AI＋金融开辟银行业新风口？深度人工智能对银行业务的影响

（原标题：AI＋金融开辟银行业新风口？深度人工智能对银行业务的影响）

近日，ChatGPT爆火，人工智能再次成为业界热议的话题。金融机构内部市场竞争加剧、金融机构人力成本上升，促进金融机构改善传统作业模式，提升金融业务运营水平。AI+金融是优化金融业务场景的应用技术工具。然而AI技术发展在开辟金融新风口的同时，也向各大商业银行提出种种现实问题：现阶段AI＋金融产品在银行业务中的落地情况如何？其业务价值以及市场空间如何？在AI应用发展过程中，各银行还要面临哪些问题？本文结合现实情景，从具体运用、市场展望、智投前景、业务回归、挑战应对五大方面，对人工智能的银行应用深度剖析。

一、具体应用

1.AI+金融银行前中后台当前应用场景

AI技术在银行前中后台的高效利用集中体现在智能语音、智能决策、智能管理、智能创新，以上内容真正实现技术赋能。技术在营销、风投等核心业务的应用、开发是数字经济时代的关键，也是银行智能发展的关键。

AI在前台的应用包括但不限于：（1）智能客服，同时智能客服又与智能坐席、智能外呼、智能催收等有紧密关联，灵活交叉；（2）智能营销，用于银行客户细分及群像描绘；（3）智能反诈等。

AI在中台的应用场景则为：（1）智能投研，负责如业务流程自动化、网点人流研判的智能决策；（2）智能风控，AI主要通过降低风险信息核查错漏率、深度学习远程信贷审查、建立风险识别与预测模型等实现。

AI在后台的应用场景有：（1）智能办公，当前该场景AI的应用主要有如开发岗位胜任力模型，AI助力实现行内数据资源高效使用；（2）智能审计，该场景AI应用附有的综合机器学习、知识图谱等技术，实现审计证据自动化和持续采集，进一步提高了内部审计履职能力；（3）智能开源场景，AI也发挥了极大作用，如推动应用研发，开源Turing text-to-SQL，而该软件是一种将自然语言查询转换为SQL代码的工具，使非技术用户能够使用关系数据库。

2.AI+金融当下成熟应用场景介绍

考虑商业银行的盈利创收，开户过程虽然看起来简单，但通常涉及大量纸张的手动过程，须耗费大量时间。此外，开立银行账户的过程便率先定义了客户与银行的未来关系。由此，对于业务效率、客户体验的提升格外迫切，智能客服应运而生。

同时，由于数字金融已经实现了从信息化到移动化的飞跃，故当前在客服场景的应用较为成熟，而如智能风投等涉及智能化的应用还未于市场普及。可以判断的是，当前智能客服已打破了过去传统对话机器人要穷举用户对话意图的运营模式，智能客服能够产生极其丰富的对话内容和应答范围，致力于一站式业务解决方案。

目前，智能客服主要融合了较为成熟的智能语音、智能分案引擎等技术。利用人工智能，远程客户的注册，已使用机器学习进行欺诈检测。此法取代了利用传统的、基于知识的身份验证（Knowledge Based Authentication）方法进行的客户尽职调查（Customer Due Diligence），节省大量的处理时间和成本。

智能客服大幅度节省成本，主要是因为攻克了传统身份核验的一些难以解决的痛点、难点。传统方法主要采用密码验证、人工验证相结合的方式，账户密码与客户身份关联性较差，密码一旦泄露则可能被不法分子利用；人工验证的效率、准确率受到工作人员能力等因素影响。人脸识别、指纹识别、活体检测等基于人工智能的新型方式，不仅可以丰富验证手段，提高账户冒用难度，还提高验证效率和结果的准确性。

智能客服场景下，银行业还广泛应用了人工智能进行催收。通过智能外呼，批量电话催收，及时将还款计划传达给欠款人。而且，在未来的应用中，商业银行可利用人工智能数据筛选等技术，依据企业情况，指导制定合理的解决方案，帮助企业提升催款还款效率。

AI在前台方面的运用普遍广泛。除去以上例子，AI的前台的实际应用有：兴农E贷、居民养老、无码查验、无感支付、电子亮证、抵押登记、财务报销、二代支付票据截留等。

二、市场展望

在智能风投场景有更大的业务价值和市场空间。过去多年中，很多企业都开始了智能风投的应用和探索之路。但是数据缺乏、模型应用场景适应度不足、持续优化投入难度高等问题，智能风投的应用尚不成熟，却侧面映射出了在分析投资场景的极大上升空间、潜在市场价值。

（1）第一是因为商业银行发展对核心业务风控的需求在竞争环境中只增不减。针对银行信贷业务中的交易欺诈、网贷申请欺诈、信贷全生命周期风险管理、客户价值分析、预期客户管理等场景的痛点及问题，银行形成一套完整的、高效的智能风控系统是必不可少的。

（2）第二是因为商业银行发展对创新开拓的增益期望。银行使用智能风投，在突破传统业务模式同时，还有可能让商业银行全面实现一次革新，成为行业迎来全新的领军。数据时代存在很多不确定因素，涉及到方方面面因素的变化，对数据的深挖利用，将带来极大的利润

（3）第三是因为随着技术发展，智能风投的可操作性提升。如交通银行在风险信息监测自动化流程中，利用RPA机器人从各个信息系统中自动获取客户风险信息并整理至本地，降低了风险信息核查错漏率。应用OCR等人工智能技术，在手工录入场景逐步实现技术换人，降低银行的操作风险，提高工作效率。

实际应用中，加拿大皇家银行RBC目前计划尝试使训练AI深度强化学习并适应不断变化的市场条件，实现人工智能计算，帮助减少滑点（预期和实际交易价格之间的差异）。

三、智投前景

智能投顾与量化交易之间有比较良好的结合可能。

从宏观角度看，多数银行停止智能投顾业务，主要还是由于市场波动。过去，很多智能投顾的模型算法针对性弱，它的智能性相对有限。当市场出现波动比较大的时期，智能投顾盈利、营收，可能不一定能够很好的表现，所以很多银行纷纷地停止了智能投顾业务。某种程度上，智能投顾在基于过去的人工智能模型时，对市场把握预测的并不是特别好，并不能真正的成为一个核心的卖点。但是着眼未来，智能化，尤其是以chatgtp为核心的大模型，在金融领域，特别是投顾领域，在量化领域得到深度的应用之后，是非常有前景的。

对于银行、商家来说，如果成功依托于大模型，银行在未来便能够很好的了解一个细分领域的市场。无论是宏观市场还是微观市场，都将有很好的把握能力，达成满足投顾业务的基本要求：对市场特别了解、有经验、能够应对于市场的变化，迅速做出调整。

在大模型助力下，智能投顾将成为银行的一个卖点，实现“一棋三用”：第一，可以实现开发自己的相关产品，第二，可以做更精准的市场营销，第三点，可以形成自己的产品“护城河”。

对于广大消费者来说，有了智能投顾产品之后，最核心的目的达成：第一是可以通过产品可以为资金寻找到一个跟自己的风险偏好相一致、合适的企业，保值增值；第二点，就是偏好一致的情况之下，在一定程度上实现真正的财富保值增值，对资金负责。

四、业务回归

未来智投业务的转型回归或将通过三个主要维度实现。

（1）大数据训练。智能投顾回归的第一点，便是进一步的优化提升以往模型算法，依托于大模型，依托于大量的数据、案例和经验来进行精确化训练。

（2）差异化发展。本业务回归的第二点就是差异化发展，不同的银行采用了不同的算法，有不同的数据库，逐步提升训练出来的智能投顾系统的核心竞争力。智能投顾不仅仅是个噱头，最后不同银行的智能投顾，依然要进行收益比较。智能投顾提供的投资策略，需要在市场上竞争。如果市场的有关产品充足，并且市场足够透明的话，那消费者就可以看出来，不同家银行的不同的智能投顾产品，可能各银行的收益就不一样。给予消费者充分的自由选择权利，进而充分竞争，从这一点而言，对于银行，甚至相关行业，比较大的竞争压力可能会推动技术的进一步解放。

（3）个性化建议。最后，第三，未来的智能投顾，在针对大客户，高净值客户时，需要更多的提供精准化的个性化的投资组合。基于对这个大模型训练，各银行需考虑不同客户在有同样的资金时的诉求。具体而言，客户的业务组合，包括客户的买入买出时机都是不一样的。因为有了深度人工智能，智能投顾业务可以根据客户个人的偏好，根据客户以往的经验，根据客户输入的相关的数据程序要求，给你做出个性化的选择。但现目前阶段的智能投顾，可能还是偏规范化的。但未来该项业务要转型回归，便一定是个性化的，甚至说每个客户不同时期的投资组合，投资策略都是不一样的。

当前，摩根大通（JPM）依托大模型，使用机器学习，将公共和私人来源的房地产数据汇集，为其商业房地产客户提供深入的房地产洞察，提供私人化的投资策略。

五、挑战应对

人工智能应用于金融领域，必然面临数据安全、算法可信以及大数据杀熟等公平公正的挑战。在未来的发展中，银行如何应对上述挑战，为客户交出“一份满意的答卷”是重中之重。

1.挑战解析

厘清挑战的产生原因可以帮助各大银行提出更具有针对性的应对。，

（1）数据安全。首先，数据安全涉及面极广，银行数据安全隐患可能会出现在数据流动的各种场景，包括终端和邮件。这些在各种场景中流动的信息会包含大量客户数据、公司重要信息、知识财产甚至敏感或机密文件。由于人工智能对网络中的信息进行无差别收集与获取，以上各种信息的安全难以得到保证。

（2）算法可信。然后，算法的可信度会受到研究员对模型的理解、训练数据的影响。一旦训练数据中混入带有偏见的异常数据，这种偏见也就会伴随智能系统成为一个持续存在的问题。

（3）大数据杀熟。最后，大数据杀熟问题的缘由，除了信息采集方的不规范使用，还有部分是技术透明度不足，方导致了客户不信任。客户对于内部处理过程的疏远，限制了客户对于技术的理解力，进而导致人工智能业务和用户之间的信息不对称，顾客产生了对大数据杀熟的忧虑，便不足为奇。

2.应对思路

（1）安全计算与人工复核。数据安全和隐私作为银行业智能化的头等大事，针对此问题应当“双管齐下”，从技术与制度规范角度切入。

在技术层面，银行研发部门应加强技术创新，积极运用技术手段解决人工智能的隐私安全风险。在收集用户数据时，注重数据模型的设计和使用，防止算法层面引发的数据安全与隐私风险。制度规范层面，应建立起完善的人工复核及兜底机制。对于自动生成的人工智能模型，银行应在固定节点加入人工审批的流程。

（2）数据划分更新与模块适配考察。提高算法可信度应当考量数据与技术两大变量。通常，算法偏差是由于数据采集的不充分所引起的。对此，银行应安排多个技术人员对数据集进行定义和划分，并且要尽力保证数据划分过程中的客观性。在构建出初始数据集后，银行应及时对数据集进行同步和更新，消除因为数据遗漏和数据过时带来的数据类问题。在算法技术解读方面，应加强对技术人员的培训，避免人员知识滞后或缺失导致的算法偏见。最后，同数据更新一般，银行也需增设技术层面相应审核流程，避免模块间功能不适配而导致的系统风险。

（3）行业技术标准与责任归属说明。解决大数据杀熟问题，行业整体和个体机构需要做好人工智能模型的解释工作。行业整体需要制定严格的银行人工智能标准与规范，对于不同层次的模型进行规范化定义。此外，银行在运用人工智能开发各项银行业务功能时，应按照行业规范标准向监管机构提供全面解释，包括人工智能系统的解决方案、算法实现原理、模型训练方法等，尽量提供额外的解释性材料，如数据治理报告和责任归属说明等。

要注意，普通投资者往往缺少人工智能的相关背景知识。银行应积极向用户告知人工智能算法的固有缺陷和使用风险，充分保护投资者的知情权和自主决策权，避免相关的声誉风险。

AI作为当今发展的风口技术，正引导社会观念，推动生产，智能化化方式有效打破时空阻隔，在经济等重大领域发挥的影响力。AI+金融为金融改革提供了不竭动力。在数字化、智能化浪潮中，各企业应抓住机遇，迎接挑战，塑造金融新业态。