代客交易、虚拟交易员、智能风控、项目筛选、尽职调查⋯⋯在金融行业，AI的打开方式是？

“AI取代银行业工作岗位的数量可能超过其他任何行业。”花旗集团近期一份报告显示，美国银行业约54%岗位将有可能实现自动化，还将有12%岗位通过AI得到增强。

当下银行业的种种迹象已然对此观点有所映射，特别是这两年正逢生成式AI大模型的风口，“AI+金融”发展迅速。从应用场景来看，银行机构在客户服务与智能问答、信贷审批与风险管理、智能运营与流程自动化等多个领域都开展了AI应用探索且日趋成熟。

这背后的动力在于，在当前息差持续承压、营收增速放缓的环境下，以银行业为代表的金融机构正在进行一场“刀刃向内”的自我革新，而AI在金融领域的创新应用则推动着金融服务向着更加智能化和个性化发展，促使金融机构更有效地管理风险、提高运营效率、优化客户体验。

有观点认为，以生成式AI等为代表的新兴技术作为驱动力，将为金融领域带来一场前所未有的变革，而与此同时，行业仍面临着隐私保护、成本投入、决策可信度等多方面挑战，如何破局成为各家金融机构面临的共性问题。

当前，在金融数字化转型的版图上，一场新的科技竞赛已悄然展开。

交易、贷款、反洗钱⋯⋯人工智能正被广泛应用于银行各业务条线

“就银行业而言，各家商业银行都在拥抱AI技术，希望利用技术创新来支撑业务创新发展，提升服务水平，在差异化竞争中脱颖而出。”南京银行相关负责人对记者表示，由于客户量巨大及AI技术的成熟度，商业银行的零售AI场景更为常见，如智能问答、OCR辅助录入、反欺诈、智能投顾等。其实，在小微企业、中大型企业、集团以及金融市场客户中，各类AI应用场景也逐渐丰富起来，并且银行内部各项管理环节中，也逐步出现了增效、提质的AI场景。

行行AI董事长、工信部工业文化发展中心AI应用工作组执行组长、顺福资本管理合伙人李明顺表示，人工智能在金融行业的应用历史相当悠久。并非因为大语言模型（LLM）的出现，才开启人工智能在金融领域的应用，要将传统的AI技术与大语言模型加以区分。

李明顺介绍，“据我了解，至少从20世纪90年代开始，美国的一些金融行业就已经开始应用人工智能技术。大约在十几年前，我国金融行业也开始采用人工智能技术。包括十年前，我本人也投资了一些专门从事风险控制、资产定价以及消费者信用评分的金融公司。这些应用已经拥有较为丰富的历史，因此可以说，金融行业是人工智能应用较早的领域之一。”

一名在国有行从事风险管理相关工作的员工告诉记者，人工智能在银行金融市场业务中，主要应用于量化交易算法和虚拟交易员。例如，在贵金属、外汇等代客交易中，操作重复且结构化，往往只在方向和金额上有差异，故可使用量化交易算法（AI）代替交易员执行市场策略。而在资金业务中，虚拟交易员可利用生成式AI，在资金拆借等场外交易中，通过聊天方式完成交流、报价甚至成交。

此外，银行还通过在“易贷类”产品中应用AI技术简化贷款审批流程。利用AI分析客户信息，形成“白名单”，名单内客户将在输入请求后快速获得信用额度。上述国有行员工表示，“传统审批流程繁琐，需信贷员与客户沟通、签署材料、提交分行或总行审批，耗时可能数周至数月。‘易贷类’产品使审批模型化、实时化，客户可迅速获得反馈。”

在结算业务中，AI还用于反欺诈和反洗钱，预判交易风险。上述国有行员工指出，“以前身份证到期后需要去网点更新信息，现在不用去网点，拍照人脸识别即可，这也得益于AI的应用。”

此外，李明顺也表示，生成式AI正被用于提供轻度引导服务，包括为高净值客户提供投资理财咨询。结合数字人技术，指导客户办理手续，提供专业投资建议，同时降低隐私信息泄露风险。传统人工服务中，客户经理可能记住敏感信息，存在信息泄露风险。人工智能则能有效保护客户隐私，避免数据泄露。

人工智能还可被应用于催收。李明顺表示，“过去，催收工作通常由人工执行。然而，人工催收存在情绪波动问题，可能导致不当沟通和极端行为。生成式AI辅助催收可通过预设表述避免过激语言，能够始终保持礼貌、专业，且不用休息。”

参与项目筛选、尽职调查⋯⋯硅谷风投机构“玩转”人工智能

谈及未来可探索的领域，上述国有行工作人员表示，AI还可用于贷后管理，预警市场风险、信用风险或其他风险指标。此外，由于生成式AI在文本处理上具有先天优势，未来还可探索在舆情管理方面的应用。

李明顺表示，人工智能辅助面试在大规模招聘中极具潜力。人工智能可准确记录候选人的情绪、性格及专业程度，帮助面试官客观评分，减少私人关系影响。已有公司在连锁企业中尝试AI面试，虽非直接服务金融，但原理相同，预示着AI在金融人力资源领域的应用前景广阔。

一位在海外咨询行业工作的数据分析师告诉记者，他所在的公司正在训练自己的大模型。“公司在这个行业已有20年历史，我们想把历史数据做成数据库，输入到大模型中，做一个聊天机器人。”训练过程需要大量数据微调，“要将机器人变成能回答某一领域问题的专家，就需要这个领域的专家出马，给出问题的答案。组内的数据工程师再将答案拿走用作微调，逐步将大模型调整到可以给出合理答案的状态。”

《AIGC：智能创作时代》作者、未可知集团创始人杜雨曾先后供职于腾讯、红杉资本。他表示，大模型在数据处理、表格创建方面的速度及能力已远超传统信息服务软件。目前，券商在报告编写、投资协议草拟及定期报告撰写等场景中，已开始利用这项技术。

此外，硅谷风险投资机构已广泛采用人工智能参与项目筛选、尽职调查，并撰写投资备忘录。AI通过算法和数据分析，提高风投与初创公司匹配效率，实现自动化筛选和交易搜索。它辅助商业数据分析，使投资人快速决策。投资人还可利用专有数据源训练人工智能平台，构建内部知识库，增强投资决策深度和广度。

在投资机会发现阶段，AI通过分析招聘平台动态、应用程序下载量和消费品交易规模，帮助投资者识别潜在项目。尽职调查环节中，生成式AI自动生成公司业务介绍，进行前瞻性分析，直接通过邮件发送给投资者，包括投资选项比较和评估。撰写投资建议书环节，生成式AI可以完全自动化地完成，提供专业且精准的投资建议。

此外，AI在时间管理和规划方面也能为投资团队提供有力支持。团队成员可以在系统上查看同事对特定项目的评价和反馈。系统具备定期提醒功能，确保投资团队能够及时回访目标公司，并更新业务进展。

多位受访人士指出，AI介入金融领域带来的优势是多方面的，其中最为显著的是效率和成本的优化。与传统的业务操作流程相比，AI技术能够自动化、智能化地处理大量数据，实现快速、准确地决策，从而显著节省时间和人力成本。

同盾科技创新研发负责人Tinus对记者表示，AI的介入能够提升金融风控、金融营销等应用的精准度，提高金融机构的效率、降低运营成本，并增强金融服务的普及性。

他举例说道，传统金融业务流程主要依赖专家决策系统，系统建设以指标和专家规则为基础，指标加工以数据批处理等离线方式为主，数据时效性较低；专家规则的更新维护以数据分析为基础，需要大量领域专家的人工成本，且难以满足日益增长的业务体量。

与传统的离线批处理方式相比，AI可以更及时地获取最新的数据和信息，为决策提供更全面的参考。与传统的基于指标和规则的风险评估相比，AI优化的决策系统可以综合利用更多维度的数据和因素，更全面地识别潜在的风险，通过持续的数据分析和模型优化，可以不断提升决策的精准度。

瑞银证券非银金融分析师曹海峰以证券行业为例阐释AI介入带来的优势。一是大幅减少基础性、重复性的人力工作，提升效率。例如，营销环节中的人工客服、营销内容制作；投顾业务中初步客户信息收集、客户咨询；投研工作中的数据检索、会议纪要、定期报告撰写、路演材料制作；投行业务中的银行流水核查、招股书撰写等；投资中的交易策略代码撰写；中后台的报告生成、办公、代码开发。

二是提效，赋能员工，提升产品竞争力，投研业务中分析师利用“数字分身”提高传播效果；投资业务中实现数据的自动挖掘分析、股价预测、优化基金产品的收益风险比；交易业务中优化交易策略以减少交易成本及人为偏差。

三是优化服务，提升客户体验。例如，在营销环节中实现千人千面的营销；投顾业务中深度分析客户需求并提供个性化推荐，投顾通过智能检索内部智库为客户提供专业化服务，人性化的智能客服。

一位就职于头部券商的投资顾问告诉每经记者，他在日常工作中通过人机结合的方式扩大了服务半径。一方面，生成式AI的介入提高了微信回复客户的效率；另一方面，借助生成式AI将专业术语转化为客户易懂的语言或故事，再结合自己的专业知识校正，增强沟通效果，提升转化率。

“大模型在直播准备中也能发挥重要作用，”由于工作需要，他经常需要直播。“帮助确定主题、搜索资料、设计PPT，节省时间。主播只需提供核心思想，给出总体趋势或策略，并负责审阅修改。这让我能够专注于核心策略和研究工作。”

合规风险、隐私保护⋯⋯人工智能尚不适用于金融行业核心部门

曹海峰认为，短期来看，对于生成式AI技术实际落地仍相对谨慎，特别是对客业务，落地案例较少。制度环境方面，随着《生成式人工智能服务管理暂行办法》的出台，以及未来金融监管的或有规定，公司需要考虑如何合理地使用这一技术。

合规风险方面，一方面需要保证内部数据的安全性，另一方面使用GPT技术服务客户，直接推荐股票、基金等受到监管牌照限制。技术方面，大模型在一些问题的回答上仍存在谬误，需要人工介入审核和校对，可能会招致客户投诉。

同时，记者在采访中了解到，目前AI在金融领域的应用还存在以下痛点。

一是可能导致市场变得更加脆弱。上述国有行员工指出，如果金融市场中的参与者广泛采用同一模型进行决策，这可能会导致市场变得更加脆弱。假设所有参与者使用相同的模型，并且输入相同的数据，那么很可能会得出相似的结论。金融市场的交易需要观点不同的买卖双方达成一致才能完成交易。如果大多数参与者都采取相同的观点，比如同时选择卖出，那么市场波动可能会因此而剧烈增加。

二是大模型尚不适用于金融行业核心部门。李明顺总结了金融业在应用大模型时的困境。他表示，可以将大模型在金融行业中的应用理解为人工智能技术的一个分支。大模型在金融行业的主要应用体现在营销端和服务端，例如资料整理、咨询服务等。然而，在一些更为严格和关键的金融领域，如风险控制和资产定价，其应用并不十分直接，因为大模型目前还存在幻觉。

李明顺认为，“大模型本质上是一种语言模型，它能够理解和处理文本，但并不是一个规则引擎，大模型并不适用于金融行业的核心部门。”上述券商投顾也认为，大模型更适合专业人士使用。因为普通人可能缺乏足够的金融知识和经验来判断生成式AI提供的信息是否准确。如果生成式AI提供的信息是错误的，而用户又无法辨别，这可能会导致问题。

三是缺乏个人信用评分领域的标准化机构。李明顺表示，美国金融行业广泛应用AI于证券和资产交易，得益于标准化用户数据。我国银行业虽收集用户信息，但银行间数据未互联互通，资产量化评级面临标准化不足问题。AI在我国金融业主要用于风险控制和初级营销，标准化不足是其应用的主要限制。

四是隐私保护难题。上述数据分析师表示，其所在公司虽然正在致力于将人工智能培育成领域专家，但对于将聊天机器人开放给客户使用也有顾虑。“假设一个场景，公司先后接了两家公司的合同，这两家公司是竞争关系。他们都不可以通过我们知道对方公司的消息，这就需要一个壁垒。而大模型具有随机性，这很难实现。”

按计划，该模型数月后便可投入使用。出于这一顾虑，该模型初期仅供内部顾问使用，帮助新员工快速获取关键信息。

此外，为防止隐私泄露，其所在公司的法律部门提出不能在开放的大模型平台上训练。最终，该公司决定将开源模型下载后部署到公司服务器上，在本地完成检验、微调。

生成式AI对金融行业的潜在重塑将大于其他行业

曹海峰认为，生成式AI对金融行业的潜在重塑将大于其他行业，主要由于其大量的数据沉淀、劳动力密集度高，以及与语言相关的工作内容占比高。Tinus表示，“金融领域正在经历一场由多元技术融合推动的创新浪潮。在这场浪潮中，人工智能、区块链、大数据、云计算等前沿技术相互交织，为金融应用创新提供了强大的动力。”

Tinus进一步解释，人工智能与大数据、云计算等技术的融合，拓展大规模数据的应用，并通过强大的计算能力，支持更加复杂和智能化的金融智能应用；人工智能与区块链技术的融合，利用区块链的分布式账本、智能合约等能力，实现数据的不可篡改性、可溯源性，增强金融数据应用信任度，提升人工智能在金融领域应用的可信性和可监管性。

此外，人工智能与密码学技术融合，打破跨机构间数据智能协同共享的安全壁垒，拓展人工智能数据应用边界，尤其是金融领域面临的私域数据共享流通难题，以技术手段解决金融数据的安全、可信、智能化流通难题。Tinus表示，“随着这些多元技术的不断融合和发展，人工智能必将进一步推动金融科技创新和金融应用领域的变革。”

Tinus认为，AI在金融领域的应用中，数据全生命周期的安全保障问题至关重要，可信人工智能将成为重要的发展趋势。

可信人工智能的特征要素包括安全性、鲁棒性、公平性、可解释性、隐私性、可控性等。采用隐私计算、区块链、数据沙箱等技术搭配融合，是实现人工智能的隐私增强的有效手段。通过隐私增强打造可信人工智能的安全底座，将赋能金融科技从“数字化”向“数智化”转型的道路上，实现安全可靠可追溯，促进人工智能的可持续发展和更多创新应用。

“AI Agent（AI智能体）是大模型在金融领域应用的一个重要趋势。AI Agent是基于大语言模型进行构建，同时具备记忆检索、决策推理及行动顺序选择等特性，让其在处理复杂任务上更具备优势，被认为是未来的发展方向。AI Agent的智能决策、自动化执行、个性化服务、持续学习和优化等特点，能够为金融机构提供更加智能化、更高效的服务和决策支持。”Tinus表示。

封面图片来源：视觉中国-VCG41N1472123004