BCG發(fā)布的《銀行業(yè)生成式AI應用報告（2023）》聚焦銀行業(yè)在推動生成式AI過程中關注的四大問題：

生成式AI技術與傳統(tǒng)AI技術到底有何不同？

(資料圖片僅供參考)

生成式AI如何為銀行經(jīng)營管理帶來新的價值釋放場景，如何推動場景快速落地？

銀行需要為規(guī)?；瘧米鲈鯓拥哪芰蕚?？

銀行如何快速行動，由點及面推動生成式AI落地？

變革已至：理解生成式AI的能力

相較傳統(tǒng)AI，生成式AI在“對話”與“創(chuàng)造”兩類能力上實現(xiàn)了根本性的突破：就“對話“能力而言，傳統(tǒng)AI在回答問題時往往缺乏對上下文的理解，導致答案相關性較低，表達機械化；而生成式AI能夠理解更長的上下文，并進行擬人化的思考和回答，與人類的對話溝通也更自然；在“創(chuàng)造”能力方面，傳統(tǒng)AI只能按照預設任務（如分類、數(shù)值預測）輸出答案；而現(xiàn)在，生成式AI能夠自動生成自洽的圖形、文本甚至代碼，具備優(yōu)秀的內容創(chuàng)作能力。

生成式AI展現(xiàn)出的突破性對話和創(chuàng)造能力，離不開科學算法的突破、工程算力的進步?？茖W算法突破方面，全新架構模型、基于Attention Layer的Transformer技術，能更好地提取“全局”特征，能高效捕捉海量語料中一個個詞之間的關系，或者海量圖片中一個個像素之間的關系，使得大量的知識（本質上表現(xiàn)為詞語之間的關系）能被封裝在訓練好的模型中；工程算力進步方面，由于基礎設施的進步（高算力芯片、高速網(wǎng)絡），模型的訓練規(guī)模較之前深度學習階段有了數(shù)量級的顯著躍升，使大模型體現(xiàn)出的能力遠超以前，同時大模型足夠大到能訓練和封裝幾乎全科領域的知識，一個大模型可以在結合精調后運用到多個完全不同的場景。

大有可為：銀行業(yè)應用場景豐富，價值釋放可期

生成式AI在銀行業(yè)的應用，從價值創(chuàng)造邏輯上可分為兩大類：

替代人。生成式AI可以替代人，開展大量重復性較高、簡單基礎的任務，如處理文本的要素提取、處理進件、識別異常項、生成基礎數(shù)據(jù)分析、生成標準化內容等。這能夠釋放運營類人力資源，實現(xiàn)降本增效；

賦能人。利用生成式AI的“對話”和“創(chuàng)造”能力，可讓AI成為助手，有效放大關鍵節(jié)點的“人”的產能，尤其是客戶經(jīng)理、財富顧問、產品經(jīng)理、投研經(jīng)理、信審經(jīng)理、市場營銷人員、編程開發(fā)人員等角色，賦能人不僅僅是體現(xiàn)在專業(yè)內容的形成上，還可能體現(xiàn)在基礎管理環(huán)節(jié)。

生成式AI在銀行業(yè)的應用場景可貫穿前中后臺各個環(huán)節(jié)，包括市場和銷售、渠道和運營、產品開發(fā)、投顧服務、客戶服務以及風險合規(guī)等方面。銀行的每條業(yè)務線、每個職能，都有可能找到生成式AI的應用場景。

若能在銀行業(yè)實現(xiàn)規(guī)模化應用，有望帶來可觀的降本增效收益。BCG曾以一家擁有約兩萬名員工的區(qū)域性國際銀行為例，初步梳理了該銀行前中后臺相關部門應用生成式AI的潛力和效益，預計在首年即可為該銀行節(jié)省約1.5億美元的成本，占整體薪酬總包的7%左右。

落地可行：局部速贏已有切實路徑，規(guī)?；瘧眠€需體系性規(guī)劃

銀行有扎實的數(shù)字化基礎，有完備的技術能力，有多元豐富的數(shù)據(jù)，具備由點到面推進生成式AI應用的條件。銀行推進生成式AI落地過程中，需重點關注四大舉措：

在探索初期，優(yōu)選生成式AI應用場景，平衡收益和風險，與傳統(tǒng)AI充分結合；

在具體應用過程中，巧用方法，利用嵌入、提示詞設計、微調三大抓手，讓AI生成的答案更專業(yè)、實事求是；

在生成式技術能力體系建設上，夯實技術基礎，合理部署、多維選型、全棧升級；

在重塑體系規(guī)?；瘧眠^程中，遵循10/20/70原則，即10%是模型，20%是整體IT能力升級，70%是業(yè)務與組織的轉型，而后兩個因素更為關鍵。

生成式AI在銀行業(yè)規(guī)?；瘧玫穆涞?，依照‘10/20/70’法則，70%是業(yè)務與組織的轉型。銀行需盡早對70%的部分形成清晰的規(guī)劃：在管理流程方面，構建負責任AI體系、完善配套管理機制、制定員工生成式AI操作行為規(guī)范等；在組織和人才長期調整方面，增加質量管理崗員工人才占比、強化員工問題定義能力及解決能力的綜合要求、重新設計培訓級晉升路徑標準等。

在應用探索初期，各家銀行通常優(yōu)選少量場景先行試水、循序漸進。在選擇場景時，要平衡考量收益潛力、風險、實施難度。同時，最早落地的試點場景，還需考慮其能否在組織準備度診斷、方法構建、信心構建等角度形成示范效應。選擇場景時，不能只是簡單定位“業(yè)務環(huán)節(jié)”，粗放地決定到底是應用在財富管理的營銷環(huán)節(jié)，還是應用在公司金融的授信審批環(huán)節(jié)。對場景的細分和選擇，需要具體到機器的角色和需解決的問題類型。場景定位時通常需面對權衡選擇，應重點關注三大問題：歸納、分析還是決策？面客還是對內？對目前已在應用的傳統(tǒng)AI，替代還是結合？

在具體應用過程中，銀行需有正確的具體方法來應對讓生成式AI“說真話”、“說專業(yè)的話”兩大挑戰(zhàn)，確保答案質量可靠。如何讓模型產生的答案更能契合銀行自身的需求？有三個關鍵抓手：

利用嵌入（Embedding），使大模型能基于給定的數(shù)據(jù)庫來生成答案；

利用強有力的提示詞設計，使模型能給出契合專業(yè)性要求的準確答案；

直接對開源大模型進行指令精調。

在生成式技術能力體系建設上，銀行若要在全行前中后臺都規(guī)?；瘧么竽Ｐ停囗椳浻布芰σ残柘鄳?。

首先是算力。即使不從0到1訓練大模型，只是進行精調，也需要一定的高算力資源。另外，若未來有成百上千個AI應用同時在組織內運行，對硬件基礎設施的算力和穩(wěn)定性也提出了更高要求。

其次是模型。從規(guī)?；瘧脕砜剂?，未來銀行需要引入和維護一個模型庫，作為應用方，在現(xiàn)階段開展試水時，需對大模型的選擇保持開放態(tài)度，在以一家大模型為主的基礎上，也仍然積極嘗試市場上其他領先的開源模型，持續(xù)尋找場景與模型之間的最佳適配組合；進而，需圍繞規(guī)?；瘧瞄_發(fā)，構建其它多項能力。

在重塑體系規(guī)模化應用過程中，需要認識到生成式AI在銀行業(yè)規(guī)?；瘧玫穆涞?，是一個體系性工程，其成功與否會遵循“10/20/70”法則，即10%是模型，20%是整體IT能力升級，70%是業(yè)務與組織的轉型。

快速行動：銀行需由點及面、敏捷推進

對于生成式AI的探索，銀行需要有長遠的眼光，開展體系化的頂層規(guī)劃，需要聯(lián)合相關業(yè)務和科技部門協(xié)同努力，推動規(guī)模化應用的分步落地。具體而言，可分三個階段，由點及面、敏捷推進：

第一階段，少量場景的概念驗證和局部落地：選擇重點應用場景，快速完成概念驗證（POC）、構建最小可行產品（MVP）。利用這一過程，診斷技術、業(yè)務兩方面的準備度，梳理出部署模式、技術選型、質量和風險管理的框架標準、配套的組織及資源投入要求。

第二階段，開展全場景盤點+體系規(guī)劃：基于局部應用的效果和經(jīng)驗，形成規(guī)?；瘜嵤┑捻攲右?guī)劃，包括：盤點銀行所有潛在應用場景，基于商業(yè)價值和可行性高低，排布場景的落地先后優(yōu)先級，形成投入產出量化評估方案；形成技術架構整體升級的細化方案設計；形成質量和風險管理的體系化方案；形成業(yè)務和組織能力轉型的方案設計；形成能力建設關鍵舉措及路線圖。

第三階段，規(guī)模化應用落地+體系能力固化：完成技術和工具基礎設施的搭建；依次分批推進應用場景落地；圍繞業(yè)務、技術端不斷積累應用經(jīng)驗；持續(xù)在落地中迭代問題，并將相關能力固化至技術架構、業(yè)務流程和管理規(guī)范中。