Як банки насправді використовують генеративний ШІ?
Якщо відкинути заголовні новини та розголос, суть питання полягає в тому: як найбільші банки у світі використовують генеративний ШІ? Не потенціал в майбутньому, не реклама постачальників, а де вже реалізовані практичні застосування?
Протягом останніх двох років глобальна фінансова індустрія непомітно вступила в еру генеративного ШІ. Проте цей процес не є однорідним, а має внутрішні та зовнішні відмінності: стримане впровадження внутрішніх інструментів, обережні експерименти, спрямовані на клієнтів, а також кілька сміливих інновацій поступово перетворюють внутрішню структуру банківського сектору.
Починаючи з внутрішнього, поступово розширюючи.
Застосування ШІ має одну спільну рису: початок з внутрішніх інструментів продуктивності.
Основні застосування генеративного ШІ зосереджені на підвищенні внутрішньої продуктивності — ці інструменти допомагають співробітникам виконувати більше роботи з меншими ресурсами. Від асистента-аналітика JPMorgan, який аналізує дослідження акцій, до інструментів на базі GPT, що підтримують консультантів з управління капіталом у Morgan Stanley, ранній акцент був на наданні можливостей банківським працівникам, а не на їх заміні.
Goldman Sachs будує AI помічника для розробників; інструмент резюме AI від Citi допомагає співробітникам обробляти меморандуми та писати електронні листи; «SC GPT» від Standard Chartered вже доступний для 70 тисяч співробітників, використовуючи його для всіх аспектів, від написання пропозицій до питань людських ресурсів.
Беручи до уваги, що ми знаходимося в умовах високого регулювання, впровадження внутрішніх інструментів є особливо доцільним. Це дозволяє банкам проводити експерименти та покращувати можливості штучного інтелекту, не порушуючи регуляторні межі. Якщо звернутися до нещодавніх дій CBN (Центрального банку Нігерії) щодо Zap, то «обережність — це найкращий вибір» очевидно є більш розумним вибором.
Спостереження за бізнес-лінією: де цінність?
Різні відділи мають різну швидкість розвитку застосувань ШІ. Існують відмінності у швидкості впровадження генеративного ШІ між різними бізнес-відділами. Зокрема, роздрібні банки займають провідні позиції за обсягом транзакцій. У цій сфері чат-боти, засновані на генеративному ШІ, 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.
Однак проблема в тому, що деякі з цих інструментів насправді не використовують генеративний ШІ, а покладаються на традиційні технології машинного навчання. Наприклад, Erica від Bank of America працює скоріше як «Механічний турок» (Mechanical Turk, що означає ілюзію автоматизації, досягнуту шляхом ручної роботи). Незважаючи на це, важливо, що самі експерименти є значущими, а не технічні ярлики.
У корпоративному та інвестиційному банкінгу трансформація є більш неявною. Внутрішні інструменти JPMorgan в першу чергу підтримують дослідницькі та продажні команди, а не працюють безпосередньо з клієнтами. Deutsche Bank використовує штучний інтелект для аналізу журналів спілкування з клієнтами, які не обслуговують клієнтів, а підтримують дані, допомагаючи банкірам розуміти та обслуговувати клієнтів швидше та краще.
Управління капіталом знаходиться між двома цими аспектами. Штучний інтелект Morgan Stanley не спілкується безпосередньо з клієнтами, але забезпечує, щоб консультанти були добре підготовлені до кожної зустрічі. Deutsche Bank та First Abu Dhabi Bank запускають пілотні проекти асистентів для провідних клієнтів, які покликані в режимі реального часу відповідати на складні інвестиційні питання.
Регіональні відмінності: хто попереду?
Джерело: Evident AI Index
Північноамериканський регіон, як і очікувалося, займає провідні позиції. Американські банки, такі як JPMorgan, Capital One, Wells Fargo, Citi та RBC, перетворили ШІ на двигун продуктивності. Завдяки співпраці з OpenAI та Microsoft, вони першими отримали доступ до найсучасніших моделей ШІ.
Європа є більш обережною. Banco Bilbao Vizcaya Argentaria (BBVA), Deutsche Bank та HSBC проводять внутрішнє тестування інструментів ШІ та встановлюють більше заходів безпеки. Загальний регламент захисту даних Європи (GDPR) має глибокий вплив на них. Як і раніше, Європа більше зосереджена на регулюванні, ніж на технологічному прогресі, що може мати свої наслідки.
Африка та Латинська Америка все ще перебувають на ранніх стадіях розвитку штучного інтелекту, але прогрес швидкий. Бразильська компанія Nubank виділяється тим, що співпрацює з OpenAI для розгортання інструментів штучного інтелекту локально та зрештою розширення сфери обслуговування клієнтів. У Південній Африці Standard Bank і Nedbank пілотують штучний інтелект у сфері контролю ризиків, послуг підтримки та розробки.
Китай: створення автономного технологічного стеку штучного інтелекту
Банки Китаю не лише використовують штучний інтелект, а й будують технологічний стек штучного інтелекту.
Промисловий і комерційний банк Китаю (ICBC) запустив Zhiyong – велику мовну модель зі 100 мільярдами параметрів, розроблену власними силами. Модель була використана понад мільярд разів і підтримує 200 бізнес-сценаріїв, від аналітики документів до автоматизації маркетингу. Це не просто застосування внутрішніх інструментів, це фундаментальна зміна способу роботи банків.
Група Ant (蚂蚁集团) випустила дві великі мовні моделі в фінансовій сфері — Zhixiaobao 2.0 (智小宝 2.0) та Zhixiaozhu 1.0 (智小助 1.0). Перша призначена для звичайних користувачів Alipay і має на меті пояснити фінансові продукти; друга надає підтримку консультантам з управління активами, може підсумовувати ринкові звіти та генерувати інсайти щодо інвестиційних портфелів.
Група Піньань (Ping An Group), як фінансово-технологічний гігант, що поєднує страхування, банківську справу та технології, просувається далі. Розроблений ними генеративний AI асистент AskBob обслуговує як клієнтів, так і менеджерів з продажу. Для клієнтів AskBob може відповідати на питання про інвестиції та страхування природною китайською мовою; для консультантів він може витягувати та узагальнювати історію клієнтів, дані про продукти та маркетингові матеріали, перетворюючи кожного агента на цифрового фінансового експерта. Мета Піньань — переосмислити фінансове консультування за допомогою AI, не лише відповідаючи на запитання, а й передбачаючи потреби.
В Китаї регуляторна структура сильно заохочує локалізацію даних і прозорість моделей, ці установи обрали довгостроковий шлях: створення адаптованого до внутрішнього регулювання, мовного та ринкового середовища кастомізованого ШІ. Крім того, у Китаї є достатня щільність талантів, що дозволяє банкам самостійно розробляти базові моделі, що є унікальним досягненням у глобальному масштабі.
Хто надає технічну підтримку?
Деякі відомі компанії часто з'являються на глобальному рівні: Microsoft через Azure OpenAI стала найпоширенішою платформою на сьогодні. Від Morgan Stanley до Standard Chartered, багато банків працюють зі своїми моделями в безпечному середовищі Microsoft.
Також використовується LLM (велика мовна модель) від Google, наприклад, Wells Fargo використовує FLAN для підтримки свого Fargo. У Китаї вона в основному покладається на місцеві технології, такі як DeepSeek, Hunyuan тощо.
Деякі банки, такі як JPMorgan Chase, Industrial and Commercial Bank of China і Ping An Group, навчають власні моделі. Але більшість банків допрацьовують свої існуючі моделі. Ключовим моментом є не володіння самою моделлю, а контроль координації шару даних і моделі.
Дослідження різноманітних застосувань штучного інтелекту в усьому 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 правління банку, я б запитав: «Скільки експериментів ми проводимо?». Скільки інсайтів ми генеруємо?»
Щоб справді виміряти прогрес, потрібно повернутися до основних принципів трансформації платформи. Ваша стратегія штучного інтелекту повинна відповісти на такі питання:
«Чи відновила наша AI-стратегія основну архітектуру? Чи знизила вона витрати в 100 разів? Чи відкрила вона нові ціннісні моделі? Чи сприяла вона зв'язкам в екосистемі? Чи порушила вона ринок? Чи забезпечила 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 за допомогою технологій у 70-х і 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 за ринковою капіталізацією в Східній Африці. Аналогічним чином, Access Bank, GT Bank і Capitec підхопили хвилю на своїх ринках.
Ера платформ штучного інтелекту вже настала, і вона створить переможців. Основна увага не на невдахах, а на тому, як переможці займають значну частку ринку в певних сферах. Наприклад, успіх Stripe у сфері платежів є типовим випадком. Ці перші прориви часто призводять до зростання частки ринку в сусідніх сферах, таких як Nubank, який став важливим гравцем у сегменті малих і середніх підприємств та роздрібного банкінгу завдяки бізнесу з кредитними картками.
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 приймають генеративний ШІ
Автор: Самора Каріукі
Компіляція: Deep Tide TechFlow
Глобальна хвиля ШІ
Як банки насправді використовують генеративний ШІ?
Якщо відкинути заголовні новини та розголос, суть питання полягає в тому: як найбільші банки у світі використовують генеративний ШІ? Не потенціал в майбутньому, не реклама постачальників, а де вже реалізовані практичні застосування?
Протягом останніх двох років глобальна фінансова індустрія непомітно вступила в еру генеративного ШІ. Проте цей процес не є однорідним, а має внутрішні та зовнішні відмінності: стримане впровадження внутрішніх інструментів, обережні експерименти, спрямовані на клієнтів, а також кілька сміливих інновацій поступово перетворюють внутрішню структуру банківського сектору.
Починаючи з внутрішнього, поступово розширюючи.
Застосування ШІ має одну спільну рису: початок з внутрішніх інструментів продуктивності.
Основні застосування генеративного ШІ зосереджені на підвищенні внутрішньої продуктивності — ці інструменти допомагають співробітникам виконувати більше роботи з меншими ресурсами. Від асистента-аналітика JPMorgan, який аналізує дослідження акцій, до інструментів на базі GPT, що підтримують консультантів з управління капіталом у Morgan Stanley, ранній акцент був на наданні можливостей банківським працівникам, а не на їх заміні.
Goldman Sachs будує AI помічника для розробників; інструмент резюме AI від Citi допомагає співробітникам обробляти меморандуми та писати електронні листи; «SC GPT» від Standard Chartered вже доступний для 70 тисяч співробітників, використовуючи його для всіх аспектів, від написання пропозицій до питань людських ресурсів.
Беручи до уваги, що ми знаходимося в умовах високого регулювання, впровадження внутрішніх інструментів є особливо доцільним. Це дозволяє банкам проводити експерименти та покращувати можливості штучного інтелекту, не порушуючи регуляторні межі. Якщо звернутися до нещодавніх дій CBN (Центрального банку Нігерії) щодо Zap, то «обережність — це найкращий вибір» очевидно є більш розумним вибором.
Спостереження за бізнес-лінією: де цінність?
Різні відділи мають різну швидкість розвитку застосувань ШІ. Існують відмінності у швидкості впровадження генеративного ШІ між різними бізнес-відділами. Зокрема, роздрібні банки займають провідні позиції за обсягом транзакцій. У цій сфері чат-боти, засновані на генеративному ШІ, 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.
Однак проблема в тому, що деякі з цих інструментів насправді не використовують генеративний ШІ, а покладаються на традиційні технології машинного навчання. Наприклад, Erica від Bank of America працює скоріше як «Механічний турок» (Mechanical Turk, що означає ілюзію автоматизації, досягнуту шляхом ручної роботи). Незважаючи на це, важливо, що самі експерименти є значущими, а не технічні ярлики.
У корпоративному та інвестиційному банкінгу трансформація є більш неявною. Внутрішні інструменти JPMorgan в першу чергу підтримують дослідницькі та продажні команди, а не працюють безпосередньо з клієнтами. Deutsche Bank використовує штучний інтелект для аналізу журналів спілкування з клієнтами, які не обслуговують клієнтів, а підтримують дані, допомагаючи банкірам розуміти та обслуговувати клієнтів швидше та краще.
Управління капіталом знаходиться між двома цими аспектами. Штучний інтелект Morgan Stanley не спілкується безпосередньо з клієнтами, але забезпечує, щоб консультанти були добре підготовлені до кожної зустрічі. Deutsche Bank та First Abu Dhabi Bank запускають пілотні проекти асистентів для провідних клієнтів, які покликані в режимі реального часу відповідати на складні інвестиційні питання.
Регіональні відмінності: хто попереду?
Джерело: Evident AI Index
Північноамериканський регіон, як і очікувалося, займає провідні позиції. Американські банки, такі як JPMorgan, Capital One, Wells Fargo, Citi та RBC, перетворили ШІ на двигун продуктивності. Завдяки співпраці з OpenAI та Microsoft, вони першими отримали доступ до найсучасніших моделей ШІ.
Європа є більш обережною. Banco Bilbao Vizcaya Argentaria (BBVA), Deutsche Bank та HSBC проводять внутрішнє тестування інструментів ШІ та встановлюють більше заходів безпеки. Загальний регламент захисту даних Європи (GDPR) має глибокий вплив на них. Як і раніше, Європа більше зосереджена на регулюванні, ніж на технологічному прогресі, що може мати свої наслідки.
Африка та Латинська Америка все ще перебувають на ранніх стадіях розвитку штучного інтелекту, але прогрес швидкий. Бразильська компанія Nubank виділяється тим, що співпрацює з OpenAI для розгортання інструментів штучного інтелекту локально та зрештою розширення сфери обслуговування клієнтів. У Південній Африці Standard Bank і Nedbank пілотують штучний інтелект у сфері контролю ризиків, послуг підтримки та розробки.
Китай: створення автономного технологічного стеку штучного інтелекту
Банки Китаю не лише використовують штучний інтелект, а й будують технологічний стек штучного інтелекту.
Промисловий і комерційний банк Китаю (ICBC) запустив Zhiyong – велику мовну модель зі 100 мільярдами параметрів, розроблену власними силами. Модель була використана понад мільярд разів і підтримує 200 бізнес-сценаріїв, від аналітики документів до автоматизації маркетингу. Це не просто застосування внутрішніх інструментів, це фундаментальна зміна способу роботи банків.
Група Ant (蚂蚁集团) випустила дві великі мовні моделі в фінансовій сфері — Zhixiaobao 2.0 (智小宝 2.0) та Zhixiaozhu 1.0 (智小助 1.0). Перша призначена для звичайних користувачів Alipay і має на меті пояснити фінансові продукти; друга надає підтримку консультантам з управління активами, може підсумовувати ринкові звіти та генерувати інсайти щодо інвестиційних портфелів.
Група Піньань (Ping An Group), як фінансово-технологічний гігант, що поєднує страхування, банківську справу та технології, просувається далі. Розроблений ними генеративний AI асистент AskBob обслуговує як клієнтів, так і менеджерів з продажу. Для клієнтів AskBob може відповідати на питання про інвестиції та страхування природною китайською мовою; для консультантів він може витягувати та узагальнювати історію клієнтів, дані про продукти та маркетингові матеріали, перетворюючи кожного агента на цифрового фінансового експерта. Мета Піньань — переосмислити фінансове консультування за допомогою AI, не лише відповідаючи на запитання, а й передбачаючи потреби.
В Китаї регуляторна структура сильно заохочує локалізацію даних і прозорість моделей, ці установи обрали довгостроковий шлях: створення адаптованого до внутрішнього регулювання, мовного та ринкового середовища кастомізованого ШІ. Крім того, у Китаї є достатня щільність талантів, що дозволяє банкам самостійно розробляти базові моделі, що є унікальним досягненням у глобальному масштабі.
Хто надає технічну підтримку?
Деякі відомі компанії часто з'являються на глобальному рівні: Microsoft через Azure OpenAI стала найпоширенішою платформою на сьогодні. Від Morgan Stanley до Standard Chartered, багато банків працюють зі своїми моделями в безпечному середовищі Microsoft.
Також використовується LLM (велика мовна модель) від Google, наприклад, Wells Fargo використовує FLAN для підтримки свого Fargo. У Китаї вона в основному покладається на місцеві технології, такі як DeepSeek, Hunyuan тощо.
Деякі банки, такі як JPMorgan Chase, Industrial and Commercial Bank of China і Ping An Group, навчають власні моделі. Але більшість банків допрацьовують свої існуючі моделі. Ключовим моментом є не володіння самою моделлю, а контроль координації шару даних і моделі.
Дослідження різноманітних застосувань штучного інтелекту в усьому 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 правління банку, я б запитав: «Скільки експериментів ми проводимо?». Скільки інсайтів ми генеруємо?»
Щоб справді виміряти прогрес, потрібно повернутися до основних принципів трансформації платформи. Ваша стратегія штучного інтелекту повинна відповісти на такі питання:
«Чи відновила наша AI-стратегія основну архітектуру? Чи знизила вона витрати в 100 разів? Чи відкрила вона нові ціннісні моделі? Чи сприяла вона зв'язкам в екосистемі? Чи порушила вона ринок? Чи забезпечила 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 за допомогою технологій у 70-х і 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 за ринковою капіталізацією в Східній Африці. Аналогічним чином, Access Bank, GT Bank і Capitec підхопили хвилю на своїх ринках.
Ера платформ штучного інтелекту вже настала, і вона створить переможців. Основна увага не на невдахах, а на тому, як переможці займають значну частку ринку в певних сферах. Наприклад, успіх Stripe у сфері платежів є типовим випадком. Ці перші прориви часто призводять до зростання частки ринку в сусідніх сферах, таких як Nubank, який став важливим гравцем у сегменті малих і середніх підприємств та роздрібного банкінгу завдяки бізнесу з кредитними картками.
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.