人工智能目前在金融领域真正发挥作用的地方

金融科技发展迅速。新闻无处不在，但清晰度却不足。

《金融科技周刊》将关键故事与重要事件集中呈现。

点击此处订阅《金融科技周刊》的新闻通讯

被摩根大通（JP Morgan）、Coinbase、贝莱德（BlackRock）、Klarna 等高管阅读。

多年来，围绕金融领域人工智能的讨论令人沮丧地模糊不清。尽管高管们谈论着“颠覆”，顾问们也不断推出充满承诺的幻灯片，但大多数金融团队仍在沿用相同的做法。然而，过去大约18个月左右，事情发生了变化。工具得到了改进，使用场景变得更加清晰，先前持怀疑态度的部门开始在真正重要的领域看到切实成果。

并非所有人都以相同方式、在相同时间受到影响。部分金融领域比其他领域更快采用AI，而原因值得关注。FP&A（财务规划与分析）团队是最早行动的群体之一，主要因为痛点非常明显。大家都知道，为了编制季度预测，需要花两周时间从彼此割裂的系统中抽取数据，这种方式不可持续。当出现能够自动化数据收集、并在数小时而非数天内揭示趋势的平台后，采用速度迅速提升。

这股浪潮之所以能持续，是因为它解决了人们早就厌倦反复处理的难题。金融中的人工智能 已经远远超出了试验阶段。团队正在用它更快完成结账、在不耗尽分析师的情况下生成滚动预测，并运行那些如果手工组装将需要数周的情景模型。价值不再是抽象概念。它体现在报告周期更短，以及在董事会会议前熬夜更少。

FP&A 先行，但并未止步

鉴于工作流程手工且重复，预测与预算自然成为最先切入的方向。但当团队看到了可能实现的效果，技术开始向相邻职能扩散。差异分析就是一个很好的例子。为了弄清实际结果为何与计划不符，分析师通常需要花费数小时逐项核对明细。AI工具可以在几分钟内标记这些差异，更重要的是，指向根本原因。

另一个正在获得关注的领域是收入确认。过去，处理复杂的合同结构或多要素安排的企业，电子表格与丰富的机构知识曾是常态。该流程的部分环节可以实现自动化，以降低风险并释放时间，让资源真正投入到那些确实需要人类智慧的决策上。无论财务团队在重复、基于规则的工作上花了多少时间，AI都在介入并以更快速度完成。

风险管理才是更大的故事

如果说FP&A是切入点，那么风险管理可能是AI带来最持久影响的领域。监管合规、欺诈检测以及信用风险建模，都要求复杂的模式识别和大规模数据。机器学习正是在这些条件下显著优于人工分析。

保险公司和银行是最早意识到这一点的。但更“新”的趋势在于，越来越多的中市场（mid-market）企业也开始采用——这些企业过去从未配备专门的风险分析团队。基于云的平台让一家只有几百名员工的公司也能开展过去需要一支量化人才团队才能完成的风险评估。这些工具能够独立完成监控，在问题出现时捕捉异常，并自动生成可用于审计的报告。对日常的金融流程管理来说，这确实是一次实打实的提升。

目前来看，合规或许是这场整体转变中最具吸引力的部分。监管环境不断变化，在不同法域规则持续调整的同时，仅仅保持合规本身就是一项几乎独立的工作。尽管AI无法取代合规官，但它可以扫描监管更新，将其与当前政策进行对比，并在差距演变成问题之前识别出来。过去，只有最大型的机构才能承担这种前瞻性的监控成本。

是什么让一些团队停滞不前

并非所有财务部门的运作节奏都一样，犹豫的主要原因通常是人才与信任。信任在于：财务专业人士需要理解模型如何得出结论，只有弄清这个过程，他们才会把声誉押注在输出结果上。人才在于：要把这些工具用好，需要既懂技术又懂财务业务语境的人，而这种组合依然十分稀缺。

另一个没有得到足够关注的瓶颈是数据质量。由于AI的能力取决于喂给它的数据质量，许多企业仍在运行杂乱、割裂的系统；而根据不同部门的不同口径，同一个指标可能有三种不同的定义。尽管把这些问题理顺并不是一件“很有吸引力”的工作，但要最大化任何AI落地的效果，这一步是必不可少的。

发展路径非常清晰

已经开始行动的财务团队正在扩展应用场景，而不是收缩。FP&A的早期成功建立了足够的内部可信度，从而推动其向风险、合规以及资金管理运营等领域延伸。高校也开始把数据素养融入财务课程，随着时间推移，这应当能逐步缩小人才差距。与此同时，供应商持续推出更专业、更细分的工具。

每个季度，那些尚未开始的团队面临的数学题都会变得更难。AI赋能的财务部门与传统部门之间的竞争差距正在拉大，而要在更晚的时候弥合这种差距，付出的成本总会比现在就保持同步更高。技术并不完美，也不应有人假装它完美。但等待完美本身就是一种风险，而能承担这种风险的组织越来越少。