智能为银行的大型企业、商业机构及小企业银行三大对公业务板块带来了变革性机遇，但仅少数银行实现了AI规模化应用。银行必须做出改变。率先推进战略化AI部署的银行将获得先发优势，不仅能够节约成本，还将提升客户体验并创新服务，最终实现收入增长。银行需构建具备可复用能力的AI平台，通过智能工具打破数据孤岛，不断强化。
