人工智能驱动型银行战略实施或成技术现代化加速器。
人工智能的变革性力量正在银行业迅速显现。传统及 尖端AI技术迅速发展，即将全面革新银行服务的交付 和消费模式。花旗集团2024年一份报告显示，到2028 年，AI技术或推动全球银行业利润飙升至两万亿美元， 意味着未来五年利润将增长9%。56 人工智能驱动型银行的特征：无缝融合前沿机器学 习、神经网络、自然语言处理和生成式AI工具；领导 者深谙强大的AI能力对银行生存的关键作用，并将其 作为差异化竞争利器；负责任地运用AI技术推进组织 全面转型并转化为切实成果；致力于重塑治理架构、 流程和人才模式，确保AI技术投资价值最大化。 许多银行似乎已相信人工智能潜力巨大，却在平衡最 佳部署、效率提升和预算控制方面苦苦挣扎。同时， 众多机构正努力克服“变革疲劳”。它们认识到需加 快技术与数据基础设施现代化步伐并增加投资。德勤 《企业生成式AI应用现状分析：第三季度报告》调研 结果显示，仅有四分之一受访者认为其数据管理平台 已为生成式AI工具和应用做足准备。
值得注意的是，银行领导者只有明确摆脱零散且陈旧 的技术基础设施的路线图，才能实现人工智能的广泛 应用和有效落地，否则技术债务只会越积越多。尽管 许多银行已有所行动，进展却颇为缓慢，保守来看技 术债的枷锁已桎梏银行领导者三十年。不少银行已踏 上数字化转型道路，但转型速度可能并不尽如人意。 银行要实现人工智能驱动型银行战略目标，解决技术 债务是关键，而集中力量推进核心基础设施现代化则 是当务之急。
银行应平衡传统AI（使用预定算法和规则执行预设任 务的模型）和生成式AI（生成新内容）应用，以发挥 人工智能的最大潜力。尽管迅速发展的大语言模型广 受追捧，银行也应看到传统AI的价值潜力，并利用其 预测功能来增强业务成效。 摩根大通在投资生成式AI和量子计算等前沿技术的同 时，58 也计划通过拓展机器学习基础应用收获更多价 值。2024年5月，该行表示，其针对中止产品申请的客 户推出一项AI解决方案，通过及时提醒客户，申请完成 率得以提升10%-20%。59 区域小型银行也不甘落后。 位于加州斯托克顿的BAC Community Bank即为一例。 该行资产规模约为八亿美元，其推出的AI应用程序能 够回复客户问询，并就近分配职员作为客户联系人。60 生成式AI技术应用将助推新一轮效率提升浪潮，2025 年或是关键拐点。届时，银行将从小范围试点迈向全 面商业化，从软件工程扩展到防范金融欺诈。银行在 试点推进生成式AI过程中，很可能会从使用自建或供 应商提供的闭源模型转向使用公开代码的开源模型。61 此时，它们会希望加强对生成式AI软件设计和应用以 及数据安全的掌控。62
技术预算有限的银行可考虑选用参数较少、构建和维护成本较低的小语言模型。小语言模型通常基于较小数据 池和开源代码构建，银行可训练其执行特定任务，并迅速适配内部应用场景，如检索产品信息和处理小额交易 等。65 小型银行还可加入联盟，借以共享资源、共创最佳实践，进而制定人工智能行动指南。
2023年，福布斯观察（Forbes Insights）一份报告指 出，近六成受访银行业领导者认为旧有基础设施是阻 碍银行业务增长的首要挑战。66 这表明，银行必须加 快现代化进程，充分利用AI技术的变革性力量。德勤 《企业生成式AI应用现状分析：第三季度报告》调研 结果显示，截至2024年6月，超过四分之三的银行计 划对数据管理和云服务使用加大投入，为整个组织推 进生成式人工智能战略提供有利条件。67 然而，银行那些“僵尸”核心系统采用的是过时的大 型主机技术，现今已不再适于支持各项关键功能，要 使这样的系统焕发新生，2025年无疑又是一场硬仗。68 2024年5月，美国货币监理署代理署长Michael J. Hsu在 讲话中提到，由于全面更换核心系统不仅成本高昂且会 耗时数年，一些银行仿佛被老旧系统“绑住手脚”。69 此外，堪萨斯城联邦储备银行表示，由于提供新一代 核心系统的供应商往往成立不久、资历尚浅，一些银 行可能对采用新系统持观望态度。
毫无疑问，不少银行在推动核心系统现代化方面已取 得进展。但若要摆脱技术债务，充分发挥人工智能潜 力，进程必须加速。尽管如此，粗暴激进的“废旧换 新”策略并不可取，利用各种可用工具使核心系统逐 步改头换面更为可行。例如，位于美国盐湖城的锡安 银行集团（Zions Bancorporation）就采用了渐进策 略，耗时十余年成功转换核心系统。消费贷款系统是 第一步，商业和建设工程贷款系统是第二步，最后是 存款平台。71 另一种策略是创建一个服务和创新层，将旧核心系统 嵌入其中，并通过应用程序接口实现旧核心系统与新 一代系统的交互。72 通过引入服务和创新层，银行能 够将更多交易从批处理转向实时处理，同时银行系统 与第三方系统集成也变得更加便捷。 然而，要对银行旧的主机进行大规模升级，生成式AI或 许会是最有用的工具。例如，一些旧的核心系统代码采 用的是上世纪六十年代制式，通过训练一些生成式AI原 型对这些代码进行重写，能够使其与现代软件兼容。73 生成式AI工具还可用于银行系统现状评估、74 核心系统 转换数据准备75 以及微服务应用程序自动集成。76 投资云迁移和搭建更强大的数据基础设施是核心系统现 代化的重要内容。
云基础设施是充分释放人工智能驱动型银行潜力的关 键。扩大云迁移规模势在必行，但实施正变得日益复 杂，一个核心问题就是确定公有云与私有云的最优配 比。扩大云技术投资需要采取针对性策略，综合考虑 迁移便捷性、相关运营风险以及软件生命周期终止时 间安排。 此外，为实现云技术价值最大化，还应考虑经济因素。 云FinOps这一新型财务运营模式正被越来越多银行 采用，在管理成本的同时最大限度提高云技术投资回 报。FinOps模式下的跨职能架构有助于银行追踪未被 利用的资源、识别承诺消费折扣，并明确何时应将相 关资源转回本地数据中心（即：云遣返）。77 随着上 述做法的日渐普及，银行在对公有云和私有云工作负 载迁移进行权衡时，也应留意自身混合云预算费用在 IT总成本中的占比，因为对这一问题的审查正变得日 益严格。78 越来越多云技术提供商通过提供AI解决方案以吸引银 行业客户，尤其是小型银行。银行领导者应权衡其中 利弊，包括可能出现的供应商锁定局面。因此，部分 银行认为自主开发AI模型或为更佳选择。
要充分释放人工智能驱动型银行潜力，强大的现代化 数据基础设施同样重要。许多银行已经意识到自身数 据基础设施当前并未达标。79 然而，由于数据分散、 格式不兼容以及访问困难等问题，对银行分散、复杂 的数据系统进行改造绝非易事。 银行可采取若干措施对数据基础设施进行升级，以便 安全有效部署人工智能。为评估数据准备情况，银行 应考虑用于训练AI模型的数据是否长期可用、质量可 靠、结构合理并符合相关项目目标。80 由于许多银行 的数据可能分散在多个数据存储库中，因此可能需要 开发数据集成管道。为此，银行可选择将数据迁移到 集中云平台，从而减少数据孤岛。此外，银行还可利 用数据集成流程在不同数据源之间搭建桥梁。例如，长 期以来，银行技术团队通过提取、转换和加载（ETL） 流程将数据从源系统发送到数据仓库。81 而借助反向 ETL，多个来源的数据得以同步，再传输至销售、营销 和客户服务软件中。
