Як банки насправді використовують генеративний ШІ?
Якщо відкинути заголовні новини та галас, суть питання в тому: як найбільший банк у світі насправді використовує генеративний ШІ? Не потенціал майбутнього, не реклама постачальників, а де вже впроваджені реальні застосування?
Протягом останніх двох років світова фінансова індустрія тихо вступила в еру генеративного ШІ. Однак цей процес не є єдиним, а має внутрішні та зовнішні відмінності: стримане впровадження внутрішніх інструментів, обережні експерименти з клієнтами та кілька сміливих інновацій поступово перетворюють внутрішню структуру банківського сектору.
Починаючи зсередини, поступово розширюючи.
Застосування ШІ має одну спільну рису: вони починаються з інструментів внутрішньої продуктивності.
Основне застосування генеративного ШІ зосереджене на покращенні внутрішньої продуктивності – інструментів, які допомагають співробітникам робити більше з меншими витратами. Від асистента аналітика JPMorgan, який інтерпретує дослідження акцій, до інструменту Morgan Stanley на основі GPT, який забезпечує роботу консультантів з управління капіталом, спочатку основна увага була зосереджена на розширенні прав і можливостей банкірів, а не на їх заміні.
Goldman Sachs створює помічників зі штучним інтелектом для розробників; Інструмент узагальнення на основі штучного інтелекту Citi допомагає співробітникам обробляти службові записки та складати електронні листи; "SC GPT" від Standard Chartered запрацював зі своїми 70 000 співробітниками і використовується для всього, від написання пропозицій до кадрових питань.
З огляду на те, що ми перебуваємо в умовах високого регулювання, впровадження внутрішніх інструментів є особливо доцільним. Це дозволяє банкам проводити експерименти та підвищувати можливості ШІ, не порушуючи регуляторні межі. Якщо звернутися до недавніх дій CBN (Центрального банку Нігерії) щодо Zap, то "обережність є найкращим варіантом" очевидно, що є більш розумним вибором.
Спостереження за бізнес-лінією: де цінність?
Різні підрозділи мають різну швидкість впровадження AI. Існують відмінності в темпах впровадження генеративного AI між різними бізнес-підрозділами. Зокрема, роздрібні банки займають провідні позиції за обсягами транзакцій. У цій сфері чат-боти, що працюють на основі генеративного AI, такі як Fargo від Wells Fargo та Erica від Bank of America, щорічно обробляють сотні мільйонів взаємодій. В Європі німецький комерційний банк (Commerzbank) нещодавно запустив свій чат-бот Ava.
Проблема, однак, полягає в тому, що деякі з цих інструментів насправді не використовують генеративний штучний інтелект, а натомість покладаються на традиційні методи машинного навчання. Erica з Bank of America, наприклад, працює більше як «механічний турок» (ілюзія автоматизації за допомогою ручних операцій). Проте важливі самі експерименти, а не технічні етикетки.
У сфері підприємств та інвестиційних банків трансформація більш прихована. Внутрішні інструменти JPMorgan в основному підтримують команди досліджень та продажів, а не безпосередньо орієнтовані на клієнтів. Deutsche Bank використовує AI для аналізу журналів комунікацій клієнтів, що не є обслуговуванням клієнтів, а є наданням даних, що допомагає банкірам швидше і краще розуміти та обслуговувати клієнтів.
Управління активами знаходиться між двома цими аспектами. AI-інструменти Morgan Stanley не спілкуються безпосередньо з клієнтами, але забезпечують, щоб консультанти були повністю підготовлені перед кожною зустріччю. Deutsche Bank та First Abu Dhabi Bank проводять пілотні проекти для топових клієнтів, щоб у реальному часі відповідати на складні інвестиційні питання.
Регіональні відмінності: хто на чолі?
Джерело: Evident AI Index
Північноамериканський регіон, як і очікувалося, займає провідні позиції. Банк США, такі як JPMorgan, Capital One, Wells Fargo, Citi та Royal Bank of Canada (RBC), перетворили штучний інтелект на двигун продуктивності. Завдяки співпраці з OpenAI та Microsoft, вони першими отримали доступ до найсучасніших моделей ШІ.
Європа ж більш обережна. Іспанський банк BBVA, німецький Deutsche Bank та HSBC проводять внутрішнє тестування AI-інструментів і встановлюють більше заходів безпеки. Загальний регламент захисту даних Європи (GDPR) має суттєвий вплив. Як і раніше, Європа більше зосереджена на регулюванні, ніж на технологічному прогресі, що може коштувати їй.
Африка та Латинська Америка ще перебувають на ранніх стадіях розвитку ШІ, але прогрес швидкий. Бразильський Nubank демонструє видатні результати, співпрацюючи з OpenAI, спочатку впроваджуючи інструменти ШІ внутрішньо, а врешті-решт розширюючи їх до обслуговування клієнтів. У Південній Африці Standard Bank та Nedbank проводять пілотні проекти в сфері ШІ, охоплюючи контроль ризиків, підтримку послуг та розробку.
Китай: побудова власного технологічного стека ШІ
Банки Китаю не тільки використовують ШІ, але й створюють стек технологій ШІ.
Китайський промисловий банк (ICBC) представив «Zhiyong», великий мовний модель з 1000 мільярдами параметрів, розроблений внутрішньо. Ця модель була викликана більше мільярда разів і підтримує 200 бізнес-сценаріїв, від аналізу документів до автоматизації маркетингу. Це не лише застосування внутрішніх інструментів, а й фундаментальна зміна в методах роботи банку.
Ant Group запустила дві великі мовні моделі у фінансовому секторі: Zhixiaobao 2.0 і Zhixiaozhu 1.0. Перший орієнтований на звичайних користувачів Alipay і має на меті пояснити фінансові продукти; Останній підтримує консультантів з управління капіталом, узагальнюючи ринкові звіти та генеруючи інформацію про портфель.
Ping An Group, фінтех-гігант, який об'єднує страхування, банківську справу та технології, пішов далі. Вона розробила AskBob, помічника з генеративним штучним інтелектом, який обслуговує як клієнтів, так і менеджерів по роботі з клієнтами. Для клієнтів AskBob може відповісти на питання інвестицій та страхування природною китайською мовою; Для консультантів він витягує та узагальнює історію клієнтів, дані про продукти та маркетингові матеріали, перетворюючи кожного агента на фінансового експерта з цифровим вдосконаленням. Мета Ping An полягає в тому, щоб переосмислити фінансовий консалтинг за допомогою штучного інтелекту не лише для відповідей на запитання, а й для того, щоб заздалегідь передбачити попит.
У Китаї, де нормативно-правова база настійно заохочує локалізацію даних і прозорість моделей, ці установи обрали довший шлях: створення індивідуального штучного інтелекту, який може адаптуватися до внутрішніх нормативних, лінгвістичних та ринкових середовищ. Крім того, Китай має достатню щільність кадрів, щоб дозволити банкам розробляти власні фундаментальні моделі, що може стати унікальним досягненням у світі.
Хто надає технічну підтримку?
Деякі відомі компанії часто з'являються в усьому світі: Microsoft через Azure OpenAI став найпоширенішою платформою на сьогодні. Від Morgan Stanley до Standard Chartered, багато банків працюють зі своїми моделями в безпечному пісочниці Microsoft.
LLM (великі мовні моделі) Google також використовуються, наприклад, Wells Fargo використовує Flan. А в Китаї в основному покладаються на місцеві технології, такі як DeepSeek, Hunyuan тощо.
Деякі банки, такі як JPMorgan Chase, Китайський промисловий банк і група Ping An, навчають свої моделі. Але більшість банків налаштовують свої моделі на основі вже існуючих. Ключ не в наявності моделі, а в контролі над рівнем даних та координацією роботи моделей.
Різноманітні дослідження застосування штучного інтелекту в світі
Оригінальне зображення дивіться в оригінальному тексті, переклад: Shenchao TechFlow
А що з того?
У жорстко регульованій галузі обережність має вирішальне значення, тому банки залучають штучний інтелект, а не перебувають безпосередньо на передовій. Однак, як ми спостерігали в інших змінах платформи, ключовими є рішуче прийняття рішень та швидкі експерименти. Регулювання ніколи не випереджає правозастосування, і нерозумно чекати, поки регулювання почне діяти, перш ніж експериментувати зі штучним інтелектом. Я пам'ятаю, як більше десяти років тому заснував агентство банківського обслуговування в країні, де не було регулювання. Як тільки ми закінчимо, ми стаємо тими, хто пояснює бізнес центральному банку. Якби я був членом ради директорів банку, я б запитав: «Скільки експериментів ми проводимо?». Скільки інсайтів ми генеруємо? ”
Щоб дійсно оцінити прогрес, потрібно повернутися до основних принципів трансформації платформи. Ваша стратегія штучного інтелекту має відповісти на такі питання:
"Чи відновила наша AI стратегія основну архітектуру? Чи знизила вона витрати в 100 разів? Чи відкрила вона нові моделі вартості? Чи стимулювала вона зв'язки в екосистемі? Чи порушила вона ринок? Чи здійснила вона демократизацію доступу?"
Логіка зрозуміла – скептицизм необхідний, але і логіка, і факти підказують, що ШІ – це нова зміна платформи. Крім того, логіка та факти також показують, що минулі зміни платформ часто призводили до революційних змін на фінансових ринках. Citibank, наприклад, значно розширив свій роздрібний бізнес із застосуванням технологій у 70-80-х роках. Capital One виріс з нуля і став одним із 10 найкращих банків на ринку та має сильну присутність у суміжних галузях, таких як автокредитування та іпотека. У Африці Equity Bank скористався хвилею технології клієнт-сервер і став найбільшим банком у Східній Африці за ринковою капіталізацією. Аналогічним чином, Access Bank, GT Bank і Capitec підхопили хвилю на своїх ринках.
Настала ера платформ штучного інтелекту, і вона створить переможців. Мова йде не про те, щоб зосередитися на тих, хто програв, а про те, як переможці мають значну частку ринку в тій чи іншій сфері. Наприклад, успіх Stripe у платежах є яскравим прикладом. Ці ранні прориви часто призводять до збільшення частки ринку в сусідніх сегментах, таких як бізнес кредитних карток Nubank, який став значним гравцем у секторах малого та середнього бізнесу та роздрібного банкінгу.
На мою думку, переможці в еру штучного інтелекту зосередяться на витратах на відносини. Це вже не просто торгова гра. Транзакції вже відбулися і тепер є грою в клієнтський досвід і управління відносинами. Це ключовий інсайт, на якому керівникам фінансових послуг слід зосередитися. Як ви можете досягти 100-кратного покращення клієнтського досвіду та банківських відносин за невелику частину вартості? Як ви як банк можете використовувати розумні технології, щоб краще допомагати клієнтам керувати своїми фінансами, бізнесом і життям? Гравець, який зможе відповісти та виконати ці запитання, стане остаточним переможцем.
Переглянути оригінал
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
Гіганти банківської справи США та Китаю починають використовувати генеративний ШІ
Автор: Самора Каріукі
Упорядник: Deep Tide TechFlow
Глобальна хвиля ШІ
Як банки насправді використовують генеративний ШІ?
Якщо відкинути заголовні новини та галас, суть питання в тому: як найбільший банк у світі насправді використовує генеративний ШІ? Не потенціал майбутнього, не реклама постачальників, а де вже впроваджені реальні застосування?
Протягом останніх двох років світова фінансова індустрія тихо вступила в еру генеративного ШІ. Однак цей процес не є єдиним, а має внутрішні та зовнішні відмінності: стримане впровадження внутрішніх інструментів, обережні експерименти з клієнтами та кілька сміливих інновацій поступово перетворюють внутрішню структуру банківського сектору.
Починаючи зсередини, поступово розширюючи.
Застосування ШІ має одну спільну рису: вони починаються з інструментів внутрішньої продуктивності.
Основне застосування генеративного ШІ зосереджене на покращенні внутрішньої продуктивності – інструментів, які допомагають співробітникам робити більше з меншими витратами. Від асистента аналітика JPMorgan, який інтерпретує дослідження акцій, до інструменту Morgan Stanley на основі GPT, який забезпечує роботу консультантів з управління капіталом, спочатку основна увага була зосереджена на розширенні прав і можливостей банкірів, а не на їх заміні.
Goldman Sachs створює помічників зі штучним інтелектом для розробників; Інструмент узагальнення на основі штучного інтелекту Citi допомагає співробітникам обробляти службові записки та складати електронні листи; "SC GPT" від Standard Chartered запрацював зі своїми 70 000 співробітниками і використовується для всього, від написання пропозицій до кадрових питань.
З огляду на те, що ми перебуваємо в умовах високого регулювання, впровадження внутрішніх інструментів є особливо доцільним. Це дозволяє банкам проводити експерименти та підвищувати можливості ШІ, не порушуючи регуляторні межі. Якщо звернутися до недавніх дій CBN (Центрального банку Нігерії) щодо Zap, то "обережність є найкращим варіантом" очевидно, що є більш розумним вибором.
Спостереження за бізнес-лінією: де цінність?
Різні підрозділи мають різну швидкість впровадження AI. Існують відмінності в темпах впровадження генеративного AI між різними бізнес-підрозділами. Зокрема, роздрібні банки займають провідні позиції за обсягами транзакцій. У цій сфері чат-боти, що працюють на основі генеративного AI, такі як Fargo від Wells Fargo та Erica від Bank of America, щорічно обробляють сотні мільйонів взаємодій. В Європі німецький комерційний банк (Commerzbank) нещодавно запустив свій чат-бот Ava.
Проблема, однак, полягає в тому, що деякі з цих інструментів насправді не використовують генеративний штучний інтелект, а натомість покладаються на традиційні методи машинного навчання. Erica з Bank of America, наприклад, працює більше як «механічний турок» (ілюзія автоматизації за допомогою ручних операцій). Проте важливі самі експерименти, а не технічні етикетки.
У сфері підприємств та інвестиційних банків трансформація більш прихована. Внутрішні інструменти JPMorgan в основному підтримують команди досліджень та продажів, а не безпосередньо орієнтовані на клієнтів. Deutsche Bank використовує AI для аналізу журналів комунікацій клієнтів, що не є обслуговуванням клієнтів, а є наданням даних, що допомагає банкірам швидше і краще розуміти та обслуговувати клієнтів.
Управління активами знаходиться між двома цими аспектами. AI-інструменти Morgan Stanley не спілкуються безпосередньо з клієнтами, але забезпечують, щоб консультанти були повністю підготовлені перед кожною зустріччю. Deutsche Bank та First Abu Dhabi Bank проводять пілотні проекти для топових клієнтів, щоб у реальному часі відповідати на складні інвестиційні питання.
Регіональні відмінності: хто на чолі?
Джерело: Evident AI Index
Північноамериканський регіон, як і очікувалося, займає провідні позиції. Банк США, такі як JPMorgan, Capital One, Wells Fargo, Citi та Royal Bank of Canada (RBC), перетворили штучний інтелект на двигун продуктивності. Завдяки співпраці з OpenAI та Microsoft, вони першими отримали доступ до найсучасніших моделей ШІ.
Європа ж більш обережна. Іспанський банк BBVA, німецький Deutsche Bank та HSBC проводять внутрішнє тестування AI-інструментів і встановлюють більше заходів безпеки. Загальний регламент захисту даних Європи (GDPR) має суттєвий вплив. Як і раніше, Європа більше зосереджена на регулюванні, ніж на технологічному прогресі, що може коштувати їй.
Африка та Латинська Америка ще перебувають на ранніх стадіях розвитку ШІ, але прогрес швидкий. Бразильський Nubank демонструє видатні результати, співпрацюючи з OpenAI, спочатку впроваджуючи інструменти ШІ внутрішньо, а врешті-решт розширюючи їх до обслуговування клієнтів. У Південній Африці Standard Bank та Nedbank проводять пілотні проекти в сфері ШІ, охоплюючи контроль ризиків, підтримку послуг та розробку.
Китай: побудова власного технологічного стека ШІ
Банки Китаю не тільки використовують ШІ, але й створюють стек технологій ШІ.
Китайський промисловий банк (ICBC) представив «Zhiyong», великий мовний модель з 1000 мільярдами параметрів, розроблений внутрішньо. Ця модель була викликана більше мільярда разів і підтримує 200 бізнес-сценаріїв, від аналізу документів до автоматизації маркетингу. Це не лише застосування внутрішніх інструментів, а й фундаментальна зміна в методах роботи банку.
Ant Group запустила дві великі мовні моделі у фінансовому секторі: Zhixiaobao 2.0 і Zhixiaozhu 1.0. Перший орієнтований на звичайних користувачів Alipay і має на меті пояснити фінансові продукти; Останній підтримує консультантів з управління капіталом, узагальнюючи ринкові звіти та генеруючи інформацію про портфель.
Ping An Group, фінтех-гігант, який об'єднує страхування, банківську справу та технології, пішов далі. Вона розробила AskBob, помічника з генеративним штучним інтелектом, який обслуговує як клієнтів, так і менеджерів по роботі з клієнтами. Для клієнтів AskBob може відповісти на питання інвестицій та страхування природною китайською мовою; Для консультантів він витягує та узагальнює історію клієнтів, дані про продукти та маркетингові матеріали, перетворюючи кожного агента на фінансового експерта з цифровим вдосконаленням. Мета Ping An полягає в тому, щоб переосмислити фінансовий консалтинг за допомогою штучного інтелекту не лише для відповідей на запитання, а й для того, щоб заздалегідь передбачити попит.
У Китаї, де нормативно-правова база настійно заохочує локалізацію даних і прозорість моделей, ці установи обрали довший шлях: створення індивідуального штучного інтелекту, який може адаптуватися до внутрішніх нормативних, лінгвістичних та ринкових середовищ. Крім того, Китай має достатню щільність кадрів, щоб дозволити банкам розробляти власні фундаментальні моделі, що може стати унікальним досягненням у світі.
Хто надає технічну підтримку?
Деякі відомі компанії часто з'являються в усьому світі: Microsoft через Azure OpenAI став найпоширенішою платформою на сьогодні. Від Morgan Stanley до Standard Chartered, багато банків працюють зі своїми моделями в безпечному пісочниці Microsoft.
LLM (великі мовні моделі) Google також використовуються, наприклад, Wells Fargo використовує Flan. А в Китаї в основному покладаються на місцеві технології, такі як DeepSeek, Hunyuan тощо.
Деякі банки, такі як JPMorgan Chase, Китайський промисловий банк і група Ping An, навчають свої моделі. Але більшість банків налаштовують свої моделі на основі вже існуючих. Ключ не в наявності моделі, а в контролі над рівнем даних та координацією роботи моделей.
Різноманітні дослідження застосування штучного інтелекту в світі
Оригінальне зображення дивіться в оригінальному тексті, переклад: Shenchao TechFlow
А що з того?
У жорстко регульованій галузі обережність має вирішальне значення, тому банки залучають штучний інтелект, а не перебувають безпосередньо на передовій. Однак, як ми спостерігали в інших змінах платформи, ключовими є рішуче прийняття рішень та швидкі експерименти. Регулювання ніколи не випереджає правозастосування, і нерозумно чекати, поки регулювання почне діяти, перш ніж експериментувати зі штучним інтелектом. Я пам'ятаю, як більше десяти років тому заснував агентство банківського обслуговування в країні, де не було регулювання. Як тільки ми закінчимо, ми стаємо тими, хто пояснює бізнес центральному банку. Якби я був членом ради директорів банку, я б запитав: «Скільки експериментів ми проводимо?». Скільки інсайтів ми генеруємо? ”
Щоб дійсно оцінити прогрес, потрібно повернутися до основних принципів трансформації платформи. Ваша стратегія штучного інтелекту має відповісти на такі питання:
"Чи відновила наша AI стратегія основну архітектуру? Чи знизила вона витрати в 100 разів? Чи відкрила вона нові моделі вартості? Чи стимулювала вона зв'язки в екосистемі? Чи порушила вона ринок? Чи здійснила вона демократизацію доступу?"
Логіка зрозуміла – скептицизм необхідний, але і логіка, і факти підказують, що ШІ – це нова зміна платформи. Крім того, логіка та факти також показують, що минулі зміни платформ часто призводили до революційних змін на фінансових ринках. Citibank, наприклад, значно розширив свій роздрібний бізнес із застосуванням технологій у 70-80-х роках. Capital One виріс з нуля і став одним із 10 найкращих банків на ринку та має сильну присутність у суміжних галузях, таких як автокредитування та іпотека. У Африці Equity Bank скористався хвилею технології клієнт-сервер і став найбільшим банком у Східній Африці за ринковою капіталізацією. Аналогічним чином, Access Bank, GT Bank і Capitec підхопили хвилю на своїх ринках.
Настала ера платформ штучного інтелекту, і вона створить переможців. Мова йде не про те, щоб зосередитися на тих, хто програв, а про те, як переможці мають значну частку ринку в тій чи іншій сфері. Наприклад, успіх Stripe у платежах є яскравим прикладом. Ці ранні прориви часто призводять до збільшення частки ринку в сусідніх сегментах, таких як бізнес кредитних карток Nubank, який став значним гравцем у секторах малого та середнього бізнесу та роздрібного банкінгу.
На мою думку, переможці в еру штучного інтелекту зосередяться на витратах на відносини. Це вже не просто торгова гра. Транзакції вже відбулися і тепер є грою в клієнтський досвід і управління відносинами. Це ключовий інсайт, на якому керівникам фінансових послуг слід зосередитися. Як ви можете досягти 100-кратного покращення клієнтського досвіду та банківських відносин за невелику частину вартості? Як ви як банк можете використовувати розумні технології, щоб краще допомагати клієнтам керувати своїми фінансами, бізнесом і життям? Гравець, який зможе відповісти та виконати ці запитання, стане остаточним переможцем.