印孚瑟斯银行科技指数：企业与商业银行（第六卷）

商业银行 内容 241315182428总体发现执行概览主要公司及商业银行业务发现技术预算分析人工智能洞察云洞察附录 执行概览 并能以比以往更快的速度数字化贸易流程。人工智能已成为贸易和供应链金融领域最关键的能力。银行正将其应用于客户服务、自动化案件创建、流动性预测和智能支付路由等各个方面。在规范应用下，人工智能能够改善信贷决策、更早发现异常，并在不影响业务运营的前提下减少损失。对客户而言，其影响是切实可见的：更快获批、更明智的风险决策，以及能够反映其供应链真实动态的解决方案。 成为基本要求，而非高端差异化优势。实时轨道、API和数据驱动洞察的融合正在重新定义差异化，使透明度、智能路由和嵌入式支付解决方案成为关键竞争优势。 客户入职流程仍然是一个主要的压力点，银行将简化入职流程列为首要任务。客户期望流程快速、透明且可预测，尤其是在延迟可能扰乱供应链和营运资金的业务领域。 莫迪·普纳特高级副总裁，区域负责人，全球银行 大多数商业银行仍然依赖多个老旧的贸易金融平台，其中许多已使用超过十年。这套拼凑的、陈旧的系统造成了系统碎片化、人工迂回操作以及运营风险。它减缓了客户 onboard（注册/准入）的速度，增加了合规的复杂性，并使得新产品的推出更加困难。随着时间的推移，这种累积的复杂性变得代价高昂且风险日益增加。 商业支付正经历结构性转型，其驱动力在于对更加互联、智能、以客户为中心的金融生态系统的需求日益增长。传统的交易模式正让位于一种基于解决方案的方法，其中支付正越来越多地嵌入到业务运营流程中。API和金融科技SaaS平台也日益受到关注，尤其是在支付执行方面，速度、弹性和集成度最为关键。随着TCH RTP和FedNow在美国的建立，即时结算已成现实。 然而，仅靠技术无法解决根本性挑战。人才已成为贸易金融领域的一大制约因素，甚至超过了欺诈和传统系统。既懂贸易产品、风险又掌握现代技术的人才稀缺，且留住他们正变得越来越困难。 为向前发展，商业银行必须实现贸易金融的现代化，将人工智能和数据融入运营，简化客户 onboard 流程，以增强韧性并更高效地支持贸易。 生成式人工智能、实时支付以及稳定币的出现，已将现代化转变为一项紧迫的商业需求。与此同时，人工智能帮助银行实现核心系统的现代化。 主要公司及商业银行业务发现 商业银行持续依赖传统系统 商业银行广泛使用的遗留系统：68%的银行贸易金融系统中，存在两个或更多使用年限超过八年的遗留系统。这类分散的系统增加了集成成本、运营风险和变革阻力，是现代化和合理化改造的首选应用场景。 人工智能对商业银行的贸易和供应链金融至关重要。 银行将人工智能视为对其运营至关重要的技术：银行的关键领域在于利用人工智能和机器学习进行风险评估。该技术用于增强信贷和交易对手风险控制、欺诈检测、反洗钱筛查等。紧随其后的是区块链技术。区块链支持发票融资，同时提供可追溯性和透明度。 商业支付现代化推动战略差异化 支付作为战略资产：支付运营和欺诈管理的升级，正帮助银行将支付数据与洞察转化为业务价值与客户参与的新源泉。 日益增长的协调需求：随着 支付渠道和监管要求日益复杂，银行正投资自动化、智能路由和统一支付生态系统。 数字体验作为基准： 支付基础设施的现代化为无缝化入职、透明度和端到端支付可见性奠定了基础。 以客户为中心的支付模式： 技术实现差异化： 支付枢纽和跨境平台的现代化正使银行能够提供嵌入客户工作流程的集成式支付解决方案。 跨实时支付、ACH、RTGS、稳定币和央行数字货币的投资凸显了现代基础设施在支持差异化客户体验方面日益增长的作用。 简化入职流程是首要任务 新员工入职的简便性是头等大事：近30%的人表示，简化入职流程是一个关键优先事项。银行正优先考虑为客户加快速度、简化流程并促成转化。 差异化与工作流效率塑造投资重点：随后是新增功能。竞争压力很可能促使他们进行差异化。高效的文档管理是另一个关键领域。银行希望通过更好的工作流控制和自动化来减少周期时间、错误和运营成本。 在地方监管上投入以增加 各地法规存在差异：当前针对本地法规的投资（13%）预计将在三年内增长至18%，因为银行预计各国之间的差异将更加显著。贸易融资、制裁、数据本地化和资本规则正日益呈现国别差异，推动对特定司法管辖区的合规投资，而非全球监管计划。 当前重点是金融犯罪。 59%的投资用于与身份和监控相关的金融犯罪控制（包括了解你的客户/反洗钱以及贸易型洗钱）。随着这些领域从转型支出转向持续改进支出，这项支出在三年内可能会下降。 提升贸易复杂性以产生影响：军民两用商品和制裁管制（11%）在未来三年内可能会随着贸易走廊复杂性的提高而增长至15%。 银行将聚焦联盟以应对风险承能力度限制 银行优先考虑生态驱动型合作，而非独立合作。 能力：银行将多边银行和发展金融机构视为其最重要的战略合作伙伴模式，其次是贸易金融联盟。这些联盟使银行能够解决风险能力和地理走廊覆盖范围方面的限制。其结果是，在市场和供应商层级上实现了更有效的供应链融资（SCF）规模。 银行寻求金融科技公司的平台服务。 金融科技赋能平台与支付执行：SaaS平台与支付执行是供应链金融运营的首选技术。银行通常寻求金融科技公司提供即用型平台和可靠的交易执行，因为这些是高容量、高集成度的能力领域，金融科技公司能够加速市场进入时间。 银行可能更倾向于将客户准入流程保持在银行内部，这是因为反洗钱/了解你的客户（KYC/AML）的合规责任、客户归属以及数据控制的原因。 缺乏人才是一个主要挑战 没有一个挑战占据主导地位： 企业银行并未将运营其贸易和供应链金融业务的挑战视为首要难题。由于挑战相互交织，银行似乎在各个方面都面临制约。专业人才的短缺限制了银行现代化平台、重新设计流程或部署先进的欺诈与合规控制的能力，从而加剧了传统系统的拖累。 总体发现 创新驱动着企业银行和商业银行的战略优先事项。 创新是首要重点：人工智能创新正推动企业和商业银行的成长型思维，因为该技术已成为贸易和供应链转型的核心驱动力，加速核心业务现代化，同时实现更快的审批、更智能的风险决策以及更个性化、实时的客户互动。 除成本削减外，企业银行和商业银行的战略重点大体与总体样本保持一致。 成本降低已不是主要关注点： 企业和商业银行并未将降低成本视为优先事项，这与银行总体样本呈现出明显的差异。 技术预算分析 人工智能仍然是科技投入的重点领域。 对核心技术的投入预计将增长最快 并且，如商品交易增加等宏观经济趋势正在搅动市场。银行需要更强大的交易基础设施来准确定价产品、管理实时风险以及处理更大交易量。 预计在网络安全方面的支出将 企业及商业银行将在网络安全方面的支出增加3.3%，高于该集团整体的支出。勒索软件、人工智能赋能的欺诈以及更严格的合规要求（数据保护、韧性、支付安全）正迫使银行加强核心防御。 人工智能与自动化支出预计将增长：随着银行从试点项目转向规模化部署，人工智能支出正在增加。 预计在预计将超过通胀的三大领域，支出增长将保持领先：IMF预测2026年全球通胀将温和至4.4%，美国全年通胀将为3.2%。 预计从2025年12月到2026年6月，技术将增长3.9%。波动性市场 波动性和宏观经济趋势影响优先事项：企业及商业银行对核心业务的支出 公司及商业银行招聘人数将超过集团整体水平 预计企业及商业银行业务的招聘将高于整体受访者群体：相对较高的招聘主要集中在平台、网络安全、核心技术以及云基础设施领域，这反映了运营交易密集型、跨境和高风险业务的规模与复杂性。 人工智能和自动化领域的招聘情况与整体样本大致相符或略低，这表明其采取的是一种审慎的、以用例为导向的方法，而非激进扩张。 人工智能洞察 成果促使审视 AI的成果与整体银行表现相符。 企业及商业银行从部署的AI计划中实现的业务价值略高：在企业及商业银行部署的AI计划中，近61%产生了可衡量的业务价值，而整体银行业样本中这一比例为59%。 人工智能项目在整体银行业样本中创造的商业价值逐年提升。然而，企业银行和商业银行的可比历史数据不可用。 客户服务是人工智能最有价值的用例。 客户服务创造了最大的商业价值：人工智能通过自动化常规问题来提升客户服务效率，并为关系经理提供实时背景信息，使其能够更快地解决问题。 在销售与营销领域，该技术通过识别交叉销售机会，并根据客户行为和数据对潜在客户进行优先级排序，从而实现更具针对性和个性化的互动。 人工智能也能通过实时检测异常和威胁来增强安全性，从而降低欺诈风险，同时提高响应速度和准确性。 这些有助于提升客户体验、推动营收增长，并规模化降低运营与风险敞口。 网络安全与业务运营引领人工智能驱动的成本节约 公司银行和商业银行大体上与总体样本一致。 但它们明显倾向于人工智能驱动网络安全和商业领域的节省运营。企业和商业银行看到略有更高的储蓄。将人工智能应用于运营工作流程例如文档处理、异常管理、服务运营和中后端流程自动化办公职能 对客户服务的储蓄预期略微降低：这很可能反映出企业级和商业服务更为复杂且以关系为导向，因此人工智能被视为增强者而非纯粹的成本控制引擎。 数据隐私或安全问题主导了更广泛的人工智能应用挑战 企业和商业银行将数据隐私或安全问题视为更大的挑战：围绕数据的问题，包括隐私和安全，超过了其他障碍，包括监管和财务方面的担忧。这加强了建立强大的数据保护框架、更完善的管理以及值得信赖的数据处理实践的需求，以实现负责任的规模化人工智能应用。 监管担忧对企业银行来说是一个更强的约束。 对企业和商业银行（13%）而言，监管方面的担忧比整体群体（10%）更为突出。在这些银行中，人工智能的采用决策与合规、模型风险管理及监管预期联系更为紧密。 数据准备并非实施人工智能的感知约束。 三分之二的银行认为其数据架构已经能够支持人工智能的扩展：这种观点与更广泛的一种趋势相一致，即数据成熟度和整合不再被视为人工智能采用的主要障碍。然而，在同时跨多个业务线扩展人工智能方面的能力仍存在疑问。 先进的集成化架构意味着拥有一个统一的数据平台、高质量且稳健的数据治理框架、实时数据访问，以及一个针对基于人工智能或生成式人工智能的银行用例（例如，欺诈检测）进行优化的先进集中式数据平台。 中级水平整合意味着拥有集中的数据存储（例如用于分析的数仓），但数据治理有限，这仅能支持有限范围的基于AI或生成式AI的银行业务用例（例如AI聊天机器人）。实施AI架构面临的挑战则是指数据源分散且整合程度低，这使得有效支持任何基于AI或生成式AI的银行业务用例变得困难。 云洞察 成本、数据主权和安全推动了对私有云的偏好 符合集团整体战略的企业与商业银行业务云策略 平衡正转向私有云 预计私有云的使用率将从目前的26%增长到三年后的31%，这反映了在可扩展性与灵活性之间寻求平衡，同时兼顾控制力、弹性和合规性需求的趋势。 公共云成本正在上升：人工智能和 机器学习计算需求，数据传输费用、供应商定价复杂性以及未优化的现代化增加成本。闲置或过度配置造成的浪费。进一步加剧了成本上升在预付费模式中，尤其是在北美和欧洲。 对数据主权的担忧日益加剧：欧洲和亚太地区的各大银行必须将数据保留在法定管辖区之内，避免外国访问风险，并管理复杂的跨国法规。 私有银行在私有环境中使用小型语言模型（SLMs）进行训练，以控制数据并降低安全风险：使用云和SLMs。 数据安全与隐私担忧减缓了云迁移进程。 安全挑战是主要关切： 对敏感客户数据的严格合规标准使安全成为首要任务。这凸显了在迁移工作中建立完善的治理框架和加密协议的迫切需求。 法规阻碍了云迁移： 数据驻留、客户机密和第三方风险等方面的监管要求，使得企业和商业银行在将敏感工作负载迁移到云端时更加谨慎。 探索 Infosys 银行技术指数的所有发现 附录 附录A：方法学 埃森哲银行技术指数是一个基于半年度调查的研究