銀行業由嚴格的規範和深思熟慮的策略所定義。這段歷史帶來了 AI 的風險與機遇。儘管其他行業已經領先，但現在行動的銀行仍有機會取得先行者優勢。成功實施 AI 需要基礎設施、模型、數據管道和合規策略。然而，將 AI 的承諾轉化為商業價值的最關鍵因素在於人力資本。
贏得的金融機構將是那些能讓員工不僅臨時使用 AI 工具，而是將其作為日常工作流程一部分的企業。這意味著培養真正的、經過驗證的技能，使人們能理解、利用並引領 AI 創新。
為何員工推動 AI 創新
AI 有潛力在生產力、客戶體驗和風險管理方面帶來令人難以置信的提升。但從本質上講，AI 只是一個工具——它需要人類的創造力和領域專業知識來產生實際的商業價值。僅有技術並不能推動創新；人們才是關鍵。在銀行業，信任、規範和判斷力是核心，這種人與機器之間的互動變得更加重要。
如今，每位員工都必須在不同程度上成為 AI 支援的員工。有些人將是深度技術專家——資料科學家、工程師和模型建構者，負責設計和維護支撐 AI 運作的系統。其他人，如出納員、核保員或客戶服務代表，可能永遠不會觸碰一行程式碼，但仍可以使用 AI 驅動的工具來簡化工作流程並做出更好的決策。在這些極端之間，是“AI+X”員工。這些人擁有在信用風險、合規或詐騙偵測等領域的深厚專業知識，並具備足夠的 AI 識字能力，能利用技術來增強這些專業。
AI+X 員工將是推動真正創新的人。他們能幫助彌合業務需求與技術可能性之間的鴻溝，將複雜的銀行挑戰轉化為 AI 能帶來實質成果的機會。例如，具有 AI 流利度的合規官可以與數據團隊合作，設計更公平、更透明的 KYC 和 AML 模型。使用生成式 AI 進行原型設計的產品經理，可以重新構想客戶互動，創造個性化的財務建議或改善入職流程。在所有這些情況下，AI 都是在放大人類的洞察力，而非取代它。
在像銀行這樣受嚴格規範且風險偏好高的行業中，這層人類層面至關重要。技術可能會識別異常或產生建議，但由人來解讀、情境化，並確保決策符合道德、法律和聲譽標準。這就是為何在 AI 採用方面領先的銀行，不僅投資於系統和模型，也投資於員工的技能和理解。
用經過驗證的技能推動發展
建立一支 AI 支援的員工隊伍，首先要了解現有技能和差距。要成功擴展 AI，銀行不僅需要熱情和培訓預算，更需要一個經過驗證、可衡量的技能數據基礎。沒有清晰的員工能力視圖，領導者就無法做出明智的決策，來發展員工或最有效地部署 AI。
自我評估並不可靠。員工往往高估或低估自己的熟練程度，導致培訓效率低下。經過驗證的技能——通過客觀評估測量——能讓組織準確描繪出當前的優勢與弱點。有了這些資訊，銀行可以設計針對特定流程和目標的學習路徑，無論是為前線團隊提供入門級 AI 識字，還是為資料專家提供深度技術知識，或是為合規官提供治理專業。
當員工了解自己的位置後，他們可以專注於技能提升，並在定期循環中驗證技能，以衡量進展並對人力投資負責。這個學習與驗證的循環，建立了一種持續改進的文化，確保技能隨著領域的演進而保持最新。這在 AI 領域尤為重要，因為技能的半衰期比以往任何時候都短。今天被認為是尖端的技術，可能在一年內就過時了，這使得員工快速學習的能力比任何具體技術能力都更有價值。
要推動銀行業的人工智慧採用，你需要了解員工的技能
Bernardo Nunes 是一位專注於 Workera AI 轉型的資料科學家。
探索頂尖金融科技新聞與活動！
訂閱 FinTech Weekly 的電子報
由 JP Morgan、Coinbase、Blackrock、Klarna 等高層閱讀
AI 不再僅僅是實驗。根據麥肯錫最新的全球 AI 調查，78% 的組織現在在至少一個業務功能中使用 AI。
銀行業正在迅速追趕。最近一項 EY-Parthenon 調查發現，77% 的銀行已經推出或試行生成式 AI 應用，比 2023 年的約 61% 有所增加。然而，只有 31% 已經朝著全面實施邁進。
與此同時，儘管銀行業廣泛投資於 AI，但只有少數將這些能力融入其戰略手冊。BCG 的調查報告指出，只有 25% 的銀行已經這樣做——其餘 75% 仍停留在孤立的試點和概念驗證階段，面臨在數字優先的競爭者推進下變得無關緊要的風險。
銀行業由嚴格的規範和深思熟慮的策略所定義。這段歷史帶來了 AI 的風險與機遇。儘管其他行業已經領先，但現在行動的銀行仍有機會取得先行者優勢。成功實施 AI 需要基礎設施、模型、數據管道和合規策略。然而，將 AI 的承諾轉化為商業價值的最關鍵因素在於人力資本。
贏得的金融機構將是那些能讓員工不僅臨時使用 AI 工具，而是將其作為日常工作流程一部分的企業。這意味著培養真正的、經過驗證的技能，使人們能理解、利用並引領 AI 創新。
為何員工推動 AI 創新
AI 有潛力在生產力、客戶體驗和風險管理方面帶來令人難以置信的提升。但從本質上講，AI 只是一個工具——它需要人類的創造力和領域專業知識來產生實際的商業價值。僅有技術並不能推動創新；人們才是關鍵。在銀行業，信任、規範和判斷力是核心，這種人與機器之間的互動變得更加重要。
如今，每位員工都必須在不同程度上成為 AI 支援的員工。有些人將是深度技術專家——資料科學家、工程師和模型建構者，負責設計和維護支撐 AI 運作的系統。其他人，如出納員、核保員或客戶服務代表，可能永遠不會觸碰一行程式碼，但仍可以使用 AI 驅動的工具來簡化工作流程並做出更好的決策。在這些極端之間，是“AI+X”員工。這些人擁有在信用風險、合規或詐騙偵測等領域的深厚專業知識，並具備足夠的 AI 識字能力，能利用技術來增強這些專業。
AI+X 員工將是推動真正創新的人。他們能幫助彌合業務需求與技術可能性之間的鴻溝，將複雜的銀行挑戰轉化為 AI 能帶來實質成果的機會。例如，具有 AI 流利度的合規官可以與數據團隊合作，設計更公平、更透明的 KYC 和 AML 模型。使用生成式 AI 進行原型設計的產品經理，可以重新構想客戶互動，創造個性化的財務建議或改善入職流程。在所有這些情況下，AI 都是在放大人類的洞察力，而非取代它。
在像銀行這樣受嚴格規範且風險偏好高的行業中，這層人類層面至關重要。技術可能會識別異常或產生建議，但由人來解讀、情境化，並確保決策符合道德、法律和聲譽標準。這就是為何在 AI 採用方面領先的銀行，不僅投資於系統和模型，也投資於員工的技能和理解。
用經過驗證的技能推動發展
建立一支 AI 支援的員工隊伍，首先要了解現有技能和差距。要成功擴展 AI，銀行不僅需要熱情和培訓預算，更需要一個經過驗證、可衡量的技能數據基礎。沒有清晰的員工能力視圖，領導者就無法做出明智的決策，來發展員工或最有效地部署 AI。
自我評估並不可靠。員工往往高估或低估自己的熟練程度，導致培訓效率低下。經過驗證的技能——通過客觀評估測量——能讓組織準確描繪出當前的優勢與弱點。有了這些資訊，銀行可以設計針對特定流程和目標的學習路徑，無論是為前線團隊提供入門級 AI 識字，還是為資料專家提供深度技術知識，或是為合規官提供治理專業。
當員工了解自己的位置後，他們可以專注於技能提升，並在定期循環中驗證技能，以衡量進展並對人力投資負責。這個學習與驗證的循環，建立了一種持續改進的文化，確保技能隨著領域的演進而保持最新。這在 AI 領域尤為重要，因為技能的半衰期比以往任何時候都短。今天被認為是尖端的技術，可能在一年內就過時了，這使得員工快速學習的能力比任何具體技術能力都更有價值。
對銀行來說，這轉化為優先考慮技能成長速度——員工獲取並應用新技能的速度。培養這種適應能力的機構，將保持競爭優勢，更快應對新規範、客戶期望和技術變革。經過驗證的技能也能強化治理，確保員工不僅懂得如何使用 AI，更懂得如何負責任地使用它，關注公平性、透明度和風險。
最終目標是實現協調一致。當技能智慧指導學習策略——而學習策略支持業務優先事項——銀行就能自信地加速 AI 轉型。經過驗證的技能數據讓領導者知道投資方向、如何調動人才，以及何時安全擴展創新。
打造贏家型的員工隊伍
這是銀行業的關鍵時刻。建立創新基礎的機構將領先一步，而猶豫不決的則有可能被甩在後面。前進的道路很明確：那些在員工中建立廣泛 AI 能力——尤其是融合技術與領域專業的經過驗證技能——的銀行，將處於最有利的位置，能夠繁榮發展。
當每位員工都能被賦能使用 AI——無論是作為創作者、強力用戶，還是專業領域專家——整個銀行都將獲得敏捷性、韌性，以及推動戰略價值而非僅僅追求效率的能力。現在是從實驗走向賦能的時候。在 AI 領域，領導者與落後者的差距，不僅在於你建立的模型或資金投入的研發，而在於你培養的技能。