近日，ChatGPT爆火，人工智能再次成為業界熱議的話題。金融機構內部市場競爭加劇、金融機構人力成本上升，促進金融機構改善傳統作業模式，提升金融業務運營水平。AI+金融是優化金融業務場景的應用技術工具。然而AI技術發展在開辟金融新風口的同時，也向各大商業銀行提出種種現實問題：現階段AI＋金融產品在銀行業務中的落地情況如何？其業務價值以及市場空間如何？在AI應用發展過程中，各銀行還要面臨哪些問題？本文結合現實情景，從具體運用、市場展望、智投前景、業務回歸、挑戰應對五大方面，對人工智能的銀行應用深度剖析。

(資料圖片僅供參考)

一、具體應用

1.AI+金融銀行前中后臺當前應用場景

AI技術在銀行前中后臺的高效利用集中體現在智能語音、智能決策、智能管理、智能創新，以上內容真正實現技術賦能。技術在營銷、風投等核心業務的應用、開發是數字經濟時代的關鍵，也是銀行智能發展的關鍵。

AI在前臺的應用包括但不限于：（1）智能客服，同時智能客服又與智能坐席、智能外呼、智能催收等有緊密關聯，靈活交叉；（2）智能營銷，用于銀行客戶細分及群像描繪；（3）智能反詐等。

AI在中臺的應用場景則為：（1）智能投研，負責如業務流程自動化、網點人流研判的智能決策；（2）智能風控，AI主要通過降低風險信息核查錯漏率、深度學習遠程信貸審查、建立風險識別與預測模型等實現。

AI在后臺的應用場景有：（1）智能辦公，當前該場景AI的應用主要有如開發崗位勝任力模型，AI助力實現行內數據資源高效使用；（2）智能審計，該場景AI應用附有的綜合機器學習、知識圖譜等技術，實現審計證據自動化和持續采集，進一步提高了內部審計履職能力；（3）智能開源場景，AI也發揮了極大作用，如推動應用研發，開源Turing text-to-SQL，而該軟件是一種將自然語言查詢轉換為SQL代碼的工具，使非技術用戶能夠使用關系數據庫。

2.AI+金融當下成熟應用場景介紹

考慮商業銀行的盈利創收，開戶過程雖然看起來簡單，但通常涉及大量紙張的手動過程，須耗費大量時間。此外，開立銀行賬戶的過程便率先定義了客戶與銀行的未來關系。由此，對于業務效率、客戶體驗的提升格外迫切，智能客服應運而生。

同時，由于數字金融已經實現了從信息化到移動化的飛躍，故當前在客服場景的應用較為成熟，而如智能風投等涉及智能化的應用還未于市場普及。可以判斷的是，當前智能客服已打破了過去傳統對話機器人要窮舉用戶對話意圖的運營模式，智能客服能夠產生極其豐富的對話內容和應答范圍，致力于一站式業務解決方案。

目前，智能客服主要融合了較為成熟的智能語音、智能分案引擎等技術。利用人工智能，遠程客戶的注冊，已使用機器學習進行欺詐檢測。此法取代了利用傳統的、基于知識的身份驗證（Knowledge Based Authentication）方法進行的客戶盡職調查（Customer Due Diligence），節省大量的處理時間和成本。

智能客服大幅度節省成本，主要是因為攻克了傳統身份核驗的一些難以解決的痛點、難點。傳統方法主要采用密碼驗證、人工驗證相結合的方式，賬戶密碼與客戶身份關聯性較差，密碼一旦泄露則可能被不法分子利用；人工驗證的效率、準確率受到工作人員能力等因素影響。人臉識別、指紋識別、活體檢測等基于人工智能的新型方式，不僅可以豐富驗證手段，提高賬戶冒用難度，還提高驗證效率和結果的準確性。

智能客服場景下，銀行業還廣泛應用了人工智能進行催收。通過智能外呼，批量電話催收，及時將還款計劃傳達給欠款人。而且，在未來的應用中，商業銀行可利用人工智能數據篩選等技術，依據企業情況，指導制定合理的解決方案，幫助企業提升催款還款效率。

AI在前臺方面的運用普遍廣泛。除去以上例子，AI的前臺的實際應用有：興農E貸、居民養老、無碼查驗、無感支付、電子亮證、抵押登記、財務報銷、二代支付票據截留等。

二、市場展望

在智能風投場景有更大的業務價值和市場空間。過去多年中，很多企業都開始了智能風投的應用和探索之路。但是數據缺乏、模型應用場景適應度不足、持續優化投入難度高等問題，智能風投的應用尚不成熟，卻側面映射出了在分析投資場景的極大上升空間、潛在市場價值。

（1）第一是因為商業銀行發展對核心業務風控的需求在競爭環境中只增不減。針對銀行信貸業務中的交易欺詐、網貸申請欺詐、信貸全生命周期風險管理、客戶價值分析、預期客戶管理等場景的痛點及問題，銀行形成一套完整的、高效的智能風控系統是必不可少的。

（2）第二是因為商業銀行發展對創新開拓的增益期望。銀行使用智能風投，在突破傳統業務模式同時，還有可能讓商業銀行全面實現一次革新，成為行業迎來全新的領軍。數據時代存在很多不確定因素，涉及到方方面面因素的變化，對數據的深挖利用，將帶來極大的利潤

（3）第三是因為隨著技術發展，智能風投的可操作性提升。如交通銀行在風險信息監測自動化流程中，利用RPA機器人從各個信息系統中自動獲取客戶風險信息并整理至本地，降低了風險信息核查錯漏率。應用OCR等人工智能技術，在手工錄入場景逐步實現技術換人，降低銀行的操作風險，提高工作效率。

實際應用中，加拿大皇家銀行RBC目前計劃嘗試使訓練AI深度強化學習并適應不斷變化的市場條件，實現人工智能計算，幫助減少滑點（預期和實際交易價格之間的差異）。

三、智投前景

智能投顧與量化交易之間有比較良好的結合可能。

從宏觀角度看，多數銀行停止智能投顧業務，主要還是由于市場波動。過去，很多智能投顧的模型算法針對性弱，它的智能性相對有限。當市場出現波動比較大的時期，智能投顧盈利、營收，可能不一定能夠很好的表現，所以很多銀行紛紛地停止了智能投顧業務。某種程度上，智能投顧在基于過去的人工智能模型時，對市場把握預測的并不是特別好，并不能真正的成為一個核心的賣點。但是著眼未來，智能化，尤其是以chatgtp為核心的大模型，在金融領域，特別是投顧領域，在量化領域得到深度的應用之后，是非常有前景的。

對于銀行、商家來說，如果成功依托于大模型，銀行在未來便能夠很好的了解一個細分領域的市場。無論是宏觀市場還是微觀市場，都將有很好的把握能力，達成滿足投顧業務的基本要求：對市場特別了解、有經驗、能夠應對于市場的變化，迅速做出調整。

在大模型助力下，智能投顧將成為銀行的一個賣點，實現“一棋三用”：第一，可以實現開發自己的相關產品，第二，可以做更精準的市場營銷，第三點，可以形成自己的產品“護城河”。

對于廣大消費者來說，有了智能投顧產品之后，最核心的目的達成：第一是可以通過產品可以為資金尋找到一個跟自己的風險偏好相一致、合適的企業，保值增值；第二點，就是偏好一致的情況之下，在一定程度上實現真正的財富保值增值，對資金負責。

四、業務回歸

未來智投業務的轉型回歸或將通過三個主要維度實現。

（1）大數據訓練。智能投顧回歸的第一點，便是進一步的優化提升以往模型算法，依托于大模型，依托于大量的數據、案例和經驗來進行精確化訓練。

（2）差異化發展。本業務回歸的第二點就是差異化發展，不同的銀行采用了不同的算法，有不同的數據庫，逐步提升訓練出來的智能投顧系統的核心競爭力。智能投顧不僅僅是個噱頭，最后不同銀行的智能投顧，依然要進行收益比較。智能投顧提供的投資策略，需要在市場上競爭。如果市場的有關產品充足，并且市場足夠透明的話，那消費者就可以看出來，不同家銀行的不同的智能投顧產品，可能各銀行的收益就不一樣。給予消費者充分的自由選擇權利，進而充分競爭，從這一點而言，對于銀行，甚至相關行業，比較大的競爭壓力可能會推動技術的進一步解放。

（3）個性化建議。最后，第三，未來的智能投顧，在針對大客戶，高凈值客戶時，需要更多的提供精準化的個性化的投資組合。基于對這個大模型訓練，各銀行需考慮不同客戶在有同樣的資金時的訴求。具體而言，客戶的業務組合，包括客戶的買入買出時機都是不一樣的。因為有了深度人工智能，智能投顧業務可以根據客戶個人的偏好，根據客戶以往的經驗，根據客戶輸入的相關的數據程序要求，給你做出個性化的選擇。但現目前階段的智能投顧，可能還是偏規范化的。但未來該項業務要轉型回歸，便一定是個性化的，甚至說每個客戶不同時期的投資組合，投資策略都是不一樣的。

當前，摩根大通（JPM）依托大模型，使用機器學習，將公共和私人來源的房地產數據匯集，為其商業房地產客戶提供深入的房地產洞察，提供私人化的投資策略。

五、挑戰應對

人工智能應用于金融領域，必然面臨數據安全、算法可信以及大數據殺熟等公平公正的挑戰。在未來的發展中，銀行如何應對上述挑戰，為客戶交出“一份滿意的答卷”是重中之重。

1.挑戰解析

厘清挑戰的產生原因可以幫助各大銀行提出更具有針對性的應對。，

（1）數據安全。首先，數據安全涉及面極廣，銀行數據安全隱患可能會出現在數據流動的各種場景，包括終端和郵件。這些在各種場景中流動的信息會包含大量客戶數據、公司重要信息、知識財產甚至敏感或機密文件。由于人工智能對網絡中的信息進行無差別收集與獲取，以上各種信息的安全難以得到保證。

（2）算法可信。然后，算法的可信度會受到研究員對模型的理解、訓練數據的影響。一旦訓練數據中混入帶有偏見的異常數據，這種偏見也就會伴隨智能系統成為一個持續存在的問題。

（3）大數據殺熟。最后，大數據殺熟問題的緣由，除了信息采集方的不規范使用，還有部分是技術透明度不足，方導致了客戶不信任。客戶對于內部處理過程的疏遠，限制了客戶對于技術的理解力，進而導致人工智能業務和用戶之間的信息不對稱，顧客產生了對大數據殺熟的憂慮，便不足為奇。

2.應對思路

（1）安全計算與人工復核。數據安全和隱私作為銀行業智能化的頭等大事，針對此問題應當“雙管齊下”，從技術與制度規范角度切入。

在技術層面，銀行研發部門應加強技術創新，積極運用技術手段解決人工智能的隱私安全風險。在收集用戶數據時，注重數據模型的設計和使用，防止算法層面引發的數據安全與隱私風險。制度規范層面，應建立起完善的人工復核及兜底機制。對于自動生成的人工智能模型，銀行應在固定節點加入人工審批的流程。

（2）數據劃分更新與模塊適配考察。提高算法可信度應當考量數據與技術兩大變量。通常，算法偏差是由于數據采集的不充分所引起的。對此，銀行應安排多個技術人員對數據集進行定義和劃分，并且要盡力保證數據劃分過程中的客觀性。在構建出初始數據集后，銀行應及時對數據集進行同步和更新，消除因為數據遺漏和數據過時帶來的數據類問題。在算法技術解讀方面，應加強對技術人員的培訓，避免人員知識滯后或缺失導致的算法偏見。最后，同數據更新一般，銀行也需增設技術層面相應審核流程，避免模塊間功能不適配而導致的系統風險。

（3）行業技術標準與責任歸屬說明。解決大數據殺熟問題，行業整體和個體機構需要做好人工智能模型的解釋工作。行業整體需要制定嚴格的銀行人工智能標準與規范，對于不同層次的模型進行規范化定義。此外，銀行在運用人工智能開發各項銀行業務功能時，應按照行業規范標準向監管機構提供全面解釋，包括人工智能系統的解決方案、算法實現原理、模型訓練方法等，盡量提供額外的解釋性材料，如數據治理報告和責任歸屬說明等。

要注意，普通投資者往往缺少人工智能的相關背景知識。銀行應積極向用戶告知人工智能算法的固有缺陷和使用風險，充分保護投資者的知情權和自主決策權，避免相關的聲譽風險。

AI作為當今發展的風口技術，正引導社會觀念，推動生產，智能化化方式有效打破時空阻隔，在經濟等重大領域發揮的影響力。AI+金融為金融改革提供了不竭動力。在數字化、智能化浪潮中，各企業應抓住機遇，迎接挑戰，塑造金融新業態。

本文系未央網專欄作者:王 鵬 發表，內容屬作者個人觀點，不代表網站觀點，未經許可嚴禁轉載，違者必究！

關鍵詞：