*轉發原始標題‘#81 - 超越炒作：爲什麼生成式人工智能是銀行業下一個真正的平台轉變（免費閱讀）’

由 Triage 贊助

由高管打造

在非洲的金融服務行業，風險、信貸、合規和技術等領域的專業知識可以決定一家公司的表現。應對復雜的法規和整合新技術需要領導者了解金融產品的細微差別、利益相關者的期望和市場現實。沒有這種深厚的知識，即使是資金充足的機構也面臨可能導致投資者不安、增長停滯和客戶信任受損的代價高昂的失誤。

Triage 帶來了作爲銀行和金融服務運營商的實踐經驗，以及與全球一些最大金融服務企業合作的國際經驗。我們的團隊與來自非洲超過 35 個國家的高級領導者合作，支持一系列增長和變革策略，服務於從早期創業公司到擴張企業，再到數字化轉型和扭轉局面的廣泛客戶。這種廣泛的經驗使我們能夠識別出傳遞的專業知識與真正的能力之間的區別，確保您與真正理解在快速發展的金融服務世界中取得成功所需的領導者進行接觸。

介紹

懷疑主義是看透資產負債表、最新的金融工程奇跡或必然成功故事所必需的……只有懷疑者才能分清那些聽起來很好並且確實如此的事情與那些聽起來很好但並非如此的事情。我所知道的最佳投資者都體現了這一特質。這是絕對必要的。- 霍華德·馬克斯

作爲金融行業的年輕人，培養適度的懷疑精神是非常重要的。在銀行業尤其如此，因爲最成功的銀行是那些避免損失的，而不是那些追逐勝利的。這是一種消極的藝術。然而，懷疑精神並不等同於悲觀。它僅僅意味着對什麼是炒作、什麼不是炒作有辨別能力。許多金融從業者面臨的挑戰是，他們陷入了爲了社交信號顯示自己聰明而懷疑的陷阱。

正如約翰·科利森或納瓦爾·拉維坎特所說：“悲觀者聽起來聰明，樂觀者賺錢”。懷疑的思維是有價值的。然而，要使其有價值，它必須與分析的嚴謹性相匹配，重要的是，當事實改變時，能夠改變自己的想法。

這是當前生成性人工智能討論中，尤其是在銀行和金融領域的有用背景。特別需要明確提到生成性人工智能，而不是已經存在一段時間的機器學習，尤其是在銀行部門。生成性人工智能是一種可以從大量數據中學習並創造新事物（如文本、圖像、音頻或視頻）的智能。懶惰的懷疑主義導致許多人過早地稱AI爲炒作，而無節制的樂觀可能會導致過早的投資。爲了做出明智的AI決策，將AI放在上下文中是很重要的，特別是其經濟背景。這意味着將AI分析爲平台轉變，並將其與其他平台轉變進行歷史比較。從歷史背景來看，AI應該使銀行家和金融行業做出正確的決策。

在今天的文章中，我們將了解什麼是平台轉變，回顧過去的平台轉變及其對金融服務行業的影響，將人工智能作爲平台轉變放在其上下文中，看看全球銀行和金融科技公司在人工智能方面的舉措，並評估金融服務行業領導者的關鍵經驗教訓。

平台變革與金融服務

什麼是平台轉變

金融和其他行業一樣，受到技術帶來的變化的影響。無論是電報對基於分行的銀行業務的影響，還是迷你計算機對自動取款機的影響，金融一直在適應平台的變革。在技術領域，平台變革是指基礎技術架構的根本變化，這種變化由於基礎成本結構的飛躍變化而使新能力得以實現。通常，這使得新的商業模式和創造價值的方式成爲可能。關鍵是，某件事情的成本結構必須發生根本變化，即做某事的成本降低10倍以上，才能真正被視爲平台變革。其關鍵特徵可以描述爲；

• 基礎架構變更：平台轉變涉及技術結構和訪問方式的根本變化，而不僅僅是對現有系統的改進。
• 指數級成本效益提升：它們通常在成本、性能或能力方面提供數量級（10倍或更大）的提升，而不僅僅是增量收益。
• 新的價值創造模型：平台轉變使得全新的商業和價值創造模型得以實現，這些模型在以前並不可行。
• 生態系統形成：它們孕育出豐富的互補產品、服務和業務生態系統。這往往是一種效果，而不是一個定義特徵。
• 市場幹擾：平台的變革常常會擾亂現有行業，並創造全新的市場。
• 民主化：他們通常使技術對更廣泛的受衆可及，能夠吸引新的參與者。

我們將看看一些歷史平台的變化，並重要地進行分析；

1. 平台轉變的全部內容；
2. 其對成本結構的影響；
3. 這一輪的獲勝者以及他們如何利用這項技術；

1. 主機：集中計算（1950年代–1970年代初）

歷史背景和主要特徵
在1950年代之前，銀行通過手工或電動機械制表機來保持帳本。處理支票意味着一名職員輸入一條項目，歸檔紙張，並在日結束時對帳目進行核對。IBM的System / 360等大型計算機引入了存儲程序計算、磁墨字符識別和批處理。第一次，一臺機器可以每小時讀取數萬張支票，自動應用帳戶規則，並在夜間發布結果。

成本曲線
資本帳單很高，幾百萬美元，但發布交易的邊際成本相較於手工錄入下降了大約一百比一。錯誤率大幅降低，截止窗口縮短，規模問題變成了軟件問題，而不是人員問題。

贏家的故事
在二戰後的美國，美國中產階級蓬勃發展，尤其是對銀行服務和支票的需求不斷增長。在美國銀行，支票帳戶的數量以每月23,000個帳戶的速度增長，銀行不得不在下午2點之前關閉以處理支票。美國銀行實施了電子記錄機器會計（ERMA）系統於1959年投入使用。它每小時處理約36,000張支票（每秒約10張），而人類簿記員每小時僅處理約245張支票。它每年處理三季度的億筆交易，使銀行能夠在不僱傭成千上萬的文員的情況下擴展到加利福尼亞以外的地區。對於美國銀行來說，通過大幅提高吞吐量（超過100倍更快），它大大降低了每張支票處理的成本，並擴展到服務更多客戶。自動化後臺任務使像美國銀行這樣的早期採用者獲得了成本優勢，推動了它們成爲全國領先者的增長。

2. 小型計算機：部門自動化（1970年代–1980年代中期）

歷史背景和關鍵特徵
微型計算機的出現——比大型機更小、更便宜——使計算機的使用超越了財富500強企業。銀行、經紀公司和服務提供商可以在部門或分支機構層面部署來自DEC、Data General、IBM的AS/400系列等廠商的迷你和中型系統。這個時代見證了電子網絡和金融科技服務的誕生，它們可以在更便宜的基礎設施上運行，從而使新的專業參與者得以湧現。

成本曲線
一個分支現在可以以主機計算機成本的一小部分擁有自己的計算能力。互動會話取代了批量報告，自動取款機等新渠道變得經濟可行。微型計算機削減了計算成本。1970年代中期的微型計算機可能成本在數萬美元，單個計算成本相比1960年代的主機降低了一個數量級。這種可承受性擴大了金融領域的信息技術採用。因此，到1980年代，甚至中型金融公司也在實現計算機化操作，帶來了更快的服務和更低的單位成本。

贏家的故事

一臺DEC迷你計算機 - 來源DEC

花旗銀行購買了數百臺Tandem NonStop和DEC迷你計算機，將它們聯網到自動取款機，並在1977年推出了“花旗從不睡覺”的營銷活動。當1978年暴風雪封鎖紐約時，花旗的自動取款機仍然爲客戶提供服務，交易量躍升了20%，而該市的存款份額在三年內翻了一番。出納成本大約爲每次訪問一美元，在自動取款機上降至約三十美分.

3. 客戶端-服務器和關係數據庫：分布式處理（1980年代末-1990年代）

歷史背景和關鍵特徵
在客戶端-服務器時代之前，數據庫位於計算機內部，結合了數據和界面。客戶端-服務器時代帶來了數據層和接口層的分離。存在一個客戶端（PC）和一個服務器。Windows或Mac PC處理展示，中型服務器存儲數據，SQL在它們之間通過局域網進行通信。現成的關係數據庫意味着新的洞察：數百萬行數據可以在幾秒鍾內查詢，使得統計營銷和風險模型成爲可能。

成本曲線
低於$2,000的個人電腦和低於$100,000的Unix服務器讓銀行能夠在幾秒鍾內查詢數百萬行數據。

贏家的故事
Capital One, 1994年從Signet Bank分拆出來，使用運行Oracle的客戶端-服務器網格並行測試數千個信用卡優惠。它在個體層面定價風險，並在1997年將客戶增長了40%，而傳統公司則依賴於廣泛的FICO等級。由於分析取代了統一定價，股本回報率始終超過20%。其他成功者包括查爾斯·施瓦布，他發現客戶端-服務器時代可以使股票經紀業務民主化。

在非洲，盡管有稍許延遲，獲獎者包括；

1. 股權銀行利用客戶端-服務器架構和小型計算機，通過升級到Finacle（基於客戶端-服務器的核心銀行系統）來擴大其交易能力，同時利用相同的系統擴展其ATM網路。這最終演變爲代理銀行。他們從90年代的無足輕重變成了東非市場資本最大的銀行；
2. GT銀行 - 使用客戶端-服務器架構來改善分行的交易處理，從而提供更好的客戶服務。在此之前，客戶需要等待數小時才能處理簡單的存款或取款。

4. 雲 1.0：基礎設施即服務（2006年–2010年代初）

來源：商業與金融雜志 - 科裏森兄弟

歷史背景和主要特徵

互聯網仍然要求公司擁有服務器。亞馬遜網路服務將計算、存儲和數據庫變成了計量的公用事業。一個應用程序可以從十個用戶擴展到一千萬，而無需購買硬件。

成本曲線
開發者不再需要數百萬的資本支出，而只需一張信用卡，每小時只需支付幾分錢的計算費用。彈性容量意味着成本大致與使用量成比例，從而消除了大幅度的成本增加。這與關係數據庫時代截然不同，那時你需要提前預估增長，導致了顯著的前期資本支出。

贏家的故事
Stripe於2010年推出，四年後AWS於2006年推出，提供了一個可以在幾分鍾內上線的支付API。它的七行代碼示例抽象化了商戶承保、結算和合規。到2024年，Stripe處理了約US $1.4 萬億的支付量，這些交易量之前是由銀行收單商和傳統處理商處理的，而由於基於使用的雲計費，其入駐成本仍然微不足道。API成爲了一種新的價值創造形式，驗證了雲計算作爲真正的平台轉變。

5. 移動和雲原生時代 (2010年代 – 2020年代)

來源: [itweb.co.za]

歷史背景與關鍵特徵
智能手機把互聯網計算機、生物識別傳感器和安全元件放進了每個口袋，將“分銷”變成了應用商店的列表。除此之外，公共雲平台（AWS, GCP, Azure）提供了銀行級基礎設施作爲公用設施；微服務和CI/CD管道實現了每週甚至每天的功能發布。移動網路雙重作爲支付通道；二維碼和虛擬帳戶取代了專用的POS硬件和分支網路。

成本曲線
在這個新框架中，客戶提供了終端、帶寬和認證；增量註冊成本降至傳統基於分支的客戶或商戶註冊成本的一小部分。基於應用的交易費用降至1%以下，爲低金額支付和免手續費帳戶打開了盈利的通道。

贏家與他們的戰術手冊

• Nubank（巴西，成立於2013年）
  • 僅通過病毒式等待列表進行移動端獲取；超過 2 000 個 AWS 微服務用於實時信用分析。
  • 每天部署代碼數十次，推出功能的速度超過了監管機構批準傳統銀行漲價的速度。
  • 到2023年：拉丁美洲擁有1億用戶；爲用戶節省110億美元的傳統費用；在保持全球銀行業最低成本收入比之一的同時，獲得巴西卡市場的兩位數份額。
  • 他們的收入增長速度是成本的兩倍，預計到2028年將成爲巴西最盈利的銀行。
• TymeBank（南非，成立於2019年）
  • 在AWS上的雲核心；通過雜貨連鎖店（Pick n Pay，Boxer）內的生物識別自助服務終端實現即時無紙化KYC。
  • 沒有自有分支機構，精簡的技術團隊；在應用內交叉銷售儲蓄、信貸和保險。
  • 到2024年：800萬客戶；已達到五年內盈利, 這表明物理分配可以外包，而核心仍然是純數字的。
• 其他例子包括像 Flutterwave、Stitch、MNT Halan、Paystack 和 Paymob 這樣的公司。

他們爲什麼贏

• 零基礎設施分發；
• 彈性經濟學
• 以開發者爲先的界面；
• 快速迭代週期；

綜合來看，這些參與者展示了客戶擁有的設備加上雲原生架構如何創造結構性成本優勢——並使速度而非傳統規模成爲非洲及全球銀行業的決定性武器。

過去平台變革的關鍵經驗教訓

過去平台轉變的一些關鍵教訓

1. 所有平台的轉變使得金融服務以不同的方式進行。基本理念是特定問題的成本結構，無論是交易成本還是分發成本。
2. 平台轉變的受益者要麼是迅速採用技術的銀行（如美國銀行、花旗銀行），要麼是理解轉變所帶來的機會的新進入者（如Stripe、Nubank）；

生成性人工智能的背景

對我來說，過去的平台變革主要集中在成本和分配上，因爲這些領域確實是特定於軟件的，即確定性的。生成性人工智能可能不一定是一個成本和分配的問題。我的看法是，生成性人工智能將使提供定制關係的成本降低 10,000 倍。目前，銀行和金融科技公司已經通過技術分配交易，這一趨勢將會繼續。幾乎每個人都在手機上進行交易，分行的交易非常少。這適用於個人客戶和企業客戶。然而，進一步分配金融服務的瓶頸仍然是大規模實現關係銀行。這是因爲這仍然是人類的工作，因爲關係管理是高語境且需要判斷的。

生成AI可以以每位客戶幾分錢的成本提供優質的“關係銀行”。今天，非洲的一名頂級客戶經理每月服務約30位客戶，成本大約爲6,000美元，每位客戶的費用約爲300美元（包括間接費用）。將這項工作轉移到AI上，成本可能降至僅僅幾分錢，從而爲大衆市場解鎖高接觸的建議，並改變整個大陸的金融可達性。在我看來，這是下一個前沿，因爲交易型金融科技已經得到了解決。

關係在銀行業仍然重要——但它們將從人對人轉變爲人對AI。金錢對話常常伴隨着羞愧；許多客戶在銀行家的目光下掩蓋基本問題。一個無生命的、不知疲倦的AI降低了這種社會障礙，邀請坦誠和無盡的“愚蠢”問題。更大的誠實加上24/7的指導使AI成爲一個強大且可擴展的關係管理者。

全球人工智能倡議

世界各國銀行實際上是如何使用生成性人工智能的

如果去掉頭條和炒作，問題依然存在：全球最大的銀行實際上在生成性人工智能方面做了什麼？不是未來的潛力，也不是供應商的推銷。實際上已經部署了什麼，在哪裏？

在過去兩年中，全球金融行業悄然進入了生成式人工智能時代。但出現的圖景並不統一。這是內部工具的安靜運用、謹慎的客戶面對面實驗，以及一些真正大膽的舉措的混合，暗示銀行可能會從內部進行重組。以下是我的概述；

內部優先，客戶其後

如果有一個一致的主題，那就是：人工智能源於內部。

生成性人工智能的主要應用集中在內部生產力上——幫助員工用更少的資源完成更多工作的工具。從摩根大通的分析師助理解析股權研究，至摩根士丹利爲財富管理者提供的GPT驅動工具, 早期的賭注在於賦能銀行家，而不是取代他們。

高盛是爲開發者構建副駕駛。花旗銀行有人工智能摘要工具幫助員工處理備忘錄和草擬電子郵件。渣打銀行的“SC GPT”在70,000名員工中上線，幫助處理從提案寫作到人力資源查詢的所有事務。

考慮到我們生活在一個監管環境高度密切的時代，內部工具是合理的，因爲銀行可以進行實驗並提升他們的人工智能技能，而不必擔心任何監管違規。如果最近中央銀行對Zap的行動有什麼啓示，那麼寧可安全也不要後悔。

逐段分析：價值所在

不同的部門發展速度各異。在交易量方面，零售銀行處於領先地位。在這方面，富國銀行的法戈或美國銀行的Erica, 由生成性人工智能驅動的聊天機器人現在每年處理數億次交互。在歐洲，商業銀行最近推出了 Ava, 自己的聊天機器人。

問題在於，其中一些實際上並沒有使用生成式人工智能，而是依賴於機器學習。這文章很好地闡述了美國銀行的Erica是如何運作的，實際上它是一種機械土耳其人。盡管如此，實驗才是重要的。

在企業和投資銀行領域，變化更加微妙。摩根大通的內部工具支持研究和銷售團隊，而不是客戶。德意志銀行正在使用人工智能來分析客戶溝通記錄。這不是客戶服務——這是數據利用，幫助銀行家更好、更快地理解和服務客戶。

財富管理處於兩者之間。摩根士丹利的人工智能不會直接與客戶對話，但它確保顧問在會議中不會毫無準備。德意志銀行和阿布扎比第一銀行正在爲其頂級客戶試點面向客戶的助手，旨在實時回答復雜的投資問題。

區域差異：誰在快速發展？

來源：顯而易見的AI指數

北美如預期般處於領先地位。美國的銀行；摩根大通、第一資本、富國銀行、花旗銀行和加拿大皇家銀行已經將人工智能轉變爲生產力引擎。多虧了與OpenAI和微軟的合作，他們獲得了對尖端模型的早期訪問。

歐洲更加謹慎。BBVA、德意志銀行和匯豐銀行正在內部測試工具，通常有更多的保護措施。GDPR的影響深遠。和往常一樣，歐洲更關注監管而非進步，這可能會讓他們付出代價。

非洲和拉丁美洲處於早期階段，但發展迅速。巴西的Nubank是一個突出例子，正與OpenAI合作在內部部署工具，並最終提供給客戶。在南非，標準銀行和Nedbank等銀行正在風險、支持和開發方面進行內部AI試點。

中國：構建自己的人工智能技術棧

中國的銀行不僅在使用人工智能——他們還在構建技術棧。

• 中國工商銀行推出志勇, 一個1000億參數的大型語言模型，由內部團隊構建。它已被調用超過十億次，支持從文檔分析到市場營銷自動化的各種用例，覆蓋200個商業領域。這不僅僅是內部工具，而是銀行運營方式的基礎性轉變。
• 螞蟻集團推出了兩個金融大型語言模型 -智小寶 2.0 (面向零售客戶) 和Zhixiaozhu 1.0（針對金融專業人士）。前者旨在向支付寶的普通用戶解釋金融產品。後者幫助財富管理師總結市場報告並生成投資組合洞察。
• 平安集團，我最喜歡的金融科技公司之一，融合了保險、銀行和科技，正在更進一步。它構建了問問Bob, 一個爲客戶和關係經理設計的生成式人工智能助手。對於客戶來說，AskBob可以用自然的中文回答投資和保險問題。對於顧問，它提取並總結客戶歷史、產品數據和市場材料，使每個代理商都成爲數字增強的金融專家。平安的目標是通過人工智能重新定義金融諮詢，不僅僅是回答問題，而是預見問題。

在中國，監管框架強烈鼓勵數據本地化和模型透明度，這些機構正在走一條漫長的道路：構建能夠在國內監管、語言和市場環境中蓬勃發展的定制訓練AI。此外，中國擁有足夠的人才密度，使得銀行能夠構建自己的基礎模型，這一壯舉在世界其他地方可能無法復制。

誰在提供支持？

一些大牌公司無處不在：微軟（通過Azure OpenAI）無疑是最常見的平台。從摩根士丹利到渣打銀行，所有人都在微軟的安全沙箱中運行他們的模型。

谷歌的LLM也在發揮作用，富國銀行使用Flan來驅動Fargo。在中國，主要是本土產品：DeepSeek、Hunyuan等。

一些銀行，如：摩根大通、工商銀行和平安，正在訓練自己的模型。但大多數銀行是在微調現有模型。擁有模型並不是重點，關鍵在於擁有數據層和協調能力。

全球不同AI倡議的概述

那又怎麼樣？

在一個高度監管的行業中，謹慎行事是很重要的，這就是爲什麼銀行在將人工智能納入決策過程中，而不是放在前線。然而，正如我們在其他平台轉型中觀察到的那樣，果斷和快速實驗是至關重要的。監管永遠不會領先於執行，停滯不前地等待監管的想法並不明智。我記得十多年前在一個沒有這種監管的國家建立代理銀行。一旦我們建立了它，我們就是向中央銀行解釋這一切的人。如果我在一家銀行的董事會，我的問題將是“我們正在進行多少實驗，產生了多少洞察？”

要真正衡量進展，您必須回歸平台變革的基本原則。您的人工智能策略必須回答：

“我們的人工智能策略是否重建核心架構，降低成本100×，解鎖新的價值模型，激發生態系統的聯接，顛覆市場，並使訪問民主化？”

邏輯很清晰，保持懷疑態度很重要，但邏輯和事實指向人工智能是一個新的平台轉變。此外，邏輯和事實表明，過去的平台轉變在金融市場上成語地改變了遊戲規則。花旗在70年代和80年代的技術工作顯著擴展了其零售業務。Capital One突然崛起，成爲市場前十的銀行，並在汽車貸款和抵押貸款等相關行業中成爲重要參與者。在非洲，Equity Bank借助客戶-服務器浪潮成爲東非市值最大的銀行。Access Bank、GT Bank和Capitec在各自的市場上也乘着同樣的浪潮。

人工智能平台時代已經來臨，它將創造贏家。關鍵是不要關注失敗者，因爲贏家在特定領域獲得了顯著的市場份額，例如Stripe在支付領域。這些初步的切入點導致了相鄰領域的市場份額增加，比如Nubank利用信用卡在中小企業和零售銀行業務中成爲了一個重要參與者。

我認爲，在人工智能時代的贏家將專注於關係的成本。這不再是一個交易遊戲。這已經發生了。這是一個客戶體驗和關係遊戲。這是金融服務領導者應該吸取的核心見解。如何以極少的成本在客戶體驗和關係銀行業務上實現100倍的改善？我們如何作爲一家銀行利用智能來幫助您更好地管理您的財務、您的業務和您的生活？能夠回答這些問題並付諸實踐的參與者將是贏家。

免責聲明：

1. 本文轉載自[前沿金融科技通訊]. 轉發原文標題‘#81 - 超越炒作：爲什麼生成式人工智能是銀行業下一個真正的平台變革（免費閱讀）’。所有版權歸原作者所有 [ 瑪麗·摩戈伊]. 如果對此次重印有異議，請聯繫Gate Learn團隊，他們會及時處理。
2. 免責聲明：本文中表達的觀點和意見僅代表作者個人，不構成任何投資建議。
3. 本文的其他語言翻譯由Gate Learn團隊完成。除非另有說明，復制、分發或抄襲翻譯文章是被禁止的。