•
麥肯錫：如何充分發揮生成式人工智慧在銀行業的價值
設計生成式人工智慧試點很容易；但是要擴展生成式人工智慧的應用以實現實質價值是很困難的。成功的秘訣正在顯現。
生成式人工智慧(gen AI)於2023年初突然出現，為全球組織帶來了明顯的正面成果，同時也帶來了新的潛在風險。儘管可能會出現一些複雜情況，但銀行業領導人似乎已經同意了。三分之二的高級數位和分析領導者參加了最近舉行的麥肯錫生成式人工智慧論壇1表示他們相信這項技術將從根本上改變他們開展業務的方式。銀行機構面臨的緊迫問題是如何以及在何處最有效地使用人工智慧，以及如何確保應用程式在其組織內得到充分採用和擴展。
麥肯錫全球研究所估計，在全球各產業中，在其分析的63個用例中，生成式人工智慧每年可增加相當於2.6兆至4.4兆美元的價值。在各行業中，銀行業預計將擁有最大的機會之一：每年潛力達2000億至3400億美元（相當於營業利潤的9%至15% ），主要來自生產力的提高（圖表）。經濟影響可能會使所有銀行部門和職能部門受益，其中企業和零售部門的絕對收益最大（分別為560億美元和540億美元；請參閱附文「銀行如何使用生成式人工智慧」）。（值得注意的是，儘管由於銀行經濟面臨更廣泛的壓力，銀行在其最初的一代人工智慧試點中正確地關注了生產力，該技術可以極大地改變一些工作的完成方式以及客戶與銀行的互動方式。它甚至可能會帶來全新的商業模式。）
銀行如何使用生成式人工智慧
生成式人工智慧(gen AI) 應用在銀行機構的先鋒中日益成熟。大多數最初的應用都集中在改善客戶服務、座席生產力和軟體開發。根據麥肯錫的分析，迄今為止， Gen AI 在所有行業創造的價值中約有75% 屬於客戶參與和其他三個類別：內容合成（虛擬專家）、內容生成以及編碼和軟體。
·客戶參與度。Gen AI 解決方案可以將繁瑣的手動流程轉變為更具吸引力、更有效率的互動。例如，消費者貸款機構的虛擬助理透過聊天記錄中的有用摘錄和術語解釋來指導其員工完成貸款申請流程，從而使流程更加簡化且不那麼繁瑣。一些企業銀行正在使用gen AI 為員工提供經過批准的初始模板，以幫助起草某些類型的服務文件。
·內容合成（虛擬專家）。Gen AI 模型透過從大量資訊中總結和汲取見解來提高員工績效——例如，查詢跨地區的最新公共法規；創建研究報告、推廣材料、客戶情緒分析和指導手冊；或充當「虛擬專家」。據報道，摩根士丹利使用GPT-4 構建了一個人工智慧助手，幫助其數以萬計的財富經理從龐大的內部知識庫中快速找到並綜合答案；它還總結客戶會議的內容並產生後續電子郵件。另一家領先銀行報告稱，透過使用gen AI，其製作投資簡介的時間將縮短90% 以上（從9 小時縮短到30 分鐘）。
·內容生成。Gen AI 模型可根據客戶資料、歷史記錄和產品詳細資訊為許多用例即時建立客製化內容，例如個人化行銷和銷售資料。一家銀行正在使用基於GPT 的引擎來創建超個人化的行銷訊息，以加速端到端行銷活動，同時提高整體效率。
·編碼和軟體。Gen AI 代碼助理正在幫助企業解決技術債問題並加速軟體交付。程式碼助理使用自然語言提示將舊程式碼翻譯為新語言，並透過偵錯和建立測試來支援開發人員。他們還可以透過優先乾預和重構來評估銀行的傳統格局。
對於尋求利用這項寶貴技術的銀行來說，一代人工智慧的擴展在某些方面與其他任何技術一樣——它需要老式的變革管理技能、預先的高階領導協調和支援、業務部門對結果的責任、以價值為中心的用例、明確的目標等等。在其他方面，生成式人工智慧的擴展是大多數領導者從未見過的。
有幾個因素可以解釋為什麼生成式人工智慧有所不同。首先是任務的範圍和相關影響。就像智慧型手機催生了整個商業和商業模式生態系統一樣， gen AI正在使全方位的高級分析功能和應用程式變得相關。高階主管團隊突然意識到人工智慧的力量。幾乎一夜之間，銀行業領導者必須在強化學習和卷積神經網路等曾經晦澀難懂的術語中尋找出路。但擴展人工智慧時代需要的不僅僅是學習新術語——管理團隊需要破解和考慮人工智慧時代可能創造的幾個潛在途徑，並進行策略調整並為自己的選擇定位。
第二個因素是，人工智慧的擴展使大多數金融機構幾乎已經解決的營運動態變得複雜。正如銀行相信他們終於彌合了業務和技術之間臭名昭著的鴻溝（例如，透過敏捷、雲端和產品營運模式的變化），分析和數據變得突出，並創建了關鍵的第三個協調節點。雖然銀行的分析相對集中，通常集中管理，但gen AI表明，數據和分析需要在更大程度上支持價值鏈中的每一步。業務領導者必須與同事進行更深入的互動，並同步經常不同的優先事項。根據我們的經驗，大多數銀行的這種轉變正在進行中，營運模式仍在不斷發展。
第三，變革的步伐從未如此之快。儘管智慧型手機花了很多年才將銀行業務轉移到更數位化的目的地，但行動銀行最近才取代網路成為美國主要的客戶參與管道——生成式人工智慧工具的採用只需要很短的時間。例如，據報道，高盛正在使用基於人工智慧的工具來自動產生測試，而這一直是一個高度勞動密集的手動流程。花旗集團最近使用gen AI來評估美國新資本規則的影響。對於行動緩慢的組織來說，如此快速的變化可能會對他們的營運模式造成壓力。
最後，擴展生成式人工智慧面臨獨特的人才相關挑戰，其規模將在很大程度上取決於銀行的人才基礎。例如，領先的企業和投資銀行已經建立了由量化分析師、建模師、翻譯人員和其他人員組成的專家團隊，他們通常擁有人工智慧專業知識，並且可以將現代人工智慧技能（例如快速工程和資料庫管理）添加到他們的能力集中。員工中人工智慧專家較少的銀行需要透過培訓和招募的結合來增強其能力，這不是一項小任務。
成功的生成式人工智慧擴展—七個維度
雖然實施和擴展生成式人工智慧功能可能會在模型調整和資料品質等領域帶來複雜的挑戰，但該過程比類似範圍的傳統人工智慧專案更容易、更直接。高品質的用例可以在幾天或幾週內啟動。從我們早期參與gen AI的過程來看，無論是內部使用（查看麥肯錫的gen AI見解專家），還是在我們與成功在整個企業範圍內擴展gen AI的銀行的合作中，我們發現，除了最初的概念證明之外，還可以提供持續的價值，需要跨越七個維度的強大能力。
1.戰略路線圖
在擴展生成式人工智慧方面取得早期成功的管理團隊已經從策略角度出發，了解生成式人工智慧、人工智慧和更廣泛的高階分析可以在其業務中發揮作用。這種觀點可以涵蓋從高度變革的商業模式變化到基於利基生產力計劃的更具戰術性的經濟改進的一切。例如，財富管理公司的領導者認識到生成式人工智慧有可能改變向客戶提供投資建議的方式，以及它如何影響營運平台、關係、合作夥伴關係和經濟等更廣泛的產業生態系統。因此，該機構正在對人工智慧的投資方向和投資金額採取更具適應性的觀點。
這種高階領導的協調可以為用例領域產生強大的業務級支援。一代人工智慧規模化的有效策略路線圖還可能包括：
·高階領導階層的願景、一致性和承諾以及業務單元級交付成果的責任
·可以建立多個相關用例的優先領域（功能或業務單元）列表，每個用例都有一個基於價值潛力和交付可行性的清晰業務案例（人工智慧並不總是正確的解決方案；有時傳統的分析人工智慧更好）
·清晰的「從/到目標」重新構想優先領域
·評估賦能能力，包括人才、敏捷營運模式、技術與數據
·全面的擴展計劃，確定何時以及如何處理每個領域並建立支援能力
·必要時制定詳細的合作夥伴計劃，以潛在地增強現有能力或獲得新能力
2 、人才
生成式人工智慧作為一項關鍵能力的出現速度之快，讓銀行領導者幾乎沒有時間來準備應對該技術對其員工的影響，以及如何提高員工技能或吸引所需的人才。
解決方案從頂層開始。領導者必須對生成式人工智慧有深入的個人理解（如果他們還沒有的話）。對高階主管教育的投資將使他們能夠準確地向員工展示技術與銀行營運的聯繫，從而產生興奮並克服恐懼。
為了進一步揭開新技術的神秘面紗，優先領域內的兩到三個高知名度、高影響力的價值創造燈塔可以就生成式人工智慧的價值達成共識。他們還可以用實際的方式向員工解釋人工智慧將如何改善他們的工作。
房間裡還有一頭大象：關於人工智慧的大部分討論都集中在自動化和失業的潛力上。麥肯錫自己的預測顯示該技術可以實現高達70%的業務活動的自動化。領導者必須正面解決員工的這些擔憂；透明度應該是優先事項。他們還可以提供清晰的訊息，說明gen AI如何自動化某些任務和體力工作，從而提高整體生產力和員工體驗。
Gen AI也正在催生新的人才檔案。在人工智慧出現之前，快速工程和模型微調並不是大多數銀行人才領導者關注的技能。很少有公司能夠一開始就擁有合適的人才組合，因此他們需要致力於長期培養所需的角色、技能和能力。這個過程必須是持續的：一些生成式人工智慧計畫可能會在短期內啟動並運行；其他的可能幾年內都不會結出果實。因此，提高員工技能需要採取持續的方法，考慮到不斷變化的所需技能和能力。
銀行還需要定期評估其人才獲取策略，以適應不斷變化的優先事項。他們應該全面實施基於技能的招募、資源分配和技能提升計劃；許多職位需要人工智慧、雲端工程、資料工程和其他領域的技能。一如既往，留住人才不僅僅意味著提供有競爭力的薪酬。明確的職業發展和晉昇機會以及有意義和價值的工作對於普通技術從業者來說非常重要。
3 、營運模式
銀行業領導者常常呼籲採用新的營運模式來支持新技術。但我們認為「生成式人工智慧營運模式」是用詞不當。成功機構的模型已經實現了靈活性和可擴展性來支援新功能。適合擴大規模的營運模式是跨職能的，並且協調交付團隊和業務團隊之間的責任和職責。跨職能團隊使產品團隊更貼近業務並確保用例滿足特定的業務成果，從而實現實施的一致性和透明度。資金、人員配置、採購和風險管理等流程需要重新安排，以提高速度、規模和靈活性。
鑑於生成式人工智慧的新生程度，許多銀行已經集中了設計和實施執行標準、分配資源、提供基礎模型的存取、指導研究和開發、創建可重複使用組件、管理風險以及確保與整體數位和人工智慧策略保持一致的方式。麥肯錫最近對美國和歐洲銀行進行的gen AI成熟度基準調查顯示，超過50%的銀行即使他們通常的數據和分析設定相對分散，也採用了「更集中」的生成式人工智慧組織。無論集中化程度如何，在識別、原型設計和部署生成式人工智慧應用程式以及將模型整合到業務流程中時，與業務團隊的密切和早期協作都至關重要。讓業務儘早參與評估用例可以產生有關高影響力機會、資料可用性和實施要求的營運見解。在整個原型設計和部署階段，持續的跨職能對話可確保模型遇到真實的業務場景並從中學習，發現潛在的風險，同時釋放可能性的藝術。持續徵求使用者回饋有助於團隊交付和完善真正嵌入決策和工作流程的人工智慧解決方案。促進技術人才和商業領袖之間整合的銀行更有可能開發可擴展的人工智慧解決方案，創造可衡量的價值。
促進技術人才和商業領袖之間整合的銀行更有可能開發可擴展的人工智慧解決方案，創造可衡量的價值。
隨著技術的進步，銀行可能會發現針對特定功能採用更聯合的方法是有益的，允許各個領域根據其需求識別活動並確定其優先順序。機構必須反思為什麼其當前的營運結構難以無縫整合這些創新能力，以及為什麼這項任務需要付出巨大的努力。最成功的銀行的蓬勃發展不是透過發起孤立的舉措，而是透過為現有團隊配備所需的資源並採用人工智慧所需的必要技能、人才和流程。
4 、技術
當銀行仔細權衡「建構、購買與合作夥伴」選項時，即當他們比較內部開發解決方案與使用來自生態系統合作夥伴的經過市場驗證的解決方案的競爭優勢時，在擴展生成式人工智慧方面取得了早期成功。鑑於開源替代方案的發展速度，基礎模型、雲端基礎設施和MLOps平台等功能面臨商品化的風險。透過明確的策略做出有目的的決策（例如，關於在哪裡真正創造價值）是成功規模化努力的標誌。
對銀行來說，穿越這個迷宮是一項錯綜複雜的挑戰。他們採購資料庫和雲端服務等第三方IT解決方案的歷史使他們熟悉了相關風險，但生成式人工智慧模型固有的不確定性提出了新的挑戰。採用這些模型需要提高對供應商的信任，這些供應商可能會超越銀行既定的風險或監管護欄，這可能會使他們青睞將風險水準維持在特定閾值以下的生成式人工智慧應用程式。這種限制是銀行在其應用和用例決策中必須仔細考慮的。
同樣，擁有支援生成式人工智慧的架構的整合視圖也至關重要。生成式人工智慧堆疊必須相互增強且內部一致，不僅與其不同組件一致，而且與現有的遺留堆疊一致。大多數銀行可能會部署廣泛的生成式人工智慧模型，每個模型都將與其現有系統、工作流程、企業應用程式和資料來源整合。這是一項關鍵而複雜的任務。有效的整合和模型維護將取決於多個架構元件：上下文管理和快取、策略管理、模型中心、提示庫、 MLOps平台、風險管理引擎、大型語言模型(LLM)操作等。
5.數據
Gen AI對非結構化資料的嚴重依賴又增加了一層與資料相關的複雜性，而銀行目前的資料策略和架構可能無法勝任這項任務。例如，某些資料遷移到雲端或第三方平台會產生約束和自由度，必須清楚地理解這一點。儘管大多數銀行在使用結構化數據方面已經具備了強大的能力，但許多銀行一直在努力利用非結構化數據，這主要是因為它們缺乏部署更複雜的人工智慧的能力（例如自然語言處理技術）和基礎設施（特別是運算能力）楷模。Gen AI本身或許可以提供一個解決方案。Gen AI的自然語言功能可以從非結構化資料（例如歷史服務互動、社交貼文、新聞和網頁）中提取見解，並為第一線銀行員工提供提示，以增強他們與客戶的互動。量身定制的生成式人工智慧解決方案的策略部署使金融機構能夠深刻增強其服務營運並改善整體客戶體驗。同時，它促進了資料存取的民主化，為整個組織釋放非結構化資料的全部價值。同樣，對於資料架構，重點應該放在開發支援最廣泛的高價值應用程式的能力。必須內建相關功能，例如向量資料庫以及資料預處理和後處理管道。
數據品質一直很重要，但在生成式人工智慧的背景下變得更加重要。同樣，許多資料的非結構化性質和資料集的大小增加了找出品質問題的複雜性。領先的銀行正在結合人才和自動化，在數據生命週期的多個點進行幹預，以確保所有數據的品質。資料領導者還必須考慮新技術安全風險的影響，並準備好迅速採取行動以回應法規。
6.風險與控制
Gen AI在提高生產力的同時，也帶來了新的風險（請參閱附文「一系列獨特的風險」）。對於金融機構來說，生成式人工智慧的風險管理仍處於早期階段——我們發現大多數機構處理這個問題的方式幾乎沒有一致性。然而，銀行遲早需要重新設計其風險和模型治理框架，並發展新的控制措施。
專欄一系列獨特的風險
生成式人工智慧（ gen AI）儘管具有所有潛在的好處，但也伴隨著獨特的風險。一些最突出的問題包括：
·損害了公平性。由於開發和部署階段的訓練資料或工程決策不完善， Gen AI 可能會出現演算法偏差。
·智慧財產權陷阱。訓練資料和模型輸出可能會產生巨大的智慧財產權風險，包括可能侵犯版權、商標、專利和其他受法律保護的資料。
·隱私問題。Gen AI 可能會透過（可能是無意的）使用模型訓練中使用的個人或其他敏感資訊來加劇隱私問題。
·安全威脅。應用程式可能會受到安全漏洞和操縱的影響。例如，不良行為者可能透過混淆、有效負載分割或虛擬化來繞過安全過濾器。
·可解釋性。Gen AI 依賴具有數十億個參數的神經網絡，從而使向用戶解釋任何給定答案是如何產生的嘗試變得複雜。
·可靠性。Gen AI 可能會對相同的提示產生不同的答案，從而妨礙用戶評估輸出的準確性和可靠性的能力。
·組織影響。人工智慧可能會對勞動力產生重大影響，對特定群體和當地社區可能產生不成比例的負面影響。
· ESG 影響。基礎模型的培訓和部署可能會增加碳排放並超越環境、社會和治理(ESG) 承諾或期望。
從第一天起，就必須將負責任地使用生成式人工智慧納入擴大路線圖。當然，銀行會遇到不同的監管監督，涉及模型可解釋性和公正決策等問題，在擴展任何應用之前必須全面解決這些問題。
為了減少與人工智慧「幻覺」相關的風險（當模型產生不合邏輯或不基於實際數據的答案或輸出時，會發生幻覺），目前的方法是循環主題專家來驗證模型輸出。然而，這個過程可能無法擴展到所有具有實質價值的潛在用例。為了幫助主題專家集中時間和精力，銀行正在開發自動化、驗證方法和手冊。例如，可以透過實用的方式控制幻覺：調整LLM參數的設置，例如控制輸出隨機性的溫度設定；或設定後處理第一道防線，例如自動內容審核以標記有毒輸出內容。
7.應用與變革管理
銀行如何管理變革可以決定規模擴大的成敗，特別是在確保採用方面。如果沒有經過精心設計來鼓勵員工和客戶使用，即使是最深思熟慮的應用程式也可能會停滯不前。如果員工對技術不滿意且不了解其局限性，他們將無法充分利用該工具。同樣，變革性技術甚至可能在最善意的高階主管之間引發地盤爭奪戰。在一個機構，尖端人工智慧工具未能在銷售人員中充分發揮其潛力，因為高管無法決定它是「產品」還是「能力」，因此沒有全力支持該工具的推出。
在當今快速發展的環境中，生成式人工智慧解決方案的成功部署需要轉變視角，即從最終用戶體驗開始，向後推倒。這種方法需要重新思考流程和創建人工智慧代理，這些代理不僅以使用者為中心，而且能夠透過人類回饋的強化學習進行適應。這確保了生成式人工智慧支援的功能以與人類輸入保持一致的方式發展。
成功的生成式人工智慧規模化也需要全面的變革管理計畫。這樣的計劃透過包括以使用者為中心的變革管理來維持團隊的參與；納入對高階領導和員工的培訓；涉及領導者和影響者的榜樣；對預期優先事項、投資和成果有清晰的認識；令人們信服地描述如何改變思考方式和文化；並定義人們使用該功能的顯性和隱性激勵。最重要的是，變革管理流程必須透明且務實。
Gen AI當然有潛力透過提高銀行和其他金融機構的生產力來為銀行和其他金融機構創造巨大的價值。事實上，每週都會出現新的例子。但擴大規模總是很困難，目前還不清楚銀行將如何有效地將人工智慧解決方案推向市場並說服員工和客戶完全接受它們。只有遵循一項涵蓋所有相關障礙、複雜性和機會的計劃，銀行才能在未來很長一段時間內充分利用生成式人工智慧的巨大前景。(點滴科技資訊)