生成性人工智能如何彻底改变银行业成为下一个重大技术革新

*转发原始标题‘#81 – 超越炒作：为什么生成式人工智能是银行业下一个真正的平台转变（免费阅读）’

由 Triage 赞助

由高管打造

非洲金融服务行业正面临前所未有的挑战与机遇。在这个充满活力的市场中，风险管控、信贷评估、合规运营和技术创新等领域的专业能力，往往成为决定金融机构成败的关键因素。随着监管环境日益复杂，新技术不断涌现，金融机构领导者需要深刻理解金融产品的本质、利益相关者的期待以及市场的现实状况。缺乏这些核心能力的机构，即便拥有雄厚资本，也可能因决策失误而陷入投资者信心动摇、业务增长停滞和客户信任流失的困境。

Triage团队凭借在银行和金融服务领域丰富的实战经验，以及与全球顶尖金融机构的合作积累，为非洲市场带来独特的价值。我们与来自35个非洲国家的高级管理者紧密合作，为各类客户提供定制化的增长与转型策略支持，服务对象涵盖初创企业、扩张中的机构，以及正在进行数字化转型和业务重组的组织。这种多元化的经验使我们能够精准识别真正的专业能力，确保我们的客户与那些真正理解如何在快速变化的金融环境中取得成功的领导者合作。

引言

霍华德·马克斯曾深刻指出：”怀疑精神是穿透资产负债表、看透金融工程奇迹或所谓必然成功故事的必备品质…唯有持怀疑态度者才能分辨那些听起来美好且确实如此的事物，与那些仅仅听起来美好却名不副实的事物。我所认识的最优秀投资者都具备这一特质。这是绝对必要的。”

对于金融行业的年轻从业者而言，培养适度的怀疑精神至关重要，这在银行业尤为突出。最成功的银行往往不是那些追求最大收益的，而是那些能够有效规避风险的机构。这是一种看似消极实则高明的经营艺术。然而，怀疑不等于悲观。真正的怀疑精神意味着具备辨别炒作与实质的能力。许多金融从业者面临的挑战在于，他们陷入了为显示聪明而怀疑的陷阱。

正如约翰·科利森或纳瓦尔·拉维坎特所言：”悲观者听起来聪明，乐观者赚到钱”。怀疑思维确实有其价值，但要真正发挥作用，必须与严谨的分析能力相结合，更重要的是，当事实发生变化时，能够及时调整自己的观点。

这一思考框架对于当前银行业和金融领域关于生成式人工智能的讨论尤为重要。需要特别强调的是，我们讨论的是生成式人工智能，而非已经存在多年的机器学习技术。生成式人工智能能够从海量数据中学习并创造新内容（如文本、图像、音频或视频）。盲目的怀疑可能导致人们过早地将AI视为炒作，而无节制的乐观又可能引发过度投资。要做出明智的AI决策，必须将其置于适当的经济和平台变革的历史背景中进行分析。从历史视角来看，AI应该帮助银行家和金融从业者做出更优决策。

本文将探讨平台变革的本质，回顾历史上重大平台变革对金融服务业的影响，分析人工智能作为平台变革的独特性，考察全球银行和金融科技公司在AI领域的实践，并总结对金融服务行业领导者的关键启示。

平台变革与金融服务

平台变革的本质

与其他行业一样，金融服务业始终受到技术变革的深刻影响。从电报对传统分行银行业务的冲击，到微型计算机催生自动取款机，金融业一直在适应各种平台变革。在技术领域，平台变革指的是基础技术架构的根本性转变，这种转变通常源于基础成本结构的革命性变化，从而催生新的能力和商业模式。关键在于，某项活动的成本结构必须发生数量级（10倍以上）的改善，才能被视为真正的平台变革。

平台变革具有几个鲜明特征：基础架构的根本性改变；成本效益或性能的指数级提升；催生前所未有的商业价值创造模式；形成丰富的互补产品和服务生态系统；重塑行业格局并创造全新市场；以及使技术更加民主化，惠及更广泛的用户群体。

在分析历史平台变革时，我们需要重点关注三个方面：平台变革的完整内涵；其对成本结构的影响；以及该轮变革中的赢家及其成功策略。

1. 大型机时代：集中式计算（1950-1970年代初）

在1950年代之前，银行业务完全依赖手工或电动机械制表机处理。处理支票意味着工作人员逐条记录，手工归档，并在日终进行账目核对。IBM System/360等大型计算机的引入带来了存储程序计算、磁墨水字符识别和批处理技术。这些创新使单台机器每小时能够处理数万张支票，自动执行账户规则，并在夜间完成结算。

虽然初期资本投入高达数百万美元，但每笔交易的处理成本相比手工操作下降了约100倍。错误率大幅降低，处理时限显著缩短，规模问题从人员问题转变为软件问题。美国银行在二战后面临支票账户爆发式增长，通过实施电子记录机器会计(ERMA)系统，将支票处理能力从人工每小时245张提升至每小时36,000张。这一技术突破使该行能够在不大量增加文员的情况下，将业务扩展到加州以外的地区，为其成为全国性银行奠定了基础。

2. 小型计算机时代：部门自动化（1970-1980年代中期）

小型计算机的出现使计算能力不再局限于财富500强企业。银行、券商和服务提供商可以在部门或分支机构层面部署DEC、Data General等厂商的中小型系统。这一时期见证了电子网络和金融科技服务的萌芽，这些服务能够在更经济的基础设施上运行，为新参与者创造了机会。

分支机构现在能够以主机成本的一小部分获得计算能力。交互式操作取代了批量处理，自动取款机等新渠道变得经济可行。1970年代中期的小型计算机成本为数万美元，相比1960年代的大型机，计算成本降低了一个数量级。这种成本优势推动了金融业更广泛的信息技术应用，到1980年代，连中型金融公司也实现了业务计算机化，带来了更高效的服务和更低的单位成本。

花旗银行在这一时期采购了数百台Tandem NonStop和DEC小型计算机，将其联网用于自动取款机系统，并于1977年推出”花旗永不眠”的营销活动。1978年纽约暴风雪期间，当其他银行停业时，花旗的ATM仍持续服务，交易量激增20%，三年内该行在纽约的存款份额翻了一番。出纳服务的单次成本从约1美元降至30美分左右，展现了技术带来的成本优势。

3. 客户端-服务器与关系数据库时代（1980年代末-1990年代）

客户端-服务器架构将数据层与界面层分离，Windows或Mac电脑处理展示，中型服务器存储数据，SQL通过局域网实现通信。现成的关系数据库使金融机构能够在几秒钟内查询数百万行数据，为统计营销和风险建模创造了条件。

低于2000美元的个人电脑和低于10万美元的Unix服务器使银行能够快速处理海量数据。Capital One在1994年从Signet Bank分拆后，利用运行Oracle的客户端-服务器网格并行测试数千种信用卡方案，实现了基于个体风险定价，1997年客户增长达40%，而传统公司仍依赖统一的FICO评分。其股本回报率持续超过20%，证明了分析驱动策略的价值。

在非洲市场，股权银行通过升级到基于客户端-服务器的Finacle核心银行系统，显著提升了交易处理能力并扩展了ATM网络，最终发展为代理银行模式，从默默无闻成长为东非市值最大的银行。GT银行则利用该技术改善分行交易处理效率，将客户等待时间从数小时缩短至即时办理。

4. 云计算1.0时代：基础设施即服务（2006-2010年代初）

亚马逊网络服务将计算、存储和数据库转变为按需计量的公共服务，应用程序用户规模从十人扩展到千万人不再需要硬件投入。开发者无需数百万美元的前期投入，仅需信用卡和每小时几美分的计算成本。弹性扩容意味着成本与使用量成正比，消除了传统架构下需要预估增长而导致的巨额资本支出。

Stripe于2010年推出，比AWS晚四年，提供了可在几分钟内上线的支付API。其七行代码示例抽象了商户审核、结算和合规流程。到2024年，Stripe处理了约1.4万亿美元的支付量，这些业务原本由银行收单机构和传统处理商完成，而得益于云计算的按使用付费模式，其获客成本仍保持在极低水平。

5. 移动与云原生时代（2010-2020年代）

智能手机将互联网、生物识别和安全元件集成到每个用户口袋中，分销渠道简化为应用商店列表。公共云平台(AWS、GCP、Azure)提供银行级基础设施即服务；微服务和持续集成/持续交付(CI/CD)管道实现每周甚至每日功能更新。移动网络同时充当支付通道；二维码和虚拟账户取代了专用POS硬件和分行网络。

在这种新模式下，客户自备终端设备和网络带宽，增量获客成本降至传统基于分行模式的一小部分。基于应用的交易费用降至1%以下，为小额支付和免手续费账户创造了盈利可能。

巴西的Nubank成立于2013年，完全通过移动端获客，利用2000多个AWS微服务进行实时信用分析，每日部署代码数十次，功能更新速度快于监管机构批准传统银行收费变更的速度。到2023年，其拉美用户达1亿，为用户节省110亿美元传统费用，在保持全球银行业最低成本收入比之一的同时，获得了巴西信用卡市场的显著份额。南非的TymeBank成立于2019年，基于AWS云核心，通过连锁超市内的生物识别自助终端实现即时无纸化KYC，无自有分支机构，精简技术团队，五年内实现盈利，证明了纯数字模式在非洲的可行性。

这些创新者展示了客户自有设备与云原生架构相结合创造的结构性成本优势，以及速度而非规模如何成为非洲乃至全球银行业的新竞争维度。

历史平台变革的关键启示

历史经验表明，所有平台变革都从根本上改变了金融服务的方式，核心在于特定问题(无论是交易成本还是分销成本)的成本结构重塑。平台变革的受益者通常是两类机构：快速采用新技术的现有银行(如美国银行、花旗银行)，或深刻理解变革机遇的新进入者(如Stripe、Nubank)。

生成式人工智能的定位

与以往主要关注成本和分销的平台变革不同，生成式人工智能可能带来更深刻的改变。我认为，生成式人工智能将使提供定制化金融关系的成本降低10,000倍。当前，银行和金融科技公司已普遍通过技术实现交易处理，这一趋势将持续。几乎所有客户都在移动设备上完成交易，实体网点的交易量微乎其微。

然而，进一步扩展金融服务的瓶颈在于大规模实现关系银行。因为这仍然是高度依赖人类的工作，需要情境理解和专业判断。生成式AI能够以每位客户几分钱的成本提供优质的”关系银行”服务。目前，非洲一名顶级客户经理每月服务约30位客户，总成本约6000美元，人均成本300美元(含间接费用)。将这项工作交给AI，成本可降至几分钱，从而为大众市场提供高接触度的金融服务建议，彻底改变整个大陆的金融包容性格局。

关系在银行业仍然重要，但将从人与人转变为人与AI的互动。金钱话题常伴随羞耻感，许多客户在银行职员面前会掩饰基本问题。一个无生命、不知疲倦的AI可以降低这种社会障碍，鼓励坦诚交流和”愚蠢”问题的提出。更高的诚实度加上24/7的专业指导，使AI成为强大且可扩展的关系管理工具。

全球AI实践

全球领先银行如何应用生成式AI

过去两年中，全球金融业已悄然进入生成式AI时代，但发展路径并不统一。目前呈现的是内部工具谨慎应用、客户界面有限试点，以及少数真正大胆尝试的混合图景，这些尝试暗示银行业可能从内部开始重构。

一个显著趋势是AI应用始于内部。生成式AI主要聚焦于提升员工生产力——帮助员工事半功倍的工具。从摩根大通的分析师助手解析股权研究报告，到摩根士丹利为理财顾问提供的GPT驱动工具，早期投资重点在于赋能而非替代银行员工。

高盛为开发者构建编程助手，花旗采用AI摘要工具帮助员工处理备忘录和起草邮件，渣打银行的”SC GPT”部署给7万名员工，协助从提案撰写到人力资源查询等各种事务。在高度监管的环境中，内部工具是合理的起点，银行可以积累AI经验而不必担心合规风险。

不同业务部门进展各异。零售银行在交易量方面领先，富国银行的Fargo和美国银行的Erica等AI驱动聊天机器人每年处理数亿次交互。欧洲商业银行近期推出结合生成式AI与虚拟人技术的数字助手Ava。值得注意的是，部分所谓AI应用实际仍基于传统机器学习，如美国银行的Erica实质是”人类增强”系统。

企业与投资银行领域变化更为微妙。摩根大通的内部工具支持研究与销售团队而非直接服务客户。德意志银行使用AI分析客户沟通记录，这不是客户服务，而是帮助银行家更高效地理解和满足客户需求的数据应用。

财富管理介于两者之间。摩根士丹利的AI不直接与客户对话，但确保顾问在会面前充分准备。德意志银行和阿布扎比第一银行正在为高净值客户试点实时回答复杂投资问题的AI助手。

区域发展差异

北美如预期般领先。摩根大通、第一资本、富国银行、花旗和加拿大皇家银行已将AI转化为生产力引擎，得益于与OpenAI和微软的合作，他们获得了尖端模型的早期访问权。

欧洲更为谨慎。BBVA、德意志银行和汇丰正在内部测试工具，通常设置更多保护措施。GDPR产生深远影响，欧洲对监管而非进步的侧重可能使其付出代价。

非洲和拉美处于早期但快速发展阶段。巴西Nubank与OpenAI合作在内部部署工具，并计划最终向客户开放。南非的标准银行和Nedbank等正在风险管控、客户支持和开发领域进行AI试点。

中国：构建自主AI技术栈

中国银行业不仅应用AI，更在构建自主技术体系。工商银行推出拥有1000亿参数的”工银智勇”大模型，已调用超10亿次，支持从文档分析到营销自动化等200个业务场景。蚂蚁集团推出面向零售客户的”智小宝2.0″和面向金融专业人士的”智小助1.0″金融大模型。平安集团构建”AskBob”生成式AI助手，为客户提供自然语言金融咨询服务，为顾问提取客户历史、产品数据和市场洞察，重新定义金融咨询模式。

在中国监管鼓励数据本地化和模型透明度的环境下，这些机构正构建适应本土监管、语言和市场特点的定制AI。中国充足的人才储备使银行能够开发自主基础模型，这一成就在其他地区难以复制。

技术供应商格局

微软(通过Azure OpenAI)是最常见的平台，从摩根士丹利到渣打银行都在其安全沙箱中运行模型。谷歌的大语言模型也有应用，如富国银行使用Flan驱动Fargo。在中国，主要采用本土产品如DeepSeek、Hunyuan等。

少数银行如摩根大通、工商银行和平安正在训练自主模型，但多数是在微调现有模型。拥有模型本身并非关键，真正的价值在于数据层和协调能力。

全球AI应用概览

启示与展望

在高度监管的行业中保持谨慎是必要的，这解释了为何银行将AI首先应用于决策支持而非前台服务。然而，历史平台变革经验表明，果断行动和快速实验同样关键。监管永远滞后于创新，坐等监管明确并非明智策略。如果我是银行董事，我的核心问题将是”我们正在进行多少实验，产生了多少洞见？”

要真正衡量进展，必须回归平台变革的基本原则：AI战略是否重构核心架构？是否降低成本100倍？是否开启新的价值创造模式？是否激发生态系统创新？是否重塑市场