Если отбросить главные новости и шумиху, суть проблемы заключается в следующем: как крупнейшие банки мира на самом деле используют генеративный ИИ? Не в будущем потенциале, не в рекламе поставщиков, а где уже реализованы реальные приложения?
За последние два года глобальная финансовая индустрия незаметно вошла в эпоху генеративного ИИ. Однако этот процесс не является единым, а представляет собой различные подходы: тихое развертывание внутренних инструментов, осторожные эксперименты с клиентами и несколько смелых инноваций постепенно перестраивают внутреннюю структуру банковской сферы.
Начните изнутри, затем постепенно расширяйтесь.
Применение ИИ имеет одну общую черту: оно начинается с инструментов производительности внутри компании.
Основные приложения генеративного ИИ сосредоточены на повышении внутренней производительности — эти инструменты помогают сотрудникам выполнять больше работы с меньшими ресурсами. От помощника аналитика JPMorgan, который анализирует исследования акций, до GPT-ориентированных инструментов, поддерживающих консультантов по управлению активами в Morgan Stanley, ранний акцент был сделан на расширении возможностей банковских работников, а не на их замене.
Goldman Sachs разрабатывает AI-ассистента для разработчиков; инструмент AI-сводки Citi помогает сотрудникам обрабатывать заметки и писать электронные письма; "SC GPT" от Standard Chartered уже запущен среди 70 000 сотрудников для решения различных вопросов, от написания предложений до вопросов управления человеческими ресурсами.
Учитывая, что мы находимся в высокорегулируемой среде, развертывание внутренних инструментов кажется особенно разумным. Это позволяет банкам проводить эксперименты и повышать свои AI-возможности, не нарушая регуляторные границы. Если обратиться к недавним действиям CBN (Центрального банка Нигерии) против Zap, то "осторожность - лучший выбор" явно является более разумным решением.
Наблюдение за бизнес-линией: где ценность?
Прогресс применения ИИ в различных отделах различен. В разных бизнес-отделах наблюдаются различия в скорости внедрения генеративного ИИ. В частности, розничные банки занимают лидирующие позиции по объему транзакций. В этой области чат-боты, такие как Fargo от Wells Fargo и Erica от Bank of America, которые управляются генеративным ИИ, обрабатывают сотни миллионов взаимодействий ежегодно. В Европе Commerzbank недавно запустил своего чат-бота Ava.
Однако проблема в том, что некоторые из этих инструментов на самом деле не используют генеративный ИИ, а полагаются на традиционные технологии машинного обучения. Например, Erica от Bank of America работает больше как "механический турок" (Mechanical Turk, что означает создание иллюзии автоматизации с помощью человеческого труда). Тем не менее, важно то, что сами эксперименты имеют значение, а не технологическая маркировка.
В сфере корпоративного и инвестиционного банкинга трансформация становится более скрытой. Внутренние инструменты JPMorgan в основном поддерживают исследовательские и торговые команды, а не ориентированы непосредственно на клиентов. Deutsche Bank использует искусственный интеллект для анализа журналов клиентских коммуникаций, что не является обслуживанием клиентов, а представляет собой расширение возможностей данных, помогая банкирам быстрее и лучше понимать и обслуживать клиентов.
Управление активами находится между двумя этими подходами. AI-инструменты Morgan Stanley не общаются напрямую с клиентами, но обеспечивают возможность консультантам хорошо подготовиться к каждой встрече. Deutsche Bank и First Abu Dhabi Bank проводят пилотные проекты помощников для ведущих клиентов, целью которых является предоставление ответов на сложные инвестиционные вопросы в реальном времени.
Региональные различия: кто впереди?
Источник: Evident AI Index
Североамериканский регион, как и ожидалось, занимает лидирующие позиции. Банки США, такие как JPMorgan, Capital One, Wells Fargo, Citi и Royal Bank of Canada (RBC), преобразовали ИИ в двигатель производительности. Благодаря сотрудничеству с OpenAI и Microsoft они первыми получили доступ к самым передовым моделям ИИ.
Европа более осторожна. Испанский банк BBVA, Deutsche Bank и HSBC проводят внутренние тестирования инструментов ИИ и устанавливают больше мер безопасности. Европейское общее регулирование по защите данных (GDPR) оказывает на это глубокое влияние. Как и прежде, Европа больше сосредоточена на регулировании, чем на технологическом прогрессе, что может обойтись ей дорого.
Африка и Латинская Америка все еще находятся на ранних стадиях развития ИИ, но прогресс идет быстрыми темпами. Бразильский Nubank является выдающимся брендом, сотрудничающим с OpenAI для развертывания инструментов искусственного интеллекта на месте и в конечном итоге расширения обслуживания клиентов. В Южной Африке Standard Bank и Nedbank проводят пилотные проекты в области искусственного интеллекта, охватывающие контроль рисков, услуги поддержки и разработки.
Китай: создание автономного стека технологий ИИ
Китайские банки не только используют ИИ, но и строят стек технологий ИИ.
Китайский промышленно-торговый банк (ICBC) запустил «智涌», крупную языковую модель с 1000 миллиардами параметров, разработанную внутренними силами. Эта модель была вызвана более миллиарда раз и поддерживает 200 бизнес-сценариев, от анализа документов до автоматизации маркетинга. Это не просто применение внутренних инструментов, но и основополагающее изменение в методах работы банка.
Ant Group запустила две крупные языковые модели в финансовом секторе: Zhixiaobao 2.0 и Zhixiaozhu 1.0. Первый ориентирован на обычных пользователей Alipay и направлен на разъяснение финансовых продуктов; Последний поддерживает консультантов по управлению активами, обобщая рыночные отчеты и генерируя аналитические сведения о портфеле.
Ping An Group, финтех-гигант, объединяющий страхование, банковское дело и технологии, пошел еще дальше. Компания разработала AskBob, генеративного помощника с искусственным интеллектом, который обслуживает как клиентов, так и менеджеров по работе с клиентами. Для клиентов AskBob может ответить на вопросы об инвестициях и страховании на естественном китайском языке; Для консультантов он извлекает и обобщает историю клиентов, данные о продуктах и маркетинговые материалы, превращая каждого агента в финансового эксперта с цифровыми технологиями. Цель Ping An — переосмыслить финансовый консалтинг с помощью искусственного интеллекта, чтобы не только отвечать на вопросы, но и заранее предвосхищать спрос.
В Китае регуляторная среда сильно поощряет локализацию данных и прозрачность моделей, и эти учреждения выбрали более долгосрочный путь: создание специализированного ИИ, способного адаптироваться к внутренним регуляторным требованиям, языковым и рыночным условиям. Кроме того, в Китае достаточно высокая плотность талантов, что позволяет банкам самостоятельно разрабатывать базовые модели, что может быть уникальным достижением на мировом уровне.
Кто предоставляет техническую поддержку?
Некоторые известные компании часто появляются на глобальной арене: Microsoft стала наиболее распространенной платформой благодаря Azure OpenAI. От Morgan Stanley до Standard Chartered многие банки запускают свои модели в безопасной песочнице Microsoft.
LLM (большая языковая модель) от Google также используется, например, Wells Fargo использует Flan. В Китае в основном полагаются на местные технологии, такие как DeepSeek, Hunyuan и другие.
Некоторые банки, такие как JPMorgan Chase, Китайский промышленно-торговый банк и группа Ping An, обучают свои собственные модели. Однако большинство банков настраивают существующие модели. Ключевым моментом является не обладание самой моделью, а контроль над слоем данных и согласованной работой модели.
Разнообразные исследования применения ИИ в мире
Оригинальное изображение см. в оригинале, перевод: Shenchao TechFlow
И что с того?
В строго регулируемой отрасли осторожность имеет решающее значение, поэтому банки используют искусственный интеллект, а не находятся непосредственно на передовой. Однако, как мы уже отмечали на примере других изменений платформы, решающее решение и быстрое экспериментирование являются ключевыми факторами. Регулирование никогда не опережает правоприменение, и неразумно ждать, пока регулирование вступит в силу, прежде чем экспериментировать с ИИ. Я помню, как более десяти лет назад я основал агентский банкинг в стране, где не было регулирования. Как только мы закончим, мы станем теми, кто объясняет бизнес центральному банку. Если бы я был членом совета директоров банка, я бы спросил: «Сколько экспериментов мы проводим?» Сколько инсайтов мы генерируем? ”
Чтобы действительно оценить прогресс, необходимо вернуться к основным принципам трансформации платформы. Ваша стратегия ИИ должна ответить на следующие вопросы:
"Перестроила ли наша AI стратегия основную архитектуру? Уменьшила ли она затраты в 100 раз? Открыла ли она новые модели ценности? Вдохновила ли она связь в экосистеме? Уничтожила ли она рынок? Реализовала ли она демократизацию доступа?"
Логика ясна – скептицизм необходим, но и логика, и факты говорят о том, что ИИ – это новое изменение платформы. Кроме того, логика и факты также показывают, что прошлые изменения платформ часто приводили к революционным изменениям на финансовых рынках. Ситибанк, например, значительно расширил свой розничный бизнес с применением технологий в 70-х и 80-х годах. Capital One вырос с нуля и стал одним из 10 лучших банков на рынке и имеет сильное присутствие в смежных отраслях, таких как автокредитование и ипотека. В Африке Equity Bank воспользовался волной клиент-серверных технологий и стал крупнейшим банком в Восточной Африке по рыночной капитализации. Аналогичным образом, Access Bank, GT Bank и Capitec подхватили волну на своих рынках.
Эра AI-платформ уже пришла, и она создаст победителей. Основное внимание не на неудачниках, а на том, как победители занимают значительную долю рынка в определенных областях. Например, успех Stripe в области платежей является典型ным примером. Эти ранние прорывы часто приводят к росту доли рынка в смежных областях, например, Nubank стал важным игроком в области кредитных карт для малого и среднего бизнеса и розничного банковского дела.
Моя точка зрения заключается в том, что победители эпохи ИИ будут сосредоточены на затратах на отношения. Это уже не просто игра на сделках. Сделки уже произошли, теперь это игра на клиентском опыте и управлении отношениями. Это центральное понимание, на которое должны обратить внимание лидеры финансовых услуг. Как достичь 100-кратного улучшения клиентского опыта и банковских отношений с минимальными затратами? Как банк может использовать интеллектуальные технологии, чтобы лучше помочь клиентам управлять их финансами, бизнесом и жизнью? Игроки, которые смогут ответить на эти вопросы и реализовать их, станут окончательными победителями.
Посмотреть Оригинал
Содержание носит исключительно справочный характер и не является предложением или офертой. Консультации по инвестициям, налогообложению или юридическим вопросам не предоставляются. Более подробную информацию о рисках см. в разделе «Дисклеймер».
Крупнейшие банки США и Китая принимают генеративный ИИ
Автор: Самора Карюки
Компиляция: Shenchao TechFlow
Глобальная волна ИИ
Как банки на практике используют генеративный ИИ?
Если отбросить главные новости и шумиху, суть проблемы заключается в следующем: как крупнейшие банки мира на самом деле используют генеративный ИИ? Не в будущем потенциале, не в рекламе поставщиков, а где уже реализованы реальные приложения?
За последние два года глобальная финансовая индустрия незаметно вошла в эпоху генеративного ИИ. Однако этот процесс не является единым, а представляет собой различные подходы: тихое развертывание внутренних инструментов, осторожные эксперименты с клиентами и несколько смелых инноваций постепенно перестраивают внутреннюю структуру банковской сферы.
Начните изнутри, затем постепенно расширяйтесь.
Применение ИИ имеет одну общую черту: оно начинается с инструментов производительности внутри компании.
Основные приложения генеративного ИИ сосредоточены на повышении внутренней производительности — эти инструменты помогают сотрудникам выполнять больше работы с меньшими ресурсами. От помощника аналитика JPMorgan, который анализирует исследования акций, до GPT-ориентированных инструментов, поддерживающих консультантов по управлению активами в Morgan Stanley, ранний акцент был сделан на расширении возможностей банковских работников, а не на их замене.
Goldman Sachs разрабатывает AI-ассистента для разработчиков; инструмент AI-сводки Citi помогает сотрудникам обрабатывать заметки и писать электронные письма; "SC GPT" от Standard Chartered уже запущен среди 70 000 сотрудников для решения различных вопросов, от написания предложений до вопросов управления человеческими ресурсами.
Учитывая, что мы находимся в высокорегулируемой среде, развертывание внутренних инструментов кажется особенно разумным. Это позволяет банкам проводить эксперименты и повышать свои AI-возможности, не нарушая регуляторные границы. Если обратиться к недавним действиям CBN (Центрального банка Нигерии) против Zap, то "осторожность - лучший выбор" явно является более разумным решением.
Наблюдение за бизнес-линией: где ценность?
Прогресс применения ИИ в различных отделах различен. В разных бизнес-отделах наблюдаются различия в скорости внедрения генеративного ИИ. В частности, розничные банки занимают лидирующие позиции по объему транзакций. В этой области чат-боты, такие как Fargo от Wells Fargo и Erica от Bank of America, которые управляются генеративным ИИ, обрабатывают сотни миллионов взаимодействий ежегодно. В Европе Commerzbank недавно запустил своего чат-бота Ava.
Однако проблема в том, что некоторые из этих инструментов на самом деле не используют генеративный ИИ, а полагаются на традиционные технологии машинного обучения. Например, Erica от Bank of America работает больше как "механический турок" (Mechanical Turk, что означает создание иллюзии автоматизации с помощью человеческого труда). Тем не менее, важно то, что сами эксперименты имеют значение, а не технологическая маркировка.
В сфере корпоративного и инвестиционного банкинга трансформация становится более скрытой. Внутренние инструменты JPMorgan в основном поддерживают исследовательские и торговые команды, а не ориентированы непосредственно на клиентов. Deutsche Bank использует искусственный интеллект для анализа журналов клиентских коммуникаций, что не является обслуживанием клиентов, а представляет собой расширение возможностей данных, помогая банкирам быстрее и лучше понимать и обслуживать клиентов.
Управление активами находится между двумя этими подходами. AI-инструменты Morgan Stanley не общаются напрямую с клиентами, но обеспечивают возможность консультантам хорошо подготовиться к каждой встрече. Deutsche Bank и First Abu Dhabi Bank проводят пилотные проекты помощников для ведущих клиентов, целью которых является предоставление ответов на сложные инвестиционные вопросы в реальном времени.
Региональные различия: кто впереди?
Источник: Evident AI Index
Североамериканский регион, как и ожидалось, занимает лидирующие позиции. Банки США, такие как JPMorgan, Capital One, Wells Fargo, Citi и Royal Bank of Canada (RBC), преобразовали ИИ в двигатель производительности. Благодаря сотрудничеству с OpenAI и Microsoft они первыми получили доступ к самым передовым моделям ИИ.
Европа более осторожна. Испанский банк BBVA, Deutsche Bank и HSBC проводят внутренние тестирования инструментов ИИ и устанавливают больше мер безопасности. Европейское общее регулирование по защите данных (GDPR) оказывает на это глубокое влияние. Как и прежде, Европа больше сосредоточена на регулировании, чем на технологическом прогрессе, что может обойтись ей дорого.
Африка и Латинская Америка все еще находятся на ранних стадиях развития ИИ, но прогресс идет быстрыми темпами. Бразильский Nubank является выдающимся брендом, сотрудничающим с OpenAI для развертывания инструментов искусственного интеллекта на месте и в конечном итоге расширения обслуживания клиентов. В Южной Африке Standard Bank и Nedbank проводят пилотные проекты в области искусственного интеллекта, охватывающие контроль рисков, услуги поддержки и разработки.
Китай: создание автономного стека технологий ИИ
Китайские банки не только используют ИИ, но и строят стек технологий ИИ.
Китайский промышленно-торговый банк (ICBC) запустил «智涌», крупную языковую модель с 1000 миллиардами параметров, разработанную внутренними силами. Эта модель была вызвана более миллиарда раз и поддерживает 200 бизнес-сценариев, от анализа документов до автоматизации маркетинга. Это не просто применение внутренних инструментов, но и основополагающее изменение в методах работы банка.
Ant Group запустила две крупные языковые модели в финансовом секторе: Zhixiaobao 2.0 и Zhixiaozhu 1.0. Первый ориентирован на обычных пользователей Alipay и направлен на разъяснение финансовых продуктов; Последний поддерживает консультантов по управлению активами, обобщая рыночные отчеты и генерируя аналитические сведения о портфеле.
Ping An Group, финтех-гигант, объединяющий страхование, банковское дело и технологии, пошел еще дальше. Компания разработала AskBob, генеративного помощника с искусственным интеллектом, который обслуживает как клиентов, так и менеджеров по работе с клиентами. Для клиентов AskBob может ответить на вопросы об инвестициях и страховании на естественном китайском языке; Для консультантов он извлекает и обобщает историю клиентов, данные о продуктах и маркетинговые материалы, превращая каждого агента в финансового эксперта с цифровыми технологиями. Цель Ping An — переосмыслить финансовый консалтинг с помощью искусственного интеллекта, чтобы не только отвечать на вопросы, но и заранее предвосхищать спрос.
В Китае регуляторная среда сильно поощряет локализацию данных и прозрачность моделей, и эти учреждения выбрали более долгосрочный путь: создание специализированного ИИ, способного адаптироваться к внутренним регуляторным требованиям, языковым и рыночным условиям. Кроме того, в Китае достаточно высокая плотность талантов, что позволяет банкам самостоятельно разрабатывать базовые модели, что может быть уникальным достижением на мировом уровне.
Кто предоставляет техническую поддержку?
Некоторые известные компании часто появляются на глобальной арене: Microsoft стала наиболее распространенной платформой благодаря Azure OpenAI. От Morgan Stanley до Standard Chartered многие банки запускают свои модели в безопасной песочнице Microsoft.
LLM (большая языковая модель) от Google также используется, например, Wells Fargo использует Flan. В Китае в основном полагаются на местные технологии, такие как DeepSeek, Hunyuan и другие.
Некоторые банки, такие как JPMorgan Chase, Китайский промышленно-торговый банк и группа Ping An, обучают свои собственные модели. Однако большинство банков настраивают существующие модели. Ключевым моментом является не обладание самой моделью, а контроль над слоем данных и согласованной работой модели.
Разнообразные исследования применения ИИ в мире
Оригинальное изображение см. в оригинале, перевод: Shenchao TechFlow
И что с того?
В строго регулируемой отрасли осторожность имеет решающее значение, поэтому банки используют искусственный интеллект, а не находятся непосредственно на передовой. Однако, как мы уже отмечали на примере других изменений платформы, решающее решение и быстрое экспериментирование являются ключевыми факторами. Регулирование никогда не опережает правоприменение, и неразумно ждать, пока регулирование вступит в силу, прежде чем экспериментировать с ИИ. Я помню, как более десяти лет назад я основал агентский банкинг в стране, где не было регулирования. Как только мы закончим, мы станем теми, кто объясняет бизнес центральному банку. Если бы я был членом совета директоров банка, я бы спросил: «Сколько экспериментов мы проводим?» Сколько инсайтов мы генерируем? ”
Чтобы действительно оценить прогресс, необходимо вернуться к основным принципам трансформации платформы. Ваша стратегия ИИ должна ответить на следующие вопросы:
"Перестроила ли наша AI стратегия основную архитектуру? Уменьшила ли она затраты в 100 раз? Открыла ли она новые модели ценности? Вдохновила ли она связь в экосистеме? Уничтожила ли она рынок? Реализовала ли она демократизацию доступа?"
Логика ясна – скептицизм необходим, но и логика, и факты говорят о том, что ИИ – это новое изменение платформы. Кроме того, логика и факты также показывают, что прошлые изменения платформ часто приводили к революционным изменениям на финансовых рынках. Ситибанк, например, значительно расширил свой розничный бизнес с применением технологий в 70-х и 80-х годах. Capital One вырос с нуля и стал одним из 10 лучших банков на рынке и имеет сильное присутствие в смежных отраслях, таких как автокредитование и ипотека. В Африке Equity Bank воспользовался волной клиент-серверных технологий и стал крупнейшим банком в Восточной Африке по рыночной капитализации. Аналогичным образом, Access Bank, GT Bank и Capitec подхватили волну на своих рынках.
Эра AI-платформ уже пришла, и она создаст победителей. Основное внимание не на неудачниках, а на том, как победители занимают значительную долю рынка в определенных областях. Например, успех Stripe в области платежей является典型ным примером. Эти ранние прорывы часто приводят к росту доли рынка в смежных областях, например, Nubank стал важным игроком в области кредитных карт для малого и среднего бизнеса и розничного банковского дела.
Моя точка зрения заключается в том, что победители эпохи ИИ будут сосредоточены на затратах на отношения. Это уже не просто игра на сделках. Сделки уже произошли, теперь это игра на клиентском опыте и управлении отношениями. Это центральное понимание, на которое должны обратить внимание лидеры финансовых услуг. Как достичь 100-кратного улучшения клиентского опыта и банковских отношений с минимальными затратами? Как банк может использовать интеллектуальные технологии, чтобы лучше помочь клиентам управлять их финансами, бизнесом и жизнью? Игроки, которые смогут ответить на эти вопросы и реализовать их, станут окончательными победителями.