作者：SamoraKariuki

编译：深潮TechFlow

如果抛开头条新闻和炒作，问题的本质是：世界上最大的银行究竟如何使用生成式AI？不是未来的潜力，也不是供应商的宣传，而是已经落地的实际应用在哪里？

过去两年中，全球金融行业悄然步入生成式AI时代。然而，这一进程并非统一，而是呈现出内外有别的格局：内部工具的低调部署、面向客户的谨慎试验，以及少数大胆的创新，正逐步重塑银行业的内部架构。

AI的应用有一个共同点：从内部生产力工具起步。

生成式AI的主要应用集中在提升内部生产力上——这些工具帮助员工以更少的资源完成更多的工作。从摩根大通（JPMorgan）的分析师助手解析股权研究，到摩根士丹利（MorganStanley）为财富管理顾问提供支持的GPT驱动工具，早期的重点是赋能银行从业者，而非取代他们。

高盛（GoldmanSachs）正在为开发者构建AI助手；花旗银行（Citi）的AI工具帮助员工处理备忘录和撰写邮件；渣打银行（StandardChartered）的“SCGPT”已在其7万名员工中上线，用于从提案撰写到人力资源问题的方方面面。

鉴于我们所处的是一个高度监管的环境，内部工具的部署显得尤为合理。这使得银行可以在不触碰监管红线的情况下进行实验并提升AI能力。如果参考最近CBN（尼日利亚中央银行）对Zap的行动，那么“谨慎为上”显然是更明智的选择。

不同部门的AI应用进展速度各异。不同业务部门在采用生成式AI的速度上存在差异。其中，零售银行在交易量上处于领先地位。在这一领域，富国银行（WellsFargo）的Fargo和美国银行（BankofAmerica）的Erica等由生成式AI驱动的聊天机器人每年处理数亿次交互。在欧洲，德国商业银行（Commerzbank）最近推出了自己的聊天机器人Ava。

然而，问题在于，其中一些工具实际上并未真正使用生成式AI，而是依赖于传统的机器学习技术。例如，美国银行的Erica，其工作原理更像是一个“机械土耳其人”（MechanicalTurk，意指通过人工操作实现自动化的假象）。尽管如此，重要的是这些实验本身，而非技术标签。

在企业与投资银行领域，转型更加隐性。摩根大通（JPMorgan）的内部工具主要支持研究和销售团队，而非直接面向客户。德意志银行（DeutscheBank）则利用AI分析客户通信日志，这不是客户服务，而是数据赋能，帮助银行家更快、更好地理解和服务客户。

财富管理则介于两者之间。摩根士丹利（MorganStanley）的AI工具并不直接与客户对话，但确保顾问在每次会议前都能做好充分准备。德意志银行和阿布扎比第一银行（FirstAbuDhabiBank）正在试点面向顶级客户的助手，旨在实时回答复杂的投资问题。

来源：EvidentAIIndex

北美地区如预期般处于领先地位。美国的银行，如摩根大通（JPMorgan）、第一资本（CapitalOne）、富国银行（WellsFargo）、花旗银行（Citi）以及加拿大皇家银行（RBC），已将AI转化为生产力引擎。得益于与OpenAI和微软（Microsoft）的合作，它们率先接触到最前沿的AI模型。

欧洲则更加谨慎。西班牙对外银行（BBVA）、德意志银行（DeutscheBank）和汇丰银行（HSBC）正在内部测试AI工具，并设置了更多的安全防护措施。欧洲通用数据保护条例（GDPR）对其影响深远。正如以往一样，欧洲更关注监管而非技术进步，这可能会让其付出代价。

非洲和拉丁美洲还处于AI发展的早期阶段，但进展迅速。巴西的Nubank表现突出，与OpenAI合作，先在内部部署AI工具，最终扩展到客户服务。在南非，标准银行（StandardBank）和内德银行（Nedbank）正在AI领域进行试点，涵盖风险控制、支持服务和开发。

中国的银行不仅在使用AI，还在构建AI技术栈。

中国工商银行（ICBC）推出了“智涌”，一个拥有1000亿参数的大型语言模型，由内部自主研发。该模型已被调用超过十亿次，支持从文档分析到营销自动化的200个业务场景。这不仅仅是内部工具的应用，更是银行运营方式的基础性转变。

蚂蚁集团（AntGroup）推出了两款金融领域的大型语言模型——智小宝2.0（Zhixiaobao2.0）和智小助1.0（Zhixiaozhu1.0）。前者面向支付宝的普通用户，旨在解释金融产品；后者则为财富管理顾问提供支持，可市场报告并生成投资组合洞见。

平安集团（PingAnGroup），作为一家融合保险、银行和科技的金融科技巨头，走得更远。其开发的生成式AI助手AskBob，既服务客户又支持客户经理。对于客户，AskBob可以用自然中文回答投资和保险问题；对于顾问，它能提取并总结客户历史、产品数据和营销材料，将每位代理人转变为数字化增强的金融专家。平安的目标是通过AI重新定义金融咨询，不仅是回答问题，更是提前预测需求。

在中国，监管框架强烈鼓励数据本地化和模型透明化，这些机构选择了更长远的道路：构建能够适应国内监管、语言和市场环境的定制化AI。此外，中国拥有足够的人才密度，使得银行能够自主研发基础模型，这在全球范围内可能是独一无二的成就。

一些知名企业在全球范围内频繁出现：微软（Microsoft）通过AzureOpenAI成为目前最常见的平台。从摩根士丹利到渣打银行，许多银行都在微软的安全沙盒环境中运行其模型。

谷歌的LLM（大型语言模型）也在被使用，例如富国银行利用Flan支持其Fargo。而在中国，主要依赖本土技术，如DeepSeek、混元（Hunyuan）等。

部分银行，如摩根大通、中国工商银行和平安集团，正在训练自己的模型。但大多数银行则是在现有模型的基础上进行微调。关键不在于拥有模型本身，而在于掌控数据层和模型的协调运作。

全球AI应用的多样化探索

原图见原文，编译：深潮TechFlow

在一个高度受监管的行业中，谨慎行事至关重要，这也是为什么银行让AI参与其中，而不是直接站在前线。然而，正如我们在其他平台变革中观察到的那样，果断决策和快速实验是关键。监管永远不会领先于执行，而等待监管到位再进行AI实验并不是明智之举。我记得十多年前在一个没有相关监管的国家构建代理银行业务（agencybanking）。一旦我们完成了构建，我们反而成为向央行解释这一业务的人。如果我是银行董事会的一员，我会问：“我们正在进行多少实验？我们正在生成多少洞察？”

要真正衡量进展，必须回到平台变革的基本原则。你的AI战略必须回答以下问题：

“我们的AI战略是否重建了核心架构？是否将成本降低了 100倍？是否解锁了新的价值模式？是否激发了生态系统的联结？是否颠覆了市场？是否实现了访问的民主化？”

逻辑很清楚——保持怀疑态度是必要的，但逻辑和事实都表明，AI是一个新的平台变革。此外，逻辑和事实还表明，过去的平台变革在金融市场中往往带来了革命性变化。例如，花旗银行（Citi）在70年代和80年代的技术应用显著扩展了其零售业务。第一资本（CapitalOne）从无到有，跻身市场前十大银行，并在汽车贷款和抵押贷款等相关行业中占据了重要地位。在非洲，EquityBank抓住了客户端-服务器技术浪潮，成为东非市值最大的银行。同样，AccessBank、GTBank和Capitec也在各自的市场中乘上了这一浪潮。

AI平台时代已经到来，它将创造赢家。重点不在于关注失败者，而在于赢家如何在特定领域占据显著的市场份额。例如，Stripe在支付领域的成功就是一个典型案例。这些初期的突破往往会带来相邻领域的市场份额增长，例如Nubank通过信用卡业务成为中小企业和零售银行领域的重要玩家。

我的观点是，AI时代的赢家将专注于关系成本。这已经不再是一个单纯的交易游戏。交易已经发生过了，现在是一个客户体验和关系管理的游戏。这是金融服务领导者应该关注的核心洞察。如何以极低的成本实现客户体验和关系银行业务的 100倍改进？作为一家银行，如何利用智能技术更好地帮助客户管理他们的财务、业务和生活？能够回答并执行这些问题的玩家，将成为最终的赢家。