这就是为什么高管层的 AI 素养至关重要。无法区分分析边界的管理者，可能会过度信任自己并不理解的系统，或者因恐惧而未能充分利用它们。历史表明，当决策者误读技术时会发生什么：监管者曾试图禁止国际 IP 电话，结果却只能看着技术超越规则。同样的动态正在 AI 领域上演。你不能一味禁止或盲目采纳；你需要判断力、背景知识以及负责任地引导它的能力。
金融科技领导者必须弥合这些差距，以负责任且有效地使用 AI。这意味着要理解分析的边界和 AI 的起点，培养引导这些系统的技能，并运用良好的判断来决定何时以及如何信任其输出。
德勤的一项调查发现，80% 的受访者表示其董事会几乎没有 AI 相关经验。但高管层不能将 AI 视为“技术团队的问题”。AI 责任在于领导层，这意味着金融科技领导者需要提升技能。
跨分析流利度
在推出 AI 之前，金融科技领导者需要能够切换视角——审视数据、商业案例、运营以及伦理——并看到这些因素如何重叠并影响 AI 的结果。他们需要理解模型的统计准确性如何与信用风险敞口相关。并认识到何时一个看起来财务上合理的变量（如还款历史）可能通过与受保护类别（如年龄或种族）的相关性而引入社会或监管风险。
这种 AI 流利度来自于与合规官一起研究法规、与产品经理讨论用户体验、以及与数据科学家一起审查模型结果以发现漂移或偏见的迹象。
判断层：为什么在领导者更聪明之前AI并不智能？
Guillermo Delgado Aparicio 是 Nisum 的全球 AI 负责人。
发现顶尖金融科技新闻与活动！
订阅 FinTech Weekly 的新闻通讯
被摩根大通、Coinbase、贝莱德、Klarna 等公司的高管阅读
AI 在金融科技领域的应用场景广泛，涵盖从欺诈检测和算法交易到动态信用评分和个性化产品推荐。然而，金融行为监管局的一份报告发现，在使用 AI 的公司中，75% 的公司里只有 34% 了解其运作原理。
问题不仅仅在于缺乏认知。它是对数据分析这一学科（AI 由此诞生）的力量和范围的深刻误解。生成式 AI 工具的大规模普及已将这个话题带到了高管层。但许多选择如何实施 AI 的人并不理解其背后的微积分、统计学和高级算法原理。
以本福特定律为例，这是一个简单的统计原理，通过发现数字中的异常模式来识别欺诈。AI 正是建立在同样的数学基础上，只不过扩展到了同时处理数百万笔交易。抛开炒作不谈，其根基依然是统计学和算法。
这就是为什么高管层的 AI 素养至关重要。无法区分分析边界的管理者，可能会过度信任自己并不理解的系统，或者因恐惧而未能充分利用它们。历史表明，当决策者误读技术时会发生什么：监管者曾试图禁止国际 IP 电话，结果却只能看着技术超越规则。同样的动态正在 AI 领域上演。你不能一味禁止或盲目采纳；你需要判断力、背景知识以及负责任地引导它的能力。
金融科技领导者必须弥合这些差距，以负责任且有效地使用 AI。这意味着要理解分析的边界和 AI 的起点，培养引导这些系统的技能，并运用良好的判断来决定何时以及如何信任其输出。
AI 的局限、盲点与错觉
分析（Analytics）是对过去和当前数据的分析，以解释发生了什么以及为什么发生。AI 正是建立在此基础之上，利用高级分析来预测接下来会发生什么，并日益自动决定或执行行动。
凭借其卓越的数据处理能力，难怪金融科技领导者会将 AI 视为他们的银弹。但它无法解决所有问题。人类在模式识别方面仍然具有先天优势，尤其是在数据不完整或“脏”的情况下。AI 可能难以解读人类能迅速把握的上下文细微差别。
然而，认为不完美的数据会使 AI 毫无用处是错误的。分析模型可以处理不完整的数据。但知道何时部署 AI、何时依靠人类判断来填补空白，才是真正的挑战。如果没有这种谨慎的监督，AI 可能会带来重大风险。
其中一个问题是偏见。当金融科技公司用旧数据集训练 AI 时，它们往往会继承伴随而来的包袱。例如，客户的姓名可能无意中成为性别的代理变量，或者姓氏可能暗示种族身份，从而以监管机构不会认可的方式倾斜信用评分。这些容易隐藏在数学中的偏见，通常需要人工监督才能发现和纠正。
当 AI 模型暴露于它们未经训练的情况时，可能会导致模型漂移。市场波动、监管变化、客户行为演变以及宏观经济波动都可能在没有人工监控和重新校准的情况下影响模型的有效性。
当金融科技公司使用不透明的“黑箱”，无法观察变量之间的关系时，重新校准算法的难度会急剧增加。在这种情况下，它们无法将这些知识传递给管理层中的决策者。此外，错误和偏见仍隐藏在不透明的模型中，削弱了信任和合规性。
金融科技领导者需要了解什么
德勤的一项调查发现，80% 的受访者表示其董事会几乎没有 AI 相关经验。但高管层不能将 AI 视为“技术团队的问题”。AI 责任在于领导层，这意味着金融科技领导者需要提升技能。
跨分析流利度
在推出 AI 之前，金融科技领导者需要能够切换视角——审视数据、商业案例、运营以及伦理——并看到这些因素如何重叠并影响 AI 的结果。他们需要理解模型的统计准确性如何与信用风险敞口相关。并认识到何时一个看起来财务上合理的变量（如还款历史）可能通过与受保护类别（如年龄或种族）的相关性而引入社会或监管风险。
这种 AI 流利度来自于与合规官一起研究法规、与产品经理讨论用户体验、以及与数据科学家一起审查模型结果以发现漂移或偏见的迹象。
在金融科技领域，100% 规避风险是不可能的，但通过跨分析流利度，领导者可以确定哪些风险值得承担，哪些会侵蚀股东价值。这项技能还能提高领导者发现并处理偏见的能力，不仅是从合规角度，更是从战略和伦理角度。
例如，假设一个 AI 驱动的信用评分模型严重偏向某一客户群体。纠正这种不平衡不仅仅是数据科学的工作；它保护了公司的声誉。对于致力于普惠金融或面临 ESG 审查的金融科技公司来说，仅靠法律合规是不够的。判断意味着知道什么是正确的，而不仅仅是允许的。
可解释性素养
可解释性是信任的基础。没有它，决策者、客户和监管机构会质疑模型为何得出特定结论。
这意味着高管必须能够区分可解释模型与需要事后解释（如 SHAP 值或 LIME）的模型。当模型逻辑不清时，他们需要提出问题，并认识到单凭“准确性”并不能证明黑箱决策的合理性。
偏见不会凭空出现；它是在模型训练和部署缺乏充分监督时产生的。可解释性使领导者能够及早发现这些问题，并在造成损害之前采取行动。
AI 就像飞机上的自动驾驶仪。大多数时候它平稳运行，但当风暴来临时，飞行员必须接管控制。在金融领域，同样的原则适用。团队需要有能力在条件变化时停止交易、调整策略甚至中止产品发布。可解释性与人工干预准备相辅相成，这确保了高管层即使在 AI 大规模运行时也能理解并保持控制。
概率模型思维
高管习惯确定性决策，比如若信用评分低于 650，则拒绝申请。但 AI 并非如此运作，这是一个重大的思维范式转变。
对于领导者来说，概率思维需要三种能力：
例如，一家金融科技公司的概率 AI 模型可能将客户标记为高风险，但这并不一定意味着“拒绝”。它可能意味着“进一步调查”或“调整贷款条款”。没有这种细微差别，自动化可能成为钝器，侵蚀客户信任并让公司面临监管反弹。
为何判断层将定义金融科技赢家
金融科技的未来不会由谁拥有最强大的 AI 模型决定，而是谁以最敏锐的判断力使用它们。随着 AI 商品化，效率增益成为入场门槛。将赢家区分开来的是在算法面临不确定性、风险和伦理灰色地带时介入的能力。
判断层并非抽象概念。当高管决定暂停自动交易、推迟产品发布、或推翻未反映现实情境的风险评分时，它就会显现出来。这些时刻并非 AI 失败；而是证明人类监督是价值创造的最终防线。
战略一致性是判断得以制度化的方式。一项强大的 AI 战略不仅设定技术路线图，还确保组织重新审视各项举措、提升团队的 AI 能力、确保公司拥有所需的数据架构，并将每次部署与明确的业务成果挂钩。从这个意义上说，判断并非偶发行为，而是融入运营模式中，使高管能够推行以价值为基础的领导方式。
金融科技公司需要懂得如何在速度和规模上平衡 AI，以及在情境、细微差别和长期愿景上平衡人类的领导者。AI 可以在几秒钟内发现异常，但只有人才能决定何时对数学模型提出质疑、重新思考假设、或承担大胆的风险以打开增长之门。正是这一层判断将 AI 从工具转化为优势。
关于作者：
Guillermo Delgado 是 Nisum 的全球 AI 负责人，同时担任 Deep Space Biology 的首席运营官。他在生物化学、人工智能、空间生物学和创业领域拥有超过 25 年的经验，致力于为地球及太空的人类福祉开发创新解决方案。
作为企业战略顾问，他为 NASA 的空间生物学 AI 愿景做出了贡献，并获得了多项创新奖项。他拥有佐治亚理工学院的人工智能硕士学位，以优异成绩毕业。此外，他还担任大学教授，讲授机器学习、大数据和基因组科学等课程。