为什么生成性人工智能是银行业的下一个真正平台转变

中级6/3/2025, 5:41:56 AM
这篇文章详细分析了全球银行业如何实际应用生成性人工智能,从内部生产力工具的低调部署、与客户面对面应用的谨慎实验,到一些开拓者的大胆创新实践。

*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

在非洲的金融服务行业,风险、信贷、合规和技术等领域的专业知识可以决定一家公司的表现。应对复杂的法规和整合新技术需要领导者了解金融产品的细微差别、利益相关者的期望和市场现实。没有这种深厚的知识,即使是资金充足的机构也面临可能导致投资者不安、增长停滞和客户信任受损的代价高昂的失误。

Triage 带来了作为银行和金融服务运营商的实践经验,以及与全球一些最大金融服务企业合作的国际经验。我们的团队与来自非洲超过 35 个国家的高级领导者合作,支持一系列增长和变革策略,服务于从早期创业公司到扩张企业,再到数字化转型和扭转局面的广泛客户。这种广泛的经验使我们能够识别出传递的专业知识与真正的能力之间的区别,确保您与真正理解在快速发展的金融服务世界中取得成功所需的领导者进行接触。

介绍

怀疑主义是看透资产负债表、最新的金融工程奇迹或必然成功故事所必需的……只有怀疑者才能分清那些听起来很好并且确实如此的事情与那些听起来很好但并非如此的事情。我所知道的最佳投资者都体现了这一特质。这是绝对必要的。- 霍华德·马克斯

作为金融行业的年轻人,培养适度的怀疑精神是非常重要的。在银行业尤其如此,因为最成功的银行是那些避免损失的,而不是那些追逐胜利的。这是一种消极的艺术。然而,怀疑精神并不等同于悲观。它仅仅意味着对什么是炒作、什么不是炒作有辨别能力。许多金融从业者面临的挑战是,他们陷入了为了社交信号显示自己聪明而怀疑的陷阱。

正如约翰·科利森或纳瓦尔·拉维坎特所说:“悲观者听起来聪明,乐观者赚钱”。怀疑的思维是有价值的。然而,要使其有价值,它必须与分析的严谨性相匹配,重要的是,当事实改变时,能够改变自己的想法。

这是当前生成性人工智能讨论中,尤其是在银行和金融领域的有用背景。特别需要明确提到生成性人工智能,而不是已经存在一段时间的机器学习,尤其是在银行部门。生成性人工智能是一种可以从大量数据中学习并创造新事物(如文本、图像、音频或视频)的智能。懒惰的怀疑主义导致许多人过早地称AI为炒作,而无节制的乐观可能会导致过早的投资。为了做出明智的AI决策,将AI放在上下文中是很重要的,特别是其经济背景。这意味着将AI分析为平台转变,并将其与其他平台转变进行历史比较。从历史背景来看,AI应该使银行家和金融行业做出正确的决策。

在今天的文章中,我们将了解什么是平台转变,回顾过去的平台转变及其对金融服务行业的影响,将人工智能作为平台转变放在其上下文中,看看全球银行和金融科技公司在人工智能方面的举措,并评估金融服务行业领导者的关键经验教训。

平台变革与金融服务

什么是平台转变

金融和其他行业一样,受到技术带来的变化的影响。无论是电报对基于分行的银行业务的影响,还是迷你计算机对自动取款机的影响,金融一直在适应平台的变革。在技术领域,平台变革是指基础技术架构的根本变化,这种变化由于基础成本结构的飞跃变化而使新能力得以实现。通常,这使得新的商业模式和创造价值的方式成为可能。关键是,某件事情的成本结构必须发生根本变化,即做某事的成本降低10倍以上,才能真正被视为平台变革。其关键特征可以描述为;

  • 基础架构变更:平台转变涉及技术结构和访问方式的根本变化,而不仅仅是对现有系统的改进。
  • 指数级成本效益提升:它们通常在成本、性能或能力方面提供数量级(10倍或更大)的提升,而不仅仅是增量收益。
  • 新的价值创造模型:平台转变使得全新的商业和价值创造模型得以实现,这些模型在以前并不可行。
  • 生态系统形成:它们孕育出丰富的互补产品、服务和业务生态系统。这往往是一种效果,而不是一个定义特征。
  • 市场干扰:平台的变革常常会扰乱现有行业,并创造全新的市场。
  • 民主化:他们通常使技术对更广泛的受众可及,能够吸引新的参与者。

我们将看看一些历史平台的变化,并重要地进行分析;

  1. 平台转变的全部内容;
  2. 其对成本结构的影响;
  3. 这一轮的获胜者以及他们如何利用这项技术;

1. 主机:集中计算(1950年代–1970年代初)

历史背景和主要特征
在1950年代之前,银行通过手工或电动机械制表机来保持账本。处理支票意味着一名职员输入一条项目,归档纸张,并在日结束时对账目进行核对。IBM的System / 360等大型计算机引入了存储程序计算、磁墨字符识别和批处理。第一次,一台机器可以每小时读取数万张支票,自动应用账户规则,并在夜间发布结果。

成本曲线
资本账单很高,几百万美元,但发布交易的边际成本相较于手工录入下降了大约一百比一。错误率大幅降低,截止窗口缩短,规模问题变成了软件问题,而不是人员问题。

赢家的故事
在二战后的美国,美国中产阶级蓬勃发展,尤其是对银行服务和支票的需求不断增长。在美国银行,支票账户的数量以每月23,000个账户的速度增长,银行不得不在下午2点之前关闭以处理支票。美国银行实施了电子记录机器会计(ERMA)系统于1959年投入使用。它每小时处理约36,000张支票(每秒约10张),而人类簿记员每小时仅处理约245张支票。它每年处理三季度的亿笔交易,使银行能够在不雇佣成千上万的文员的情况下扩展到加利福尼亚以外的地区。对于美国银行来说,通过大幅提高吞吐量(超过100倍更快),它大大降低了每张支票处理的成本,并扩展到服务更多客户。自动化后台任务使像美国银行这样的早期采用者获得了成本优势,推动了它们成为全国领先者的增长。

2. 小型计算机:部门自动化(1970年代–1980年代中期)

历史背景和关键特征
微型计算机的出现——比大型机更小、更便宜——使计算机的使用超越了财富500强企业。银行、经纪公司和服务提供商可以在部门或分支机构层面部署来自DEC、Data General、IBM的AS/400系列等厂商的迷你和中型系统。这个时代见证了电子网络和金融科技服务的诞生,它们可以在更便宜的基础设施上运行,从而使新的专业参与者得以涌现。

成本曲线
一个分支现在可以以主机计算机成本的一小部分拥有自己的计算能力。互动会话取代了批量报告,自动取款机等新渠道变得经济可行。微型计算机削减了计算成本。1970年代中期的微型计算机可能成本在数万美元,单个计算成本相比1960年代的主机降低了一个数量级。这种可承受性扩大了金融领域的信息技术采用。因此,到1980年代,甚至中型金融公司也在实现计算机化操作,带来了更快的服务和更低的单位成本。

赢家的故事


一台DEC迷你计算机 - 来源DEC

花旗银行购买了数百台Tandem NonStop和DEC迷你计算机,将它们联网到自动取款机,并在1977年推出了“花旗从不睡觉”的营销活动。当1978年暴风雪封锁纽约时,花旗的自动取款机仍然为客户提供服务,交易量跃升了20%,而该市的存款份额在三年内翻了一番。出纳成本大约为每次访问一美元,在自动取款机上降至约三十美分.

3. 客户端-服务器和关系数据库:分布式处理(1980年代末-1990年代)

历史背景和关键特征
在客户端-服务器时代之前,数据库位于计算机内部,结合了数据和界面。客户端-服务器时代带来了数据层和接口层的分离。存在一个客户端(PC)和一个服务器。Windows或Mac PC处理展示,中型服务器存储数据,SQL在它们之间通过局域网进行通信。现成的关系数据库意味着新的洞察:数百万行数据可以在几秒钟内查询,使得统计营销和风险模型成为可能。

成本曲线
低于$2,000的个人电脑和低于$100,000的Unix服务器让银行能够在几秒钟内查询数百万行数据。

赢家的故事
Capital One, 1994年从Signet Bank分拆出来,使用运行Oracle的客户端-服务器网格并行测试数千个信用卡优惠。它在个体层面定价风险,并在1997年将客户增长了40%,而传统公司则依赖于广泛的FICO等级。由于分析取代了统一定价,股本回报率始终超过20%。其他成功者包括查尔斯·施瓦布,他发现客户端-服务器时代可以使股票经纪业务民主化。

在非洲,尽管有稍许延迟,获奖者包括;

  1. 股权银行利用客户端-服务器架构和小型计算机,通过升级到Finacle(基于客户端-服务器的核心银行系统)来扩大其交易能力,同时利用相同的系统扩展其ATM网络。这最终演变为代理银行。他们从90年代的无足轻重变成了东非市场资本最大的银行;
  2. GT银行 - 使用客户端-服务器架构来改善分行的交易处理,从而提供更好的客户服务。在此之前,客户需要等待数小时才能处理简单的存款或取款。

4. 云 1.0:基础设施即服务(2006年–2010年代初)

来源:商业与金融杂志 - 科里森兄弟

历史背景和主要特征

互联网仍然要求公司拥有服务器。亚马逊网络服务将计算、存储和数据库变成了计量的公用事业。一个应用程序可以从十个用户扩展到一千万,而无需购买硬件。

成本曲线
开发者不再需要数百万的资本支出,而只需一张信用卡,每小时只需支付几分钱的计算费用。弹性容量意味着成本大致与使用量成比例,从而消除了大幅度的成本增加。这与关系数据库时代截然不同,那时你需要提前预估增长,导致了显著的前期资本支出。

赢家的故事
Stripe于2010年推出,四年后AWS于2006年推出,提供了一个可以在几分钟内上线的支付API。它的七行代码示例抽象化了商户承保、结算和合规。到2024年,Stripe处理了约US $1.4 万亿的支付量,这些交易量之前是由银行收单商和传统处理商处理的,而由于基于使用的云计费,其入驻成本仍然微不足道。API成为了一种新的价值创造形式,验证了云计算作为真正的平台转变。

5. 移动和云原生时代 (2010年代 – 2020年代)

来源: [itweb.co.za]

历史背景与关键特征
智能手机把互联网计算机、生物识别传感器和安全元件放进了每个口袋,将“分销”变成了应用商店的列表。除此之外,公共云平台(AWS, GCP, Azure)提供了银行级基础设施作为公用设施;微服务和CI/CD管道实现了每周甚至每天的功能发布。移动网络双重作为支付通道;二维码和虚拟账户取代了专用的POS硬件和分支网络。

成本曲线
在这个新框架中,客户提供了终端、带宽和认证;增量注册成本降至传统基于分支的客户或商户注册成本的一小部分。基于应用的交易费用降至1%以下,为低金额支付和免手续费账户打开了盈利的通道。

赢家与他们的战术手册

  • Nubank(巴西,成立于2013年)
    • 仅通过病毒式等待列表进行移动端获取;超过 2 000 个 AWS 微服务用于实时信用分析。
    • 每天部署代码数十次,推出功能的速度超过了监管机构批准传统银行涨价的速度。
    • 到2023年:拉丁美洲拥有1亿用户;为用户节省110亿美元的传统费用;在保持全球银行业最低成本收入比之一的同时,获得巴西卡市场的两位数份额。
    • 他们的收入增长速度是成本的两倍,预计到2028年将成为巴西最盈利的银行。
  • TymeBank(南非,成立于2019年)
    • 在AWS上的云核心;通过杂货连锁店(Pick n Pay,Boxer)内的生物识别自助服务终端实现即时无纸化KYC。
    • 没有自有分支机构,精简的技术团队;在应用内交叉销售储蓄、信贷和保险。
    • 到2024年:800万客户;已达到五年内盈利, 这表明物理分配可以外包,而核心仍然是纯数字的。
  • 其他例子包括像 Flutterwave、Stitch、MNT Halan、Paystack 和 Paymob 这样的公司。

他们为什么赢

  • 零基础设施分发;
  • 弹性经济学
  • 以开发者为先的界面;
  • 快速迭代周期;

综合来看,这些参与者展示了客户拥有的设备加上云原生架构如何创造结构性成本优势——并使速度而非传统规模成为非洲及全球银行业的决定性武器。

过去平台变革的关键经验教训

过去平台转变的一些关键教训

  1. 所有平台的转变使得金融服务以不同的方式进行。基本理念是特定问题的成本结构,无论是交易成本还是分发成本。
  2. 平台转变的受益者要么是迅速采用技术的银行(如美国银行、花旗银行),要么是理解转变所带来的机会的新进入者(如Stripe、Nubank);

生成性人工智能的背景

对我来说,过去的平台变革主要集中在成本和分配上,因为这些领域确实是特定于软件的,即确定性的。生成性人工智能可能不一定是一个成本和分配的问题。我的看法是,生成性人工智能将使提供定制关系的成本降低 10,000 倍。目前,银行和金融科技公司已经通过技术分配交易,这一趋势将会继续。几乎每个人都在手机上进行交易,分行的交易非常少。这适用于个人客户和企业客户。然而,进一步分配金融服务的瓶颈仍然是大规模实现关系银行。这是因为这仍然是人类的工作,因为关系管理是高语境且需要判断的。

生成AI可以以每位客户几分钱的成本提供优质的“关系银行”。今天,非洲的一名顶级客户经理每月服务约30位客户,成本大约为6,000美元,每位客户的费用约为300美元(包括间接费用)。将这项工作转移到AI上,成本可能降至仅仅几分钱,从而为大众市场解锁高接触的建议,并改变整个大陆的金融可达性。在我看来,这是下一个前沿,因为交易型金融科技已经得到了解决。

关系在银行业仍然重要——但它们将从人对人转变为人对AI。金钱对话常常伴随着羞愧;许多客户在银行家的目光下掩盖基本问题。一个无生命的、不知疲倦的AI降低了这种社会障碍,邀请坦诚和无尽的“愚蠢”问题。更大的诚实加上24/7的指导使AI成为一个强大且可扩展的关系管理者。

全球人工智能倡议

世界各国银行实际上是如何使用生成性人工智能的

如果去掉头条和炒作,问题依然存在:全球最大的银行实际上在生成性人工智能方面做了什么?不是未来的潜力,也不是供应商的推销。实际上已经部署了什么,在哪里?

在过去两年中,全球金融行业悄然进入了生成式人工智能时代。但出现的图景并不统一。这是内部工具的安静运用、谨慎的客户面对面实验,以及一些真正大胆的举措的混合,暗示银行可能会从内部进行重组。以下是我的概述;

内部优先,客户其后

如果有一个一致的主题,那就是:人工智能源于内部。

生成性人工智能的主要应用集中在内部生产力上——帮助员工用更少的资源完成更多工作的工具。从摩根大通的分析师助理解析股权研究,至摩根士丹利为财富管理者提供的GPT驱动工具, 早期的赌注在于赋能银行家,而不是取代他们。

高盛是为开发者构建副驾驶。花旗银行有人工智能摘要工具帮助员工处理备忘录和草拟电子邮件。渣打银行的“SC GPT”在70,000名员工中上线,帮助处理从提案写作到人力资源查询的所有事务。

考虑到我们生活在一个监管环境高度密切的时代,内部工具是合理的,因为银行可以进行实验并提升他们的人工智能技能,而不必担心任何监管违规。如果最近中央银行对Zap的行动有什么启示,那么宁可安全也不要后悔。

逐段分析:价值所在

不同的部门发展速度各异。在交易量方面,零售银行处于领先地位。在这方面,富国银行的法戈或美国银行的Erica, 由生成性人工智能驱动的聊天机器人现在每年处理数亿次交互。在欧洲,商业银行最近推出了 Ava, 自己的聊天机器人。

问题在于,其中一些实际上并没有使用生成式人工智能,而是依赖于机器学习。这文章很好地阐述了美国银行的Erica是如何运作的,实际上它是一种机械土耳其人。尽管如此,实验才是重要的。

在企业和投资银行领域,变化更加微妙。摩根大通的内部工具支持研究和销售团队,而不是客户。德意志银行正在使用人工智能来分析客户沟通记录。这不是客户服务——这是数据利用,帮助银行家更好、更快地理解和服务客户。

财富管理处于两者之间。摩根士丹利的人工智能不会直接与客户对话,但它确保顾问在会议中不会毫无准备。德意志银行和阿布扎比第一银行正在为其顶级客户试点面向客户的助手,旨在实时回答复杂的投资问题。

区域差异:谁在快速发展?


来源:显而易见的AI指数

北美如预期般处于领先地位。美国的银行;摩根大通、第一资本、富国银行、花旗银行和加拿大皇家银行已经将人工智能转变为生产力引擎。多亏了与OpenAI和微软的合作,他们获得了对尖端模型的早期访问。

欧洲更加谨慎。BBVA、德意志银行和汇丰银行正在内部测试工具,通常有更多的保护措施。GDPR的影响深远。和往常一样,欧洲更关注监管而非进步,这可能会让他们付出代价。

非洲和拉丁美洲处于早期阶段,但发展迅速。巴西的Nubank是一个突出例子,正与OpenAI合作在内部部署工具,并最终提供给客户。在南非,标准银行和Nedbank等银行正在风险、支持和开发方面进行内部AI试点。

中国:构建自己的人工智能技术栈

中国的银行不仅在使用人工智能——他们还在构建技术栈。

  • 中国工商银行推出志勇, 一个1000亿参数的大型语言模型,由内部团队构建。它已被调用超过十亿次,支持从文档分析到市场营销自动化的各种用例,覆盖200个商业领域。这不仅仅是内部工具,而是银行运营方式的基础性转变。
  • 蚂蚁集团推出了两个金融大型语言模型 -智小宝 2.0 (面向零售客户) 和Zhixiaozhu 1.0(针对金融专业人士)。前者旨在向支付宝的普通用户解释金融产品。后者帮助财富管理师总结市场报告并生成投资组合洞察。
  • 平安集团,我最喜欢的金融科技公司之一,融合了保险、银行和科技,正在更进一步。它构建了问问Bob, 一个为客户和关系经理设计的生成式人工智能助手。对于客户来说,AskBob可以用自然的中文回答投资和保险问题。对于顾问,它提取并总结客户历史、产品数据和市场材料,使每个代理商都成为数字增强的金融专家。平安的目标是通过人工智能重新定义金融咨询,不仅仅是回答问题,而是预见问题。

在中国,监管框架强烈鼓励数据本地化和模型透明度,这些机构正在走一条漫长的道路:构建能够在国内监管、语言和市场环境中蓬勃发展的定制训练AI。此外,中国拥有足够的人才密度,使得银行能够构建自己的基础模型,这一壮举在世界其他地方可能无法复制。

谁在提供支持?

一些大牌公司无处不在:微软(通过Azure OpenAI)无疑是最常见的平台。从摩根士丹利到渣打银行,所有人都在微软的安全沙箱中运行他们的模型。

谷歌的LLM也在发挥作用,富国银行使用Flan来驱动Fargo。在中国,主要是本土产品:DeepSeek、Hunyuan等。

一些银行,如:摩根大通、工商银行和平安,正在训练自己的模型。但大多数银行是在微调现有模型。拥有模型并不是重点,关键在于拥有数据层和协调能力。

全球不同AI倡议的概述

那又怎么样?

在一个高度监管的行业中,谨慎行事是很重要的,这就是为什么银行在将人工智能纳入决策过程中,而不是放在前线。然而,正如我们在其他平台转型中观察到的那样,果断和快速实验是至关重要的。监管永远不会领先于执行,停滞不前地等待监管的想法并不明智。我记得十多年前在一个没有这种监管的国家建立代理银行。一旦我们建立了它,我们就是向中央银行解释这一切的人。如果我在一家银行的董事会,我的问题将是“我们正在进行多少实验,产生了多少洞察?”

要真正衡量进展,您必须回归平台变革的基本原则。您的人工智能策略必须回答:

“我们的人工智能策略是否重建核心架构,降低成本100×,解锁新的价值模型,激发生态系统的联接,颠覆市场,并使访问民主化?”

逻辑很清晰,保持怀疑态度很重要,但逻辑和事实指向人工智能是一个新的平台转变。此外,逻辑和事实表明,过去的平台转变在金融市场上成语地改变了游戏规则。花旗在70年代和80年代的技术工作显著扩展了其零售业务。Capital One突然崛起,成为市场前十的银行,并在汽车贷款和抵押贷款等相关行业中成为重要参与者。在非洲,Equity Bank借助客户-服务器浪潮成为东非市值最大的银行。Access Bank、GT Bank和Capitec在各自的市场上也乘着同样的浪潮。

人工智能平台时代已经来临,它将创造赢家。关键是不要关注失败者,因为赢家在特定领域获得了显著的市场份额,例如Stripe在支付领域。这些初步的切入点导致了相邻领域的市场份额增加,比如Nubank利用信用卡在中小企业和零售银行业务中成为了一个重要参与者。

我认为,在人工智能时代的赢家将专注于关系的成本。这不再是一个交易游戏。这已经发生了。这是一个客户体验和关系游戏。这是金融服务领导者应该吸取的核心见解。如何以极少的成本在客户体验和关系银行业务上实现100倍的改善?我们如何作为一家银行利用智能来帮助您更好地管理您的财务、您的业务和您的生活?能够回答这些问题并付诸实践的参与者将是赢家。

免责声明:

  1. 本文转载自[前沿金融科技通讯]. 转发原文标题‘#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变革(免费阅读)’。所有版权归原作者所有 [ 玛丽·摩戈伊]. 如果对此次重印有异议,请联系Gate Learn团队,他们会及时处理。
  2. 免责声明:本文中表达的观点和意见仅代表作者个人,不构成任何投资建议。
  3. 本文的其他语言翻译由Gate Learn团队完成。除非另有说明,复制、分发或抄袭翻译文章是被禁止的。

为什么生成性人工智能是银行业的下一个真正平台转变

中级6/3/2025, 5:41:56 AM
这篇文章详细分析了全球银行业如何实际应用生成性人工智能,从内部生产力工具的低调部署、与客户面对面应用的谨慎实验,到一些开拓者的大胆创新实践。

*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

在非洲的金融服务行业,风险、信贷、合规和技术等领域的专业知识可以决定一家公司的表现。应对复杂的法规和整合新技术需要领导者了解金融产品的细微差别、利益相关者的期望和市场现实。没有这种深厚的知识,即使是资金充足的机构也面临可能导致投资者不安、增长停滞和客户信任受损的代价高昂的失误。

Triage 带来了作为银行和金融服务运营商的实践经验,以及与全球一些最大金融服务企业合作的国际经验。我们的团队与来自非洲超过 35 个国家的高级领导者合作,支持一系列增长和变革策略,服务于从早期创业公司到扩张企业,再到数字化转型和扭转局面的广泛客户。这种广泛的经验使我们能够识别出传递的专业知识与真正的能力之间的区别,确保您与真正理解在快速发展的金融服务世界中取得成功所需的领导者进行接触。

介绍

怀疑主义是看透资产负债表、最新的金融工程奇迹或必然成功故事所必需的……只有怀疑者才能分清那些听起来很好并且确实如此的事情与那些听起来很好但并非如此的事情。我所知道的最佳投资者都体现了这一特质。这是绝对必要的。- 霍华德·马克斯

作为金融行业的年轻人,培养适度的怀疑精神是非常重要的。在银行业尤其如此,因为最成功的银行是那些避免损失的,而不是那些追逐胜利的。这是一种消极的艺术。然而,怀疑精神并不等同于悲观。它仅仅意味着对什么是炒作、什么不是炒作有辨别能力。许多金融从业者面临的挑战是,他们陷入了为了社交信号显示自己聪明而怀疑的陷阱。

正如约翰·科利森或纳瓦尔·拉维坎特所说:“悲观者听起来聪明,乐观者赚钱”。怀疑的思维是有价值的。然而,要使其有价值,它必须与分析的严谨性相匹配,重要的是,当事实改变时,能够改变自己的想法。

这是当前生成性人工智能讨论中,尤其是在银行和金融领域的有用背景。特别需要明确提到生成性人工智能,而不是已经存在一段时间的机器学习,尤其是在银行部门。生成性人工智能是一种可以从大量数据中学习并创造新事物(如文本、图像、音频或视频)的智能。懒惰的怀疑主义导致许多人过早地称AI为炒作,而无节制的乐观可能会导致过早的投资。为了做出明智的AI决策,将AI放在上下文中是很重要的,特别是其经济背景。这意味着将AI分析为平台转变,并将其与其他平台转变进行历史比较。从历史背景来看,AI应该使银行家和金融行业做出正确的决策。

在今天的文章中,我们将了解什么是平台转变,回顾过去的平台转变及其对金融服务行业的影响,将人工智能作为平台转变放在其上下文中,看看全球银行和金融科技公司在人工智能方面的举措,并评估金融服务行业领导者的关键经验教训。

平台变革与金融服务

什么是平台转变

金融和其他行业一样,受到技术带来的变化的影响。无论是电报对基于分行的银行业务的影响,还是迷你计算机对自动取款机的影响,金融一直在适应平台的变革。在技术领域,平台变革是指基础技术架构的根本变化,这种变化由于基础成本结构的飞跃变化而使新能力得以实现。通常,这使得新的商业模式和创造价值的方式成为可能。关键是,某件事情的成本结构必须发生根本变化,即做某事的成本降低10倍以上,才能真正被视为平台变革。其关键特征可以描述为;

  • 基础架构变更:平台转变涉及技术结构和访问方式的根本变化,而不仅仅是对现有系统的改进。
  • 指数级成本效益提升:它们通常在成本、性能或能力方面提供数量级(10倍或更大)的提升,而不仅仅是增量收益。
  • 新的价值创造模型:平台转变使得全新的商业和价值创造模型得以实现,这些模型在以前并不可行。
  • 生态系统形成:它们孕育出丰富的互补产品、服务和业务生态系统。这往往是一种效果,而不是一个定义特征。
  • 市场干扰:平台的变革常常会扰乱现有行业,并创造全新的市场。
  • 民主化:他们通常使技术对更广泛的受众可及,能够吸引新的参与者。

我们将看看一些历史平台的变化,并重要地进行分析;

  1. 平台转变的全部内容;
  2. 其对成本结构的影响;
  3. 这一轮的获胜者以及他们如何利用这项技术;

1. 主机:集中计算(1950年代–1970年代初)

历史背景和主要特征
在1950年代之前,银行通过手工或电动机械制表机来保持账本。处理支票意味着一名职员输入一条项目,归档纸张,并在日结束时对账目进行核对。IBM的System / 360等大型计算机引入了存储程序计算、磁墨字符识别和批处理。第一次,一台机器可以每小时读取数万张支票,自动应用账户规则,并在夜间发布结果。

成本曲线
资本账单很高,几百万美元,但发布交易的边际成本相较于手工录入下降了大约一百比一。错误率大幅降低,截止窗口缩短,规模问题变成了软件问题,而不是人员问题。

赢家的故事
在二战后的美国,美国中产阶级蓬勃发展,尤其是对银行服务和支票的需求不断增长。在美国银行,支票账户的数量以每月23,000个账户的速度增长,银行不得不在下午2点之前关闭以处理支票。美国银行实施了电子记录机器会计(ERMA)系统于1959年投入使用。它每小时处理约36,000张支票(每秒约10张),而人类簿记员每小时仅处理约245张支票。它每年处理三季度的亿笔交易,使银行能够在不雇佣成千上万的文员的情况下扩展到加利福尼亚以外的地区。对于美国银行来说,通过大幅提高吞吐量(超过100倍更快),它大大降低了每张支票处理的成本,并扩展到服务更多客户。自动化后台任务使像美国银行这样的早期采用者获得了成本优势,推动了它们成为全国领先者的增长。

2. 小型计算机:部门自动化(1970年代–1980年代中期)

历史背景和关键特征
微型计算机的出现——比大型机更小、更便宜——使计算机的使用超越了财富500强企业。银行、经纪公司和服务提供商可以在部门或分支机构层面部署来自DEC、Data General、IBM的AS/400系列等厂商的迷你和中型系统。这个时代见证了电子网络和金融科技服务的诞生,它们可以在更便宜的基础设施上运行,从而使新的专业参与者得以涌现。

成本曲线
一个分支现在可以以主机计算机成本的一小部分拥有自己的计算能力。互动会话取代了批量报告,自动取款机等新渠道变得经济可行。微型计算机削减了计算成本。1970年代中期的微型计算机可能成本在数万美元,单个计算成本相比1960年代的主机降低了一个数量级。这种可承受性扩大了金融领域的信息技术采用。因此,到1980年代,甚至中型金融公司也在实现计算机化操作,带来了更快的服务和更低的单位成本。

赢家的故事


一台DEC迷你计算机 - 来源DEC

花旗银行购买了数百台Tandem NonStop和DEC迷你计算机,将它们联网到自动取款机,并在1977年推出了“花旗从不睡觉”的营销活动。当1978年暴风雪封锁纽约时,花旗的自动取款机仍然为客户提供服务,交易量跃升了20%,而该市的存款份额在三年内翻了一番。出纳成本大约为每次访问一美元,在自动取款机上降至约三十美分.

3. 客户端-服务器和关系数据库:分布式处理(1980年代末-1990年代)

历史背景和关键特征
在客户端-服务器时代之前,数据库位于计算机内部,结合了数据和界面。客户端-服务器时代带来了数据层和接口层的分离。存在一个客户端(PC)和一个服务器。Windows或Mac PC处理展示,中型服务器存储数据,SQL在它们之间通过局域网进行通信。现成的关系数据库意味着新的洞察:数百万行数据可以在几秒钟内查询,使得统计营销和风险模型成为可能。

成本曲线
低于$2,000的个人电脑和低于$100,000的Unix服务器让银行能够在几秒钟内查询数百万行数据。

赢家的故事
Capital One, 1994年从Signet Bank分拆出来,使用运行Oracle的客户端-服务器网格并行测试数千个信用卡优惠。它在个体层面定价风险,并在1997年将客户增长了40%,而传统公司则依赖于广泛的FICO等级。由于分析取代了统一定价,股本回报率始终超过20%。其他成功者包括查尔斯·施瓦布,他发现客户端-服务器时代可以使股票经纪业务民主化。

在非洲,尽管有稍许延迟,获奖者包括;

  1. 股权银行利用客户端-服务器架构和小型计算机,通过升级到Finacle(基于客户端-服务器的核心银行系统)来扩大其交易能力,同时利用相同的系统扩展其ATM网络。这最终演变为代理银行。他们从90年代的无足轻重变成了东非市场资本最大的银行;
  2. GT银行 - 使用客户端-服务器架构来改善分行的交易处理,从而提供更好的客户服务。在此之前,客户需要等待数小时才能处理简单的存款或取款。

4. 云 1.0:基础设施即服务(2006年–2010年代初)

来源:商业与金融杂志 - 科里森兄弟

历史背景和主要特征

互联网仍然要求公司拥有服务器。亚马逊网络服务将计算、存储和数据库变成了计量的公用事业。一个应用程序可以从十个用户扩展到一千万,而无需购买硬件。

成本曲线
开发者不再需要数百万的资本支出,而只需一张信用卡,每小时只需支付几分钱的计算费用。弹性容量意味着成本大致与使用量成比例,从而消除了大幅度的成本增加。这与关系数据库时代截然不同,那时你需要提前预估增长,导致了显著的前期资本支出。

赢家的故事
Stripe于2010年推出,四年后AWS于2006年推出,提供了一个可以在几分钟内上线的支付API。它的七行代码示例抽象化了商户承保、结算和合规。到2024年,Stripe处理了约US $1.4 万亿的支付量,这些交易量之前是由银行收单商和传统处理商处理的,而由于基于使用的云计费,其入驻成本仍然微不足道。API成为了一种新的价值创造形式,验证了云计算作为真正的平台转变。

5. 移动和云原生时代 (2010年代 – 2020年代)

来源: [itweb.co.za]

历史背景与关键特征
智能手机把互联网计算机、生物识别传感器和安全元件放进了每个口袋,将“分销”变成了应用商店的列表。除此之外,公共云平台(AWS, GCP, Azure)提供了银行级基础设施作为公用设施;微服务和CI/CD管道实现了每周甚至每天的功能发布。移动网络双重作为支付通道;二维码和虚拟账户取代了专用的POS硬件和分支网络。

成本曲线
在这个新框架中,客户提供了终端、带宽和认证;增量注册成本降至传统基于分支的客户或商户注册成本的一小部分。基于应用的交易费用降至1%以下,为低金额支付和免手续费账户打开了盈利的通道。

赢家与他们的战术手册

  • Nubank(巴西,成立于2013年)
    • 仅通过病毒式等待列表进行移动端获取;超过 2 000 个 AWS 微服务用于实时信用分析。
    • 每天部署代码数十次,推出功能的速度超过了监管机构批准传统银行涨价的速度。
    • 到2023年:拉丁美洲拥有1亿用户;为用户节省110亿美元的传统费用;在保持全球银行业最低成本收入比之一的同时,获得巴西卡市场的两位数份额。
    • 他们的收入增长速度是成本的两倍,预计到2028年将成为巴西最盈利的银行。
  • TymeBank(南非,成立于2019年)
    • 在AWS上的云核心;通过杂货连锁店(Pick n Pay,Boxer)内的生物识别自助服务终端实现即时无纸化KYC。
    • 没有自有分支机构,精简的技术团队;在应用内交叉销售储蓄、信贷和保险。
    • 到2024年:800万客户;已达到五年内盈利, 这表明物理分配可以外包,而核心仍然是纯数字的。
  • 其他例子包括像 Flutterwave、Stitch、MNT Halan、Paystack 和 Paymob 这样的公司。

他们为什么赢

  • 零基础设施分发;
  • 弹性经济学
  • 以开发者为先的界面;
  • 快速迭代周期;

综合来看,这些参与者展示了客户拥有的设备加上云原生架构如何创造结构性成本优势——并使速度而非传统规模成为非洲及全球银行业的决定性武器。

过去平台变革的关键经验教训

过去平台转变的一些关键教训

  1. 所有平台的转变使得金融服务以不同的方式进行。基本理念是特定问题的成本结构,无论是交易成本还是分发成本。
  2. 平台转变的受益者要么是迅速采用技术的银行(如美国银行、花旗银行),要么是理解转变所带来的机会的新进入者(如Stripe、Nubank);

生成性人工智能的背景

对我来说,过去的平台变革主要集中在成本和分配上,因为这些领域确实是特定于软件的,即确定性的。生成性人工智能可能不一定是一个成本和分配的问题。我的看法是,生成性人工智能将使提供定制关系的成本降低 10,000 倍。目前,银行和金融科技公司已经通过技术分配交易,这一趋势将会继续。几乎每个人都在手机上进行交易,分行的交易非常少。这适用于个人客户和企业客户。然而,进一步分配金融服务的瓶颈仍然是大规模实现关系银行。这是因为这仍然是人类的工作,因为关系管理是高语境且需要判断的。

生成AI可以以每位客户几分钱的成本提供优质的“关系银行”。今天,非洲的一名顶级客户经理每月服务约30位客户,成本大约为6,000美元,每位客户的费用约为300美元(包括间接费用)。将这项工作转移到AI上,成本可能降至仅仅几分钱,从而为大众市场解锁高接触的建议,并改变整个大陆的金融可达性。在我看来,这是下一个前沿,因为交易型金融科技已经得到了解决。

关系在银行业仍然重要——但它们将从人对人转变为人对AI。金钱对话常常伴随着羞愧;许多客户在银行家的目光下掩盖基本问题。一个无生命的、不知疲倦的AI降低了这种社会障碍,邀请坦诚和无尽的“愚蠢”问题。更大的诚实加上24/7的指导使AI成为一个强大且可扩展的关系管理者。

全球人工智能倡议

世界各国银行实际上是如何使用生成性人工智能的

如果去掉头条和炒作,问题依然存在:全球最大的银行实际上在生成性人工智能方面做了什么?不是未来的潜力,也不是供应商的推销。实际上已经部署了什么,在哪里?

在过去两年中,全球金融行业悄然进入了生成式人工智能时代。但出现的图景并不统一。这是内部工具的安静运用、谨慎的客户面对面实验,以及一些真正大胆的举措的混合,暗示银行可能会从内部进行重组。以下是我的概述;

内部优先,客户其后

如果有一个一致的主题,那就是:人工智能源于内部。

生成性人工智能的主要应用集中在内部生产力上——帮助员工用更少的资源完成更多工作的工具。从摩根大通的分析师助理解析股权研究,至摩根士丹利为财富管理者提供的GPT驱动工具, 早期的赌注在于赋能银行家,而不是取代他们。

高盛是为开发者构建副驾驶。花旗银行有人工智能摘要工具帮助员工处理备忘录和草拟电子邮件。渣打银行的“SC GPT”在70,000名员工中上线,帮助处理从提案写作到人力资源查询的所有事务。

考虑到我们生活在一个监管环境高度密切的时代,内部工具是合理的,因为银行可以进行实验并提升他们的人工智能技能,而不必担心任何监管违规。如果最近中央银行对Zap的行动有什么启示,那么宁可安全也不要后悔。

逐段分析:价值所在

不同的部门发展速度各异。在交易量方面,零售银行处于领先地位。在这方面,富国银行的法戈或美国银行的Erica, 由生成性人工智能驱动的聊天机器人现在每年处理数亿次交互。在欧洲,商业银行最近推出了 Ava, 自己的聊天机器人。

问题在于,其中一些实际上并没有使用生成式人工智能,而是依赖于机器学习。这文章很好地阐述了美国银行的Erica是如何运作的,实际上它是一种机械土耳其人。尽管如此,实验才是重要的。

在企业和投资银行领域,变化更加微妙。摩根大通的内部工具支持研究和销售团队,而不是客户。德意志银行正在使用人工智能来分析客户沟通记录。这不是客户服务——这是数据利用,帮助银行家更好、更快地理解和服务客户。

财富管理处于两者之间。摩根士丹利的人工智能不会直接与客户对话,但它确保顾问在会议中不会毫无准备。德意志银行和阿布扎比第一银行正在为其顶级客户试点面向客户的助手,旨在实时回答复杂的投资问题。

区域差异:谁在快速发展?


来源:显而易见的AI指数

北美如预期般处于领先地位。美国的银行;摩根大通、第一资本、富国银行、花旗银行和加拿大皇家银行已经将人工智能转变为生产力引擎。多亏了与OpenAI和微软的合作,他们获得了对尖端模型的早期访问。

欧洲更加谨慎。BBVA、德意志银行和汇丰银行正在内部测试工具,通常有更多的保护措施。GDPR的影响深远。和往常一样,欧洲更关注监管而非进步,这可能会让他们付出代价。

非洲和拉丁美洲处于早期阶段,但发展迅速。巴西的Nubank是一个突出例子,正与OpenAI合作在内部部署工具,并最终提供给客户。在南非,标准银行和Nedbank等银行正在风险、支持和开发方面进行内部AI试点。

中国:构建自己的人工智能技术栈

中国的银行不仅在使用人工智能——他们还在构建技术栈。

  • 中国工商银行推出志勇, 一个1000亿参数的大型语言模型,由内部团队构建。它已被调用超过十亿次,支持从文档分析到市场营销自动化的各种用例,覆盖200个商业领域。这不仅仅是内部工具,而是银行运营方式的基础性转变。
  • 蚂蚁集团推出了两个金融大型语言模型 -智小宝 2.0 (面向零售客户) 和Zhixiaozhu 1.0(针对金融专业人士)。前者旨在向支付宝的普通用户解释金融产品。后者帮助财富管理师总结市场报告并生成投资组合洞察。
  • 平安集团,我最喜欢的金融科技公司之一,融合了保险、银行和科技,正在更进一步。它构建了问问Bob, 一个为客户和关系经理设计的生成式人工智能助手。对于客户来说,AskBob可以用自然的中文回答投资和保险问题。对于顾问,它提取并总结客户历史、产品数据和市场材料,使每个代理商都成为数字增强的金融专家。平安的目标是通过人工智能重新定义金融咨询,不仅仅是回答问题,而是预见问题。

在中国,监管框架强烈鼓励数据本地化和模型透明度,这些机构正在走一条漫长的道路:构建能够在国内监管、语言和市场环境中蓬勃发展的定制训练AI。此外,中国拥有足够的人才密度,使得银行能够构建自己的基础模型,这一壮举在世界其他地方可能无法复制。

谁在提供支持?

一些大牌公司无处不在:微软(通过Azure OpenAI)无疑是最常见的平台。从摩根士丹利到渣打银行,所有人都在微软的安全沙箱中运行他们的模型。

谷歌的LLM也在发挥作用,富国银行使用Flan来驱动Fargo。在中国,主要是本土产品:DeepSeek、Hunyuan等。

一些银行,如:摩根大通、工商银行和平安,正在训练自己的模型。但大多数银行是在微调现有模型。拥有模型并不是重点,关键在于拥有数据层和协调能力。

全球不同AI倡议的概述

那又怎么样?

在一个高度监管的行业中,谨慎行事是很重要的,这就是为什么银行在将人工智能纳入决策过程中,而不是放在前线。然而,正如我们在其他平台转型中观察到的那样,果断和快速实验是至关重要的。监管永远不会领先于执行,停滞不前地等待监管的想法并不明智。我记得十多年前在一个没有这种监管的国家建立代理银行。一旦我们建立了它,我们就是向中央银行解释这一切的人。如果我在一家银行的董事会,我的问题将是“我们正在进行多少实验,产生了多少洞察?”

要真正衡量进展,您必须回归平台变革的基本原则。您的人工智能策略必须回答:

“我们的人工智能策略是否重建核心架构,降低成本100×,解锁新的价值模型,激发生态系统的联接,颠覆市场,并使访问民主化?”

逻辑很清晰,保持怀疑态度很重要,但逻辑和事实指向人工智能是一个新的平台转变。此外,逻辑和事实表明,过去的平台转变在金融市场上成语地改变了游戏规则。花旗在70年代和80年代的技术工作显著扩展了其零售业务。Capital One突然崛起,成为市场前十的银行,并在汽车贷款和抵押贷款等相关行业中成为重要参与者。在非洲,Equity Bank借助客户-服务器浪潮成为东非市值最大的银行。Access Bank、GT Bank和Capitec在各自的市场上也乘着同样的浪潮。

人工智能平台时代已经来临,它将创造赢家。关键是不要关注失败者,因为赢家在特定领域获得了显著的市场份额,例如Stripe在支付领域。这些初步的切入点导致了相邻领域的市场份额增加,比如Nubank利用信用卡在中小企业和零售银行业务中成为了一个重要参与者。

我认为,在人工智能时代的赢家将专注于关系的成本。这不再是一个交易游戏。这已经发生了。这是一个客户体验和关系游戏。这是金融服务领导者应该吸取的核心见解。如何以极少的成本在客户体验和关系银行业务上实现100倍的改善?我们如何作为一家银行利用智能来帮助您更好地管理您的财务、您的业务和您的生活?能够回答这些问题并付诸实践的参与者将是赢家。

免责声明:

  1. 本文转载自[前沿金融科技通讯]. 转发原文标题‘#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变革(免费阅读)’。所有版权归原作者所有 [ 玛丽·摩戈伊]. 如果对此次重印有异议,请联系Gate Learn团队,他们会及时处理。
  2. 免责声明:本文中表达的观点和意见仅代表作者个人,不构成任何投资建议。
  3. 本文的其他语言翻译由Gate Learn团队完成。除非另有说明,复制、分发或抄袭翻译文章是被禁止的。
即刻开始交易
注册并交易即可获得
$100
和价值
$5500
理财体验金奖励!