普华永道中国内地和香港地区金融服务业研究报告《 AI助推金融服务业焕新升级》

普华永道中国内地和香港地区金融服务业研究报告 前言 普华永道近期发布的全球研究报告ValueinMotion1(《循变演进，价值新生》)指出，企业领导者愈发需要展现如何运用AI重构其商业模式。尽管具体采用哪些技术或建立何种合作伙伴关系或许不能马上确定下来，但他们深知必须行动起来，否则将面临被竞争对手抛在后面的风险。 本研究聚焦中国内地与香港特别行政区的金融服务行业，旨在探讨AI驱动的变革如何重塑商业模式，并实现成本优化与收益增长。 周伟然普华永道中国人工智能主管合伙人 在中国的“十五五”规划（2026-2030年）中，人工智能已被提升至国家战略层面。金融服务行业正处于这场变革的最前沿。我们的研究揭示了内地与香港金融机构如何借助政策势能推进实质性变革——将AI从提升成本效率的工具逐步发展成为带动创收与创新的引擎。 本调研于2025年10月至2026年1月展开。我们从中国内地和香港银行、保险及资管行业的金融机构收集了201份有效调研反馈，同时进行了20次深度访谈。我们发现AI已经从实验试点走向规模化应用，开始帮助各机构革新升级核心流程和开创新业务。然而，各机构仍面临数据质量和治理、人才短缺和文化变革的各种挑战。我们认为未来的赢家必须做好以下三方面工作： Matthew Phillips普华永道中国金融服务行业主管合伙人 03 01 02 积极构建“AI优先”文化，一把手要有意志与决心，挖掘培养既懂业务又懂算法的复合型人才 构建既能控制风险又能促进创新的敏捷化AI治理体系 完善数据治理体系，确保数据安全与隐私及数据质量，并将数据转化为战略资产 我们最新的全球CEO调研显示，金融服务领域53%的CEO担忧企业转型速度不能跟上科技/AI发展步伐。金融机构需应对组织僵化，并借鉴金融科技企业的经验，将敏捷性融入思维模式与业务流程。 Mat Falconer 普华永道全球金融服务行业主管合伙人 我们虽处于AI时代的早期阶段，但与企业的合作实践已证明：孤立的、短期的战术性AI项目往往难以产生可衡量的价值。真正的回报来自于企业级规模的部署，而这又需要以坚实的AI基础设施作为支撑。 Joe Atkinson普华永道全球首席人工智能官 通过跨学科协作与国际对话，我们必须制定既灵活又具有约束 力的人工智 能治理标 准，确保创 新成果造福社会。 梁定邦博士 中国中信股份有限公司首席独立非执行董事中国证券监督管理委员会前首席顾问香港证券及期货事务监察委员会前主席 目录 前言101人工智能已从实验试点走向规模化应用402战略目标的实现必须有与之匹配的资源投入803通过聚焦核心应用场景来实现企业级规模化AI部署1304AI规模化部署开始产生投资回报1805组织架构僵化和人才短缺是AI部署的首要瓶颈2306数据质量和治理方面的不足是限制AI推广成功的主要因素2807负责任AI推动更广泛的AI应用3208从风险控制到个性化服务3909总结和启示41 关于本次调查 联系我们 人工智能已从实验试点走向规模化应用 研究表明，企业高管对AI的认知已从“是否实施”转向“如何有效实施并获取价值”。AI推广实施的主要障碍包括数据质量与治理、人才短缺以及文化阻力。我们围绕以下六大主题对研究发现展开阐述： •战略需求与资源匹配。在未来的3-5年内，超75%的受访机构计划 将AI定 位为 ：革 新并 扩展 现有 服务 的“战 略转 型引 擎”（41%）或 通过 创新 服务 开辟 收 入来 源的“新 营收 基石”（35%）。然而，61%的机构的AI投入不到其科技预算的10%。起步晚的机构现在发现追赶的成本与难度正在急剧上升。 •战略目标与资源投入之间的落差主要由三大因素导致：“数据可用性差”（30%）、“监管压力”（20%）及“维护核心系统优先”（14%）。 •专注于可实现规模化以及基于人机协同的应用场景。协作模式是本调研五大核心应用场景的关键：AI部署的目的是增强员工的能效而非取代员工。57%的金融机构计划通过AI提升员工现有职能及新职能。 •规模化应用开始带来投资回报。金融服务业已跨越实验阶段，进入规模化部署阶段，并获得了一定的回报。56%的金融机构的核心AI应用的投资回报率达11%至25%。AI目前的主要贡献是减少与风险相关的损失（30%）。值得注意的是，76%的机构表示愿接受较低甚至零回报率以推进AI应用、布局未来。这表明，财务回报并非现阶段AI投资的首要考量事项,很多受访者认为财务回报将会水到渠成。 •组织与人才是主要瓶颈。人才短缺和组织僵化构成AI规模化部署的主要障碍（46%）。虽有29%的金融机构已经建立“AI优先”的文化，但成熟度存在显著差异。 •数据质量与治理差距形成进一步制约。打破数据孤岛、建立高质量数据治理是成功关键因素。近90%的机构依赖内部数据，但治 理受 困于“权责 分散”与“安全 及质 量”问题（合计87%）。混合治理模式（核心数据集中管理/非核心数据分散管理）最受青睐（50%）。 •负责任AI推动更广泛的应用部署。AI自开发初始就应嵌入伦理原则与监管合规要求，不能事后补救。合规工作仍严重依赖传统人工审核模式（64%），且针对AI偏见、可解释性及幻觉的审查仍严重不足。与尤其是数据相关的监管压力正推动治理模式向集中化方向发展。 图表1-1：人才短缺是各机构面临的首要挑战 贵机构在AI规划和建设过程中所面临的最大两项挑战是什么？ 未来的赢家须做好三大领域的工作： 02 03 01 完善数据治理体系，确保数据安全与隐私及数据质量，并将数据转化为战略资产 积极构建“AI优先”文化，一把手要有意志与决心，挖掘培养既懂业务又懂算法的复合型人才 构建既能控制风险又能促进创新的敏捷化AI治理体系 “人工智能已不再是‘锦上添花’的选择，现已成为所有行业的机构‘赖以生存发展’的基础。 一家大型集团企业的科技子公司 战略目标的实现必须有与之匹配的资源投入 金融服务行业对人工智能抱有高度期待，但大多数金融机构却陷入资源分配不足的困境。在未来的3-5年内，超75%的受访机构计划将AI定位为：革新并扩展现有服务的“战略转型引擎”（41%）或通过创新服务开辟收入来源的“新营收基石”（35%）。然而，61%的机构的AI投入不到其科技预算的10%。 我们2025年9月发布的“Whatwillbeleftoffinancialservicestomorrow?”2（《明日的金融服务还会剩下什么？》）报告建议金融机构将其50%的科技预算投入AI建设。以此为标准，本次调研显示各机构的科技支出在AI投入方面存在30%至40%的缺口。金融机构需要弥补这个差距，否则会面临被在此阶段大力投入资源的机构抛在身后的风险。 您认为AI未来三至五年内在贵机构的角色定位是什么？ 尽管AI的战略重要性毋庸置疑，但各机构的AI投入占其科技支出的比例仍十分有限：61%的机构将AI预算控制在其科技支出的10%以内，另有37%机构的AI预算分配比例为11%至25%。这些金融机构虽已看到AI能带来的实质回报，但仍未将AI作为其科技投资的核心。仅有2%机构的AI投入超过其总预算对25%，且没有任何机构的AI支出超过50%。 贵机构与AI相关的预算占总科技预算比例是多少？ “数据可用性差”（30%）被视为AI投资的首要制约因素，这表明薄弱的数据基础严重抑制了各机构对AI建设加大资源投入的意愿。“维护核心系统优先”（14%）的现状与客户访谈的发现一致：多数金融机构认为传统商业模式难以承受技术颠覆冲击。有鉴于此，在“确保业务正常运转”的基础上进行资源分配仍是当前主流。 图表2-3：影响AI预算分配的因素 哪个单一因素对AI预算分配的影响最大？ 从地域来看，香港金融机构最倚重AI作为杠杆来推动其现代化升级和传统服务转型；内地机构专注于利用AI进行开源创收；而跨国机构则在战略层面最具雄心（有42%将AI视为“新价值源泉的基石”），但他们同时也面临复杂的跨境数据问题。 图表2-4：不同地域机构的AI战略定位 您如何对AI未来三至五年内在贵机构的角色进行定位？ 我们的AI战略已于去年正式启动。我们的目标是在未来五年内将我们的业务全面转型为人机协同模式。届时，我们的组织与能力架构以及各工作流程都将实现全面飞跃。 一家中国内地保险机构高管 从行业来看： •保险业在三大行业中最为雄心远大：47%的受访者将AI视为“新价值源泉的基石”，远超行业平均水平。 •银行业：42%认为AI是“战略转型引擎”，68%将AI支出控制在科技预算的10%以内，在AI建设方面是最为谨慎的行业。•资管业：42%将AI视为“战略转型引擎”，占比居三大行业之首，其中技术驱动的精品投行和综合平台通过AI重新整合咨询、分销渠道及提升阿尔法收益。 您如何对AI未来三至五年内在贵机构的角色进行定位？ •大型金融机构：82%进行AI投资的目的是“构建竞争优势”。大型金融机构的预算约束最小（仅不到6%认为不确定的投资回报是其加大资金投入的一大限制），其真正的难题是人才与数据方面的瓶颈。 •中型金融机构：是务实的快速追随者，投资均衡，目前在加大AI投入。 •小型金融机构：预算限制最大，在确保实现短期投资回报目标之前不愿加大资金投入。 通过聚焦核心应用场景来实现企业级规模化AI部署 聚焦核心应用场景是实现企业级规模化AI部署和人机协同的关键。人工智能已深度嵌入核心业务流程，近80%的应用实现了“部分”或“大部分”自动化。在金融机构中，57%表示计划通过AI提升员工现有职能（42%）及新职能（15%）。 基于调研样本，五大应用场景正在带来可量化的投资回报，并在企业级AI应用中快速成为重点开发领域。 请描述贵机构目前最重要的AI应用场景 不同行业的AI应用场景： •银行业：反洗钱、欺诈检测、授信及贷款审批、后台自动化及合规监控。•保险业：60%的应用集中于三大职能：客户服务、预测建模与欺诈检测。•资管业：投资与组合管理；数据与市场分析；合规监控。 不同规模机构的AI应用场景： •大型金融机构：虽制定有宏大战略、拥有强大资金实力及建有最先进的混合技术栈体系与治理 框架，却面临 最严重的业务 线阻力（59%）和最严 峻的数据处理 能力挑战（53%）。 •中型金融机构：其核心AI应用的投资回报率相对较高（11%至50%），在实现高度自动化的同时未遭遇大型机构所面临的变革阻力，现已成为行业内AI规模化价值创造的推动引擎。 •小型金融机构：高度依赖SaaS/API解决方案（42%）与云服务，对预算约束（33%）与合规压力感知最为敏锐，AI部署主要关注能带来即时风控或效率提升的场景。 我们不只是追求通过AI提升效率，更希望AI帮我们开创市场尚未出现的新价值主张与商业模式。 一家香港本地银行高管 图表3-2：在贵机构描述的应用场景中，整个业务流程目前已实现或计划将实现自动化的比重是多少？ 就贵机构而言，业务流程在多大程度上已实现或将实现自动化？ 整个业务流程目前已实现或计划将实现自动化的比重是多少？ 人机协同是目前的AI应用的主流趋势。在金融机构中，57%表示将通过AI提升员工的现有职能（42%）和新职能（15%）。AI的应用更倾向于补强人类能力而非取代员工。 图表3-4：人机协同指标 贵机构的主要人机协同策略是什么？ 我们主要采用自研AI工具，因为自研工具能确保更有效地匹配自身需求和更有效的应用控制。虽然在性能上达到领先外部解决方案的水平存在相当挑战，但我们仍首选内部开发方案，因为内部开发方案具有更大灵活性、提供更高治理可靠性以及能更高程度地与内部标准相契合。 一家香港本地银行高管 AI规模化部署开始产生投资回报 金融服务行业的AI应用已超越实验阶段，已进入能产生与预期相当的投资回报的规模化部署时期。对于56%的金融机构而言，“最重要单个AI应用场景”的投资回报率处于11%至25%区间。传统金融科技投资的平均回报率