专家传真-银行生成式AI能否规模化 取决七大要素

麦肯锡研究估计,银行业可望借由生成式 AI在全球创造2,000亿至3,400亿美元的潜在价值。图/美联社

根据麦肯锡全球研究院(McKinsey Global Institute)的估计,银行业可望借由生成式人工智慧(Gen Al)在全球创造高达2,000亿至3,400亿美元的潜在价值(相当于全球银行业营业利润的9%~15%)。越来越多银行着手开发Gen AI的相关应用,试图实现Gen AI带来的效益,但要规模化发展并实现商业价值则相对困难,麦肯锡从早期参与全球Gen AI发展取得的专家观点以及总结发现,Gen AI的规模化发展取决于以下七个维度的重要能力。

一、策略蓝图

管理团队需要从策略角度出发,思考Gen AI及数据分析在业务中如何发挥作用。以Gen AI规模化发展为目标的有效策略蓝图,还包括高阶领导层和业务部门的共同愿景,明确列出在未来有机会建构Gen AI的优先领域和使用案例,每个用例都必须基于价值潜力和可行性规划出清晰的业务案例。

二、所需人才

在Gen AI出现之前,提示工程和模型微调不一定是银行高层关注的人才技能。在Gen AI迅速崛起的同时,也催生不同的人才布局思考,银行高层必须争取时间去准备并适应人员需求的变化,包含提升员工技能或吸引招募所需要的人才以保持未来竞争力。

三、运作模式

居领先地位的银行业者为了配合发展新的能力,已经开始采取更灵活、可扩展的运作模式。例如,组建跨部门/职能团队让交付过程更加透明及顺畅,产品团队更靠近业务前线,确保开发出来的用例能满足实际的业务结果。Gen AI组织与业务团队的早期协作至关重要,同时务必确保与整体数位策略的一致性。

四、IT能力

规划一个能够支持Gen AI架构的IT整合蓝图规划至关重要,大多数银行可能会部署多种Gen AI模型,每个模型都需要与现有系统、工作流程、企业应用和数据来源整合。推动Gen AI的早期案例时,银行应仔细比较内部开发解决方案、使用外部市场现有产品及寻找生态伙伴的相对优势,进而权衡「内部开发vs购买vs战略合作」方案的优劣。

五、数据能力

尽管大多数银行在使用结构化数据方面已经具有强大的能力,但在有效利用非结构化数据方面仍面临挑战。例如,将部分数据移转到云端或协力厂商的平台,可能会产生资讯安全顾虑与使用限制。数据品质在Gen AI的背景下变得更加关键,非结构化数据性质和数据量级的大小让数据品质问题更形复杂,领先银行已经开始引进自动化手段,在数据生命周期的不同节点进行优化与管理,持续提升数据品质。

六、风险控制

Gen AI提高了生产力,也带来了新的风险。就金融机构而言,Gen AI的风险管理仍处于早期阶段,如为了减少Gen AI的偏误风险—即模型产生不合逻辑或不基于实际资料的答案输出情况,目前的解决方法可能较为耗时耗力,阻碍了大规模运行。为了提升效率,银行正在开发自动化的验证方法和操作手册来解决这个问题。例如,调整大型语言模型参数的设置,控制输出的随机性,或者设置处理后的第一道防线,如自动内容审核来标记产出内容的风险点等,都是有助于控制偏误的手段。

七、变革管理

成功扩大Gen AI的规模还需要全面的变革管理计划,在今天快速演变的环境中,成功部署Gen AI解决方案需要转变观点,即从最终使用者体验开始,接着一步步向后推演相关工作。其中包括对流程的重新思考,使工作步骤能够以使用者为中心,并且透过学习从人类反馈中进化,确保由人类希望的方向引领Gen AI的发展。

综上所述,Gen AI确实有潜力为银行和金融机构创造显著的价值,提高生产力,我们几乎每周都能看到新的例子出现。但扩大Gen AI的应用规模始终是一项艰巨的任务,只有透过拟定完善计划,并克服相关的障碍与困难,银行才能长期利用Gen AI的巨大潜力。