实用AI在金融服务与保险：现代人才优化方式

人才优化的现代方式 2026年3月奥默·明卡拉副总裁兼首席分析师客服中心与客户体验管理领英 金融服务和保险（FSI）机构正处在如何管理人才和部署人工智能以实现其目标的关键转折点。问题已不再是是否要投资人工智能，而是如何部署它以产生可持续、可衡量的成果，包括提升人才管理策略的成效。本报告重点介绍了塑造人才格局的首要任务、实用人工智能的商业影响，以及FSI机构转型人才战略和流程的关键要素。 定义 为本研究之目的，Aberdeen作出如下定义： - 金融服务和保险业：一个指代金融服务和保险行业的首字母缩略词。 FSI公司的人力资源和IT领导者夜不能寐的究竟是什么？ 实用人工智能是指企业战略性地运用任何人工智能能力（例如机器学习、生成式人工智能、代理式人工智能、自动化），并将其嵌入其业务中。 传统的才能优化方法——静态的劳动力管理系统、偶发的绩效评估以及完全基于历史数据构建的规划模型——是为一种变化节奏设计的，而FSI如今已不再以那种节奏运营。它们用于跟踪和计数；却不能预见、适应或发展。 阿伯丁对在银行、保险和投资管理领域拥有500名以上员工的组织的181位高级人力资源和IT领导者进行了调查。这项研究要求受访者识别影响其人工智能战略和整体人才管理活动的首要挑战——如图1所示。调查结果图揭示了FSI组织中首席人力资源官（CHRO）和首席信息官（CIO）日常面临的压力，并解释了该行业人工智能投资和部署为何正在加速。 要被归类为实用型AI用户，组织必须报告其在以下成果中通过运用AI能力所实现的、可衡量的逐年（YoY）改进： 运营成本 员工效率（生产力） 员工敬业度与满意度 数据是驱动业务流程的燃料。对于金融服务业领导者而言，它驱动着每一项关键决策，从信贷风险评估和欺诈检测到人力规划及监管报告。因此，调查参与者报告称数据质量是影响人才优化活动的首要挑战，也就不足为奇了。当数据质量因来源不一致、系统孤立或手动输入错误而受损时，会产生级联效应。对于首席人力资源官（CHRO）而言，不可靠的人力资源数据意味着基于错误输入构建的人力规划模型。对于首席信息官（CIO）而言，这意味着会产生员工不信任且因此不使用的AI和分析系统输出。成功运用AI的金融服务业组织通过将数据整合到统一、持续更新的记录系统中来从根本上解决这个问题；这是一个单一的数据源，为人力、财务和运营数据提供真相，为AI模型提供所需输入质量，以生成可靠、可操作的输出。 基于劣质数据构建的AI模型会产生员工不信任且因此不使用的输出——这使得数据治理成为AI驱动绩效的真正前提。 财务规划与管理被列为第二大挑战，仅次于数据质量。FSI机构面临着巨大的复杂性和压力：严格的监管资本要求、竞争和利率环境带来的利差压缩，以及拥有庞大、地域分布广泛的员工队伍所带来的成本结构。对财务规划的AI投资源于对传统规划模式的认知，这些模式基于历史数据和年度周期，过于缓慢和静态，无法跟上塑造行业动态的快速变化。对于CIO而言，这意味着实时情景建模、财务交易中的自动异常检测，以及按职能、角色和地域细化的劳动力成本洞察。对于CHRO而言，挑战转化为劳动力成本建模：理解预计的流失成本、留任计划的ROI，以及加速或推迟招聘决策的财务影响。这些都是领导者越来越多地可以依赖AI来回答的问题，以满足FSI行业对速度和精准度的要求。 除了成本上升和竞争格局之外，许多金融服务机构（FSI）还面临结构性人才挑战，尤其是在保险业：一方面是拥有数十年积累的专业知识的老年员工群体，另一方面是进入该行业的新一代员工数量不足以抵消因退休导致的人才流失。在银行业和投资管理领域，挑战的表现形式有所不同：科技公司激烈争夺量化分析型和技术型人才，而高价值岗位的人员流动会带来显著的收入风险。员工生产力和参与度，位列前五大压力来源第三位（占21%），反映出金融服务机构领导者普遍认识到，这并非一个轻松的问题。在员工参与度和生产力管理方面遇到的困难，会导致客户响应时间变慢、错误率升高，并最终导致员工（及客户）流失。在保险业，理赔处理的速度和准确性直接影响客户满意度和损失率，因此员工参与度与业务表现之间的关联尤为显著。 运营成本和产品与服务质量均被列为其他主要挑战，使FSI领导者面临的前五挑战完整列出。由于全球通胀加剧以及利率利差、手续费收入和溢价率压力增大，运营成本压力进一步加剧。将运营成本列为AI投资主要动因的组织，通常是那些寻求自动化高容量、基于规则流程的组织（例如交易处理、合规报告和文件审核），在这些流程中，AI可以减少人工劳动，同时不牺牲准确性或合规性。虽然产品与服务质量在排名中靠后，但它却是收入可持续性的领先指标，涵盖了承保决策的准确性、财务建议的可靠性以及面向客户的服务的响应性，例如理赔解决。 实用人工智能的投资回报率：人工智能在人才优化中的真实商业影响 阿伯丁调查的参与者还被要求报告对衡量FSI组织成功至关重要的关键绩效指标（KPIs）的同比变化，特别是从人力资源和IT领导的角度来看。调查结果显示，将人工智能战略性地嵌入其人才优化流程的CHRO和CIO，远远领先于那些努力整合精明人工智能应用的同行——如图2所示。 图2显示，采用实用人工智能的金融服务业（FSI）机构员工效率的年同比增长率比其他所有机构高出2.5倍（32.3%对比12.7%）。能够快速、准确且具有增值效应地做出决策是企业的一项关键差异化优势。例如，更快的信贷决策可以提高客户转化率；更快的理赔决策可以降低损失理算费用并改善保单持有人体验。采用实用人工智能的金融服务业机构报告称，其决策所需时间同比改善2.1倍（24.2%对比11.4%）。这种速度优势也推动了员工效率和敬业度。当员工在需要时、以需要的方式获得所需信息时，他们能做出更好的决策，并减少挫败感。人工智能能主动呈现相关数据，而非要求员工在多个系统中导航并协调冲突信息，从而消除了金融服务业环境中员工最常见的一种摩擦来源。 FSI组织中的IT和人力资源领导者通过实践人工智能提升了客户满意度。 保险业呈现出需要直接关注的另一个维度：随着当前经验丰富的保险专业人员接近退休，机构知识流失的风险显著，并且在许多情况下被低估。捕捉和编码资深核保人、理赔人和精算师决策模式，并将这些知识使新员工能够获取的AI工具，代表着一种工作连续性形式，传统培训项目无法大规模复制。认识到这一点并相应进行投资的组织，正在为未来十年构建更具韧性的人才模型。 他们利用人工智能能力的人才优化战略，使这些公司能够令其客户满意。 借助AI的精明运用所带来的效率提升，FSI组织中的精明IT和HR领导者们也找到了提升员工敬业度、同时解决其最成功员工流失问题的方法。具体而言，数据显示，采用实用AI的FSI组织员工敬业度实现了2.4倍的年同比增长（从16.0%提升至6.6%），同时员工流失率也降低了5.7倍（从19.4%降至3.4%）。这些数据值得首席人力资源官（CHRO）特别关注，因为人员流失的成本远超招聘和入职费用。在保险行业，经验丰富的核保人、理赔专家和精算师拥有难以快速替代的嵌入式知识，人员流失意味着知识资本的损失，而AI单靠自身无法完全弥补。在银行业，关系经理的离职可能引发超过替换成本数倍的客户流失。与实用AI相关的降低流失率优势证明，成功嵌入AI的公司员工敬业度更高，因为AI提升了他们成功完成工作的能力。他们能获得更好的工具、更清晰的绩效反馈，以及更多机会专注于真正能激励他们的工作方面。 通过提升员工效率和参与度所观察到的绩效改善，最终会体现在财务结果上。研究表明，那些已经掌握将人工智能作为人才优化活动关键使能者的FSI组织，其经营利润率（YoY）增长了2.6倍（29.2%对比11.2%），并且其（YoY）改善幅度（或：改善程度）更大2.7倍。 运营成本（27.5% 对比 10.2%）。对于首席信息官（CIO）而言，效率提升的关键在于消除那些消耗不成比例的IT和运营资源的重复性、高容量流程，例如交易对账、监管报告生成、文件分类和合规监控。对于首席人力资源官（CHRO）而言，其核心在于让员工能够将时间投入到需要人类判断力的任务上：如人际关系管理、复杂的核保决策、财务规划沟通以及知识传递，这在面临代际劳动力转型的行业中尤为关键。 尽管客户满意度并非衡量人才优化项目成功与否的常用指标，但它标志着更广泛的运营卓越性，因为员工能够满足甚至超越客户需求。擅长此道的公司往往能取得顶尖的成果。在这方面，拥有实践AI的FSI组织报告了客户满意度同比增长2.4倍（从10.8%提升至36.7%）。当AI提升面向客户员工的工作效率和参与度时，客户体验也随之改善。在银行业，这意味着关系经理能将更多时间用于客户咨询，而将更少的时间用于手动数据检索。在保险业，这意味着理赔理算员能够更快、更准确地处理理赔，因为AI能实时呈现相关的保单和损失数据。 人工智能赋能的预测是一项关键差异化因素，使精明的FSI领导者能够优化其人才管理流程与成果。 实用人工智能的基础：领先FSI公司如何运作 识别实用型人工智能（Practical AI）的性能成果，提出了最具操作意义的问题：领先金融机构（FSI）的首席人力资源官（CHRO）和首席信息官（CIO）在做什么不同的事情？阿伯丁（Aberdeen）的研究考察了能区分实用型人工智能使用者和其他人的具体能力。这些发现涵盖员工管理、合规、欺诈预防、培训和员工赋能。综合来看，它们为寻求从人工智能实验转向人工智能驱动绩效的金融机构制定了一份行动指南。 1.人力资源管理：数据驱动规划与运营智能 FSI组织通常拥有复杂的劳动力环境，其特点是分布在不同地点、多个部门，以及持续的客户支持和运营，包括处理客户服务请求、识别欺诈交易和提交保险索赔。好消息是，人力资源和IT领导者不必依赖直觉或假设来调整劳动力规划活动。他们可以使用历史数据（例如，先前季度的员工人数趋势、按角色的平均任期、历史离职率）和实时数据，以更灵活的方式管理其劳动力。事实上，图3显示，采用实践AI的FSI组织更有可能使用历史和实时数据来规划和调整劳动力管理（WFM）活动，其可能性高出22%。实现这一能力的技术前提是建立和培养一个统一的数据环境，在该环境中，运营数据和人力资源数据集中存储于一处，持续更新，并可供需要它们的经理访问。 图3中的数据显示，在人才优化项目中掌握人工智能的CIO和CHRO，其基于运营结果对员工绩效进行自动评估的可能性也高出50%（78%对比52%）。FSI中的传统绩效管理是阶段性的（年度评估、季度回顾、经理主导的评估），本质上主观且存在时间滞后。人工智能赋能的自动绩效评估通过持续监控员工的运营产出，近乎实时地呈现绩效信号，从而解决了这一滞后问题。对于信贷员而言，这可能意味着追踪申请处理时间、决策准确率以及文件完整度，在偏差累积成重大绩效问题之前就进行标记。这种自动化、及时的绩效监控机制，使员工能够获得客观、及时的反馈以实现自我修正，让管理者拥有客观数据用于辅导对话，也让HR领导者拥有一致且可审计的记录，从而降低晋升和薪酬决策中的主观风险。 将人工智能融入人才优化技术能力，改变了FSI组织预测劳动力需求的方式。数据显示，拥有实际人工智能计划的公司的使用人工智能赋能预测的可能性是3.2倍——这是本次研究中发现的，在使用人工智能成功与使用人工智能遇到困难的公司之间最大的能力采用差距（68%与21%）。人工智能赋能预测用持续的多变量预测取代了静态预测模型，并且随着时间的推移而改进。在人员配置层面，它使组织能够预测需求激增（例如，保险业的季节性索赔激增、银行的季末交易量、财富顾问的产能限制）。 在市场波动期间，要有足够的时间进行前瞻性的人员配置决策。在人才管道层面，人工智能预测通过分析行为信号（例如系统登录模式的变化、敬业度分数的下降、内部培训参与度的减少以及接受工作复杂度的变化）来识别个体员工的流失风险。 针对保险行业而言，人工智能驱动的劳动力预测能够为临近退休的经验丰富的专业人士进行继任计划。一家能够合理精确地预测关键承