Если отбросить заголовки новостей и шумиху, суть вопроса такова: как крупнейшие банки в мире на самом деле используют генеративный ИИ? Не потенциал будущего и не реклама поставщиков, а где уже существуют реальные приложения?
За последние два года глобальная финансовая отрасль тихо вступила в эпоху генеративного ИИ. Однако этот процесс не является единым, а имеет внутренние и внешние различия: скромное развертывание внутренних инструментов, осторожные эксперименты с клиентами и несколько смелых инноваций постепенно преобразуют внутреннюю структуру банковской отрасли.
Начните изнутри, а затем постепенно расширяйтесь.
У применения ИИ есть одна общая черта: оно начинается с внутренних инструментов производительности.
Основные приложения генеративного ИИ сосредоточены на повышении внутренней производительности — эти инструменты помогают сотрудникам выполнять больше работы с меньшими затратами ресурсов. От помощника-аналитика JPMorgan, который анализирует исследования акций, до инструментов на базе GPT, которые поддерживают консультантов по управлению состоянием в Morgan Stanley, раннее внимание уделялось наделению полномочиями работников банковской сферы, а не их замене.
Goldman Sachs разрабатывает AI-ассистента для разработчиков; инструмент AI-сводки Citi помогает сотрудникам обрабатывать меморандумы и писать электронные письма; «SC GPT» Standard Chartered уже запущен среди 70 000 сотрудников и используется для всего, от написания предложений до вопросов человеческих ресурсов.
Учитывая, что мы находимся в условиях высокой регуляторной среды, внедрение внутренних инструментов кажется особенно разумным. Это позволяет банкам экспериментировать и повышать возможности ИИ, не нарушая регуляторные границы. Если обратиться к недавним действиям CBN (Центрального банка Нигерии) против Zap, то "осторожность превыше всего" явно является более мудрым выбором.
Наблюдение за бизнес-линией: где ценность?
Внедрение ИИ варьируется от сектора к сектору. Существуют различия в скорости, с которой генеративный ИИ внедряется разными бизнес-единицами. Среди них лидируют розничные банки по объему транзакций. В этом пространстве чат-боты на основе генеративного искусственного интеллекта, такие как Fargo от Wells Fargo и Erica от Bank of America, обрабатывают сотни миллионов взаимодействий каждый год. В Европе Commerzbank недавно запустил собственного 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 подразумевает создание иллюзии автоматизации через ручные операции). Тем не менее, важно то, что сами эксперименты имеют значение, а не технические ярлыки.
В области корпоративных и инвестиционных банков трансформация становится более скрытой. Внутренние инструменты JPMorgan в основном поддерживают исследовательские и торговые команды, а не напрямую ориентированы на клиентов. Deutsche Bank использует ИИ для анализа журналов коммуникации с клиентами, что не является обслуживанием клиентов, а является данными, позволяющими банкам быстрее и лучше понимать и обслуживать клиентов.
Управление активами находится между двумя этими крайностями. Искусственный интеллект Morgan Stanley не общается напрямую с клиентами, но обеспечивает подготовку консультантов перед каждой встречей. Deutsche Bank и First Abu Dhabi Bank проводят пилотные проекты по созданию помощников для лучших клиентов, которые предназначены для оперативного ответа на сложные инвестиционные вопросы.
Региональные различия: кто в лидерах?
Источник: Evident AI Index
Североамериканский регион, как и ожидалось, занимает лидирующие позиции. Американские банки, такие как JPMorgan, Capital One, Wells Fargo, Citi и Royal Bank of Canada (RBC), превратили ИИ в двигатель производительности. Благодаря сотрудничеству с OpenAI и Microsoft они первыми получили доступ к передовым моделям ИИ.
Европа более осторожна. BBVA, Deutsche Bank и HSBC тестируют инструменты искусственного интеллекта внутри компании и внедряют дополнительные меры безопасности. Общий регламент ЕС по защите данных (GDPR) имеет далеко идущие последствия. Как и в прошлом, Европа больше сосредоточена на регулировании, чем на технологическом прогрессе, который может дорого обойтись.
Африка и Латинская Америка все еще находятся на ранних стадиях развития ИИ, но прогресс идет быстро. Бразильский Nubank выделяется, сотрудничая с OpenAI, сначала внедряя ИИ-инструменты внутри компании, а затем расширяя их использование на клиентское обслуживание. В Южной Африке Standard Bank и Nedbank проводят пилотные проекты в области ИИ, охватывающие управление рисками, службы поддержки и разработки.
Китай: создание собственной технологии AI
Китайские банки не только используют ИИ, но и создают технологический стек ИИ.
Китайский промышленно-торговый банк (ICBC) запустил «智涌», крупную языковую модель с 1000 миллиардов параметров, разработанную самостоятельно внутри компании. Эта модель была вызвана более одного миллиарда раз и поддерживает 200 бизнес-сценариев, от анализа документов до автоматизации маркетинга. Это не просто применение внутренних инструментов, но и основополагающее изменение в операционных методах банка.
Группа «Ант» (Ant Group) запустила две крупные языковые модели в финансовой сфере — Zhixiaobao 2.0 и Zhixiaozhu 1.0. Первая предназначена для обычных пользователей Alipay и нацелена на объяснение финансовых продуктов; вторая поддерживает консультантов по управлению активами, может подводить итоги рыночных отчетов и генерировать идеи для инвестиционных портфелей.
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 структура сильно поощряет локализацию данных и прозрачность моделей, и эти учреждения выбрали более долгосрочный путь: создание кастомизированного ИИ, способного адаптироваться к внутреннему регулированию, языковой и рыночной среде. Кроме того, в Китае имеется достаточная плотность талантов, позволяющая банкам самостоятельно разрабатывать базовые модели, что может быть уникальным достижением на глобальном уровне.
Кто предоставляет техническую поддержку?
Некоторые известные компании часто появляются на глобальной арене: Microsoft через Azure OpenAI стал сейчас самой распространенной платформой. От Morgan Stanley до Standard Chartered, многие банки запускают свои модели в безопасной песочнице Microsoft.
LLM (большие языковые модели) от Google также используются, например, Wells Fargo использует Flan для своей работы. В Китае основное внимание уделяется местным технологиям, таким как DeepSeek и Hunyuan.
Некоторые банки, такие как JPMorgan Chase, Industrial and Commercial Bank of China и Ping An Group, обучают свои собственные модели. Однако большинство банков дорабатывают существующие модели. Ключевым моментом является не наличие самой модели, а контроль за уровнем данных и согласованной работой модели.
Разнообразные исследования применения ИИ в мире
Исходное 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? Стимулировала ли она связи в экосистеме? Переосмыслила ли она рынок? Достигла ли она демократизации 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. Например, Ситибанк значительно расширил свой розничный бизнес с использованием 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 по рыночной капитализации в Восточной Африке. Аналогичным образом, Access Bank, GT Bank и Capitec подхватили волну на своих рынках.
Наступила эра платформ искусственного интеллекта, и она будет создавать победителей. Речь идет не о том, чтобы сосредоточиться на проигравших, а о том, как победители имеют значительную долю рынка в той или иной области. Например, успех Stripe в платежах является показательным примером. Эти ранние прорывы часто приводят к увеличению доли рынка в смежных сегментах, таких как бизнес кредитных карт Nubank, который стал значительным игроком в сфере малого и среднего бизнеса и розничного банковского обслуживания.
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 состоялись, сейчас это игра на клиентском опыте и управлении отношениями. Это основное понимание, на которое должны сосредоточиться лидеры финансовых услуг. Как достичь 100-кратного улучшения клиентского опыта и отношений с банками при крайне низких затратах? Как банкам лучше использовать интеллектуальные технологии для помощи клиентам в управлении 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
Скомпилировано: ShenChao TechFlow
Глобальная волна ИИ
Как банки на практике используют генеративный ИИ?
Если отбросить заголовки новостей и шумиху, суть вопроса такова: как крупнейшие банки в мире на самом деле используют генеративный ИИ? Не потенциал будущего и не реклама поставщиков, а где уже существуют реальные приложения?
За последние два года глобальная финансовая отрасль тихо вступила в эпоху генеративного ИИ. Однако этот процесс не является единым, а имеет внутренние и внешние различия: скромное развертывание внутренних инструментов, осторожные эксперименты с клиентами и несколько смелых инноваций постепенно преобразуют внутреннюю структуру банковской отрасли.
Начните изнутри, а затем постепенно расширяйтесь.
У применения ИИ есть одна общая черта: оно начинается с внутренних инструментов производительности.
Основные приложения генеративного ИИ сосредоточены на повышении внутренней производительности — эти инструменты помогают сотрудникам выполнять больше работы с меньшими затратами ресурсов. От помощника-аналитика JPMorgan, который анализирует исследования акций, до инструментов на базе GPT, которые поддерживают консультантов по управлению состоянием в Morgan Stanley, раннее внимание уделялось наделению полномочиями работников банковской сферы, а не их замене.
Goldman Sachs разрабатывает AI-ассистента для разработчиков; инструмент AI-сводки Citi помогает сотрудникам обрабатывать меморандумы и писать электронные письма; «SC GPT» Standard Chartered уже запущен среди 70 000 сотрудников и используется для всего, от написания предложений до вопросов человеческих ресурсов.
Учитывая, что мы находимся в условиях высокой регуляторной среды, внедрение внутренних инструментов кажется особенно разумным. Это позволяет банкам экспериментировать и повышать возможности ИИ, не нарушая регуляторные границы. Если обратиться к недавним действиям CBN (Центрального банка Нигерии) против Zap, то "осторожность превыше всего" явно является более мудрым выбором.
Наблюдение за бизнес-линией: где ценность?
Внедрение ИИ варьируется от сектора к сектору. Существуют различия в скорости, с которой генеративный ИИ внедряется разными бизнес-единицами. Среди них лидируют розничные банки по объему транзакций. В этом пространстве чат-боты на основе генеративного искусственного интеллекта, такие как Fargo от Wells Fargo и Erica от Bank of America, обрабатывают сотни миллионов взаимодействий каждый год. В Европе Commerzbank недавно запустил собственного 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 подразумевает создание иллюзии автоматизации через ручные операции). Тем не менее, важно то, что сами эксперименты имеют значение, а не технические ярлыки.
В области корпоративных и инвестиционных банков трансформация становится более скрытой. Внутренние инструменты JPMorgan в основном поддерживают исследовательские и торговые команды, а не напрямую ориентированы на клиентов. Deutsche Bank использует ИИ для анализа журналов коммуникации с клиентами, что не является обслуживанием клиентов, а является данными, позволяющими банкам быстрее и лучше понимать и обслуживать клиентов.
Управление активами находится между двумя этими крайностями. Искусственный интеллект Morgan Stanley не общается напрямую с клиентами, но обеспечивает подготовку консультантов перед каждой встречей. Deutsche Bank и First Abu Dhabi Bank проводят пилотные проекты по созданию помощников для лучших клиентов, которые предназначены для оперативного ответа на сложные инвестиционные вопросы.
Региональные различия: кто в лидерах?
Источник: Evident AI Index
Североамериканский регион, как и ожидалось, занимает лидирующие позиции. Американские банки, такие как JPMorgan, Capital One, Wells Fargo, Citi и Royal Bank of Canada (RBC), превратили ИИ в двигатель производительности. Благодаря сотрудничеству с OpenAI и Microsoft они первыми получили доступ к передовым моделям ИИ.
Европа более осторожна. BBVA, Deutsche Bank и HSBC тестируют инструменты искусственного интеллекта внутри компании и внедряют дополнительные меры безопасности. Общий регламент ЕС по защите данных (GDPR) имеет далеко идущие последствия. Как и в прошлом, Европа больше сосредоточена на регулировании, чем на технологическом прогрессе, который может дорого обойтись.
Африка и Латинская Америка все еще находятся на ранних стадиях развития ИИ, но прогресс идет быстро. Бразильский Nubank выделяется, сотрудничая с OpenAI, сначала внедряя ИИ-инструменты внутри компании, а затем расширяя их использование на клиентское обслуживание. В Южной Африке Standard Bank и Nedbank проводят пилотные проекты в области ИИ, охватывающие управление рисками, службы поддержки и разработки.
Китай: создание собственной технологии AI
Китайские банки не только используют ИИ, но и создают технологический стек ИИ.
Китайский промышленно-торговый банк (ICBC) запустил «智涌», крупную языковую модель с 1000 миллиардов параметров, разработанную самостоятельно внутри компании. Эта модель была вызвана более одного миллиарда раз и поддерживает 200 бизнес-сценариев, от анализа документов до автоматизации маркетинга. Это не просто применение внутренних инструментов, но и основополагающее изменение в операционных методах банка.
Группа «Ант» (Ant Group) запустила две крупные языковые модели в финансовой сфере — Zhixiaobao 2.0 и Zhixiaozhu 1.0. Первая предназначена для обычных пользователей Alipay и нацелена на объяснение финансовых продуктов; вторая поддерживает консультантов по управлению активами, может подводить итоги рыночных отчетов и генерировать идеи для инвестиционных портфелей.
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 структура сильно поощряет локализацию данных и прозрачность моделей, и эти учреждения выбрали более долгосрочный путь: создание кастомизированного ИИ, способного адаптироваться к внутреннему регулированию, языковой и рыночной среде. Кроме того, в Китае имеется достаточная плотность талантов, позволяющая банкам самостоятельно разрабатывать базовые модели, что может быть уникальным достижением на глобальном уровне.
Кто предоставляет техническую поддержку?
Некоторые известные компании часто появляются на глобальной арене: Microsoft через Azure OpenAI стал сейчас самой распространенной платформой. От Morgan Stanley до Standard Chartered, многие банки запускают свои модели в безопасной песочнице Microsoft.
LLM (большие языковые модели) от Google также используются, например, Wells Fargo использует Flan для своей работы. В Китае основное внимание уделяется местным технологиям, таким как DeepSeek и Hunyuan.
Некоторые банки, такие как JPMorgan Chase, Industrial and Commercial Bank of China и Ping An Group, обучают свои собственные модели. Однако большинство банков дорабатывают существующие модели. Ключевым моментом является не наличие самой модели, а контроль за уровнем данных и согласованной работой модели.
Разнообразные исследования применения ИИ в мире
Исходное 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? Стимулировала ли она связи в экосистеме? Переосмыслила ли она рынок? Достигла ли она демократизации 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. Например, Ситибанк значительно расширил свой розничный бизнес с использованием 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 по рыночной капитализации в Восточной Африке. Аналогичным образом, Access Bank, GT Bank и Capitec подхватили волну на своих рынках.
Наступила эра платформ искусственного интеллекта, и она будет создавать победителей. Речь идет не о том, чтобы сосредоточиться на проигравших, а о том, как победители имеют значительную долю рынка в той или иной области. Например, успех Stripe в платежах является показательным примером. Эти ранние прорывы часто приводят к увеличению доли рынка в смежных сегментах, таких как бизнес кредитных карт Nubank, который стал значительным игроком в сфере малого и среднего бизнеса и розничного банковского обслуживания.
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 состоялись, сейчас это игра на клиентском опыте и управлении отношениями. Это основное понимание, на которое должны сосредоточиться лидеры финансовых услуг. Как достичь 100-кратного улучшения клиентского опыта и отношений с банками при крайне низких затратах? Как банкам лучше использовать интеллектуальные технологии для помощи клиентам в управлении их финансами, бизнесом и жизнью? Игроки, которые смогут ответить на эти вопросы и реализовать их, станут окончательными победителями.