银行业具有业务复杂、监管密集、高度依赖海量数据和密集型文档处理的服务特征，格外适合开展人工智能（AI）创新，尤其在对公银行业务领域，不仅有利于优化现有流程，还可以从根本上推动服务交付模式重构。

近期安永全球机构的调查结果显示，业界尽管展示出浓厚的兴趣，并进行了大量实践，但仅少数银行实现了AI的规模化应用，而通过AI重塑运营模式或客户价值主张的银行则占比更低。究竟是哪些因素阻碍了AI部署？我们访谈了七家银行的业务负责人，并结合安永专家团队的领先实践，分享以下见解，帮助银行对公业务板块充分把握AI机遇。

1.释放AI巨大机遇：从优化效率到改善客户体验与重塑业务模式

对银行业而言，AI的真正价值不仅在于提升效率，更在于改善客户体验与重塑业务模式。受访银行高管普遍认为，AI技术的最大优势在于惠及客户。然而，目前银行业进行的AI尝试还主要围绕在后台流程增效，如知识管理、了解客户（KYC）和数据管理等。这些应用场景虽能显著降低成本，但不会带动收入增长。

AI之所以未在盈利能力较高的领域落地，原因有二：一是银行担忧AI会产生“幻觉”输出，二是当前以技术部门主导的AI部署，忽视了客户端的体验提升。《安永全球财资主管之声》报告指出，财资主管对银行提供的AI赋能服务持开放态度。90%的受访者表示，有兴趣引入AI财务顾问，针对财务问题提供建议；86%的受访者认为能提供定制化洞察的AI财资助手非常有价值。

因此，银行需不断拓展外部客户端应用场景，通过AI技术彻底重构运营模式和服务体系，为客户带来增值服务的同时，实现业务收入的增长。

2.调整为业务团队主导、技术团队赋能的新职能模式

在对公及商业银行业务领域，通常由技术团队负责AI项目实施。他们与运营、风控、财务以及业务团队合作，优先确定部署AI领域、监督AI落地，并衡量效益。但由于技术团队不参与客户端业务，从而更倾向于将AI部署在他们熟悉的后台运营领域。

正确的做法应是赋能业务团队主导AI议程，技术团队提供支持。在此基础上，首席执行官和高级管理层必须挺身而出，亲自主导或指定数字化转型负责人，自上而下制定AI战略，设定明确的预期目标，推动业务、技术与运营部门协同合作，最终彻底重构银行运营模式。

3.重视投资回报率

AI领域投资回报率的计算具有挑战性。与传统的IT采购及成本节约项目不同，AI投资的效益有时并不直接体现在财务层面。例如，某些AI应用场景可能有助于降低风险、深化洞察或丰富客户体验，但这方面的财务影响往往难以量化。也有银行反映，收益端可衡量，但投资端往往涉及流程改造与数据投入两方面，难以判断。例如，在借助AI推动贷款流程数字化的同时，银行也致力于重构客户旅程与获客模式，因此无法将改进成果单独归因于AI。

但投资回报率不可忽视，它有助于避免银行盲目投资，至少要做到粗略估算。针对AI领域投资回报率难以衡量的老问题，银行正在采取多样化的应对措施，包括：

1. 借助替代性指标辅助衡量，如通过粗略评估（如采用A/B测试）确定应用场景优先级；或将具体应用场景与AI规模化应用所需的基础数据、技术及人才投入等分别计量。
2. 划拨专项预算，用于实验性探索及能力建设。
3. 探索利用AI工具模拟未来表现，辅助计算投资回报率。

4.构建可复用的AI平台

面对AI应用压力，许多银行允许业务团队以最快的方式部署应用场景，不少银行为此采购了即用工具直接推广。这种方式虽立竿见影，但难以实现规模化。

为此，银行需构建跨场景具备可复用能力的AI平台，集成光学字符识别（OCR）、机器学习、检索增强生成（RAG）、向量数据库等相关能力，整合摘要生成、模型验证、风险监控等相关功能，从而有利于避免重复建设并同时满足多元底层系统维护需求，打破数据孤岛，实现AI规模化应用，并降低成本。

5.探索解决数据问题的现代化方法

银行每日通过各类系统处理数十亿量级的交易，因此数据收集、清洗及处理的工作量极其繁重。AI系统需要学习海量数据才能做出精准预测，这些数据均须满足高质量、多样化和相关性要求。而数据质量缺陷与碎片化，以及数据隐私与保护往往是银行AI部署的主要障碍。

应对这一挑战，多数银行的做法是投入人力，但这种方法存在局限性且成本高昂。因此，不少银行开始探索采用能提升数据质量的AI工具。例如，利用AI，协助整理和优化数据，理清数据间的关联，减轻银行的合规负担等。此外，银行还需持续评估是否需要加强数据科学、数据分析及数据安全领域的专业技能和人才储备。

6.根据自身情况，确定是使用云架构还是本地部署、是自建还是外购

随着AI应用的日益普及以及技术的逐渐成熟，银行业对算力的需求大幅增长，引发了关于采用云架构还是本地部署的讨论。

一些银行青睐云架构的可扩展性与灵活性，也有银行采用混合模式，即将云架构和安全可控的本地部署加以整合。实际上，银行采用的模式需要适配自身资源、AI战略目标和现有的云架构策略。

首先，银行需全面评估云架构和本地部署方案的风险与收益。随着云技术的持续进步，许多已知风险变得可控，云服务商的网络安全资质可能优于银行，而且可以将云基础设施加以隔离来降低数据泄露的风险。但另一方面，新型风险不断涌现，云服务商收费不断上涨，使既有认知中的云服务成本优势递减。可依赖的云供应商数量有限，也使银行对此持谨慎态度。

另外，银行还需持续评估并相应调整好自建与外购的比例。以适配不断变化的应用场景以及日趋成熟的供应商解决方案需求。最佳解决方案主要取决于三方面因素：一是第三方解决方案的成熟度，二是内部能力建设所需的专业知识储备，三是相关技术能否构成银行的竞争优势。

7.评估未来技能需求

AI的规模化应用亟需新技能助力。58%的受访银行表示，技术技能欠缺阻碍AI的商业价值转化。

对此，银行需要从两方面发力。一是提供有针对性的培训课程，推动员工队伍技能全面升级，提升员工应用AI工具的能力与信心；二是引入更多AI专才，如数据工程师、软件工程师、用户界面专家、网络安全人才等，规划清晰的职业发展路线，减少人才流失。

8.重新关注风险议题

随着生成式AI模型的规模化部署，风险管理将日趋复杂。《安永负责任人工智能调研》报告指出，三分之二的银行领导者将不可靠的AI输出列为主要或中度担忧，48%的受访银行担心AI生成的虚假信息被采信。银行对数据也存在担忧，担心AI模型中使用的个人数据或专有数据外泄。

银行首要任务是采用更加精细化的风险管理和治理框架，重构风险识别与缓释机制。其次，银行需要在AI应用程序设计初期引入风险团队，全面核查潜在威胁。第三，银行还需更新风险管理流程，探索安全使用AI技术，更好地管控风险。

结语

银行必须做出改变。率先推进战略化AI部署的银行将获得先发优势，不仅能够节约成本，还将提升客户体验并创新服务，最终实现收入增长。

但把握这一机遇绝非单纯仅靠技术投入，还需要组建强有力的领导层，并明确业务部门对AI部署的主导权，夯实基本动能。银行需构建具备可复用能力的AI平台，通过智能工具打破数据孤岛，不断强化技能根基，助力AI的规模化应用。与此同时，银行必须科学地在云架构策略、供应商模式、AI风险治理等复杂决策方面做出正确选择。

随着客户期望不断变化，竞争对手开始转型，银行业获取先发优势的窗口将逐步收窄。行业角逐已全面开启，以AI为核心重构对公银行业务的银行将成为市场赢家。

本文是为提供一般信息的用途所撰写，并非旨在成为可依赖的会计、税务、法律或其他专业意见。请向您的顾问获取具体意见。