AI浪潮将重塑金融五大领域，“成长的烦恼”与机会并存

DeepSeek在中国掀起了人工智能（AI）浪潮，未来AI在各个行业的采用将加速。瑞银近期提出，考虑到金融行业的数据密集型和劳动密集型特点，以及大量与语言相关的任务，该行业被认为可能会比其他行业更深刻地被GenAI（生成式人工智能）重塑。

事实上，金融行业近年来在持续加大信息科技投入。以中国银行业为例，2021年，披露相关数据的18家上市银行中，信息科技投资总额为1584.22亿元，相比之下，2023年17家银行的总投资额已经增长至1846.86亿元。同时，包括工商银行、农业银行、招商银行在内的约20家机构在2023年年报中即披露了关于大模型的研发、业务应用以及赋能业务取得的成效。

尽管AI也存在“成长的烦恼”，例如大模型幻觉、价值观和伦理偏见、客户隐私泄露等，但业内认为应对扑面而来的时代浪潮，因为害怕挑战而不发展、不拥抱和使用AI，造成落后才是最大的挑战。

OpenAI原全球市场应用负责人、人工智能与商业战略专家卡斯（Zack Kass）日前在接受第一财经记者独家采访时提及，根据他对于国际头部银行的了解，AI可以在五个金融行业的关键领域提升效率——零售银行、财富管理、保险承保与产品定价、销售与营销和客户获取、投资银行。上述领域都存在人员需求大、专业度要求高、效率不足等特点，AI的普及有望显著改善银行部分低效业务的ROI（投资回报率）。

AI将在五大领域提升金融业效率

数字金融的背景是新一代AI技术的崛起，与大模型密不可分。

作为AI行业的资深从业者和AI预言家，卡斯对记者表示，未来10到20年，医疗保健、教育和金融服务这三个行业将因为AI而发生显著变化。

对于金融行业来说，生成式AI对行业的潜在重塑或将大于其他行业（大量的数据沉淀、劳动力密集度高以及与语言相关的工作内容占比高）。

在卡斯看来，金融行业的五个细分领域将受到AI的最大助力。

首先就是零售银行业务。尽管这是各大银行的兵家必争之地，但这一业务往往成本高且投资回报率低，而且具有人员密集的特点。如果能够通过AI提高低利润业务的ROI，这将成为AI在金融行业中释放的巨大潜力。AI的运用可以提升零售产品的质量，从而降低成本并增加效率。此外，零售银行面临的挑战包括员工流失率高、工作繁重且工作质量不高，AI有助于缓解这些问题。

其次则是财富管理。世界上优秀的财富管理人才非常稀缺。AI的应用可以通过两种方式提升财富管理：一是扩大财富管理经理的服务能力，二是标准化和优化财富经理的服务，使得团队中的所有财富管理人员都能够达到更高的服务标准。AI还可以帮助识别哪些财富经理无法成功，从而优化财富管理的整体质量。

第三方面是保险承保与产品定价。通过更精确的数据分析，AI能够解决保险业面临的一些复杂问题，尤其是在风险定价和赔付预测方面，从而提高整个保险行业的效率。AI可以通过更有效的定价方法来解决问题，并使得低价值的保险产品变得可行。此外，可以通过技术（如ChatGPT）提升客户体验并拓宽保险的普及度。

在销售与营销和客户获取方面，AI能有效提升销售策略的精准度，从而增加客户转化率和市场份额。

AI在投资银行业务方面也将发挥诸多作用。例如，在数据分析方面，AI可以处理和分析大量复杂的金融数据，包括历史交易数据、公司财务报表等。机器学习算法能够发现隐藏的模式和趋势，帮助投行做出更精确的预测；利用自然语言处理（NLP）技术，AI能够快速扫描和分析新闻、财报、行业报告以及社交媒体上的内容，提取有价值的信息；此外，财务建模此前往往涉及反复的人力劳动，而AI可以帮助投行快速构建和更新财务模型，自动执行大量计算，从而节省时间和减少人为错误。AI可以通过对比分析法、折现现金流法（DCF）等多种方式进行公司估值。

仍需突破多重挑战

当前来看，金融机构均在积极探索AI应用，但实际投产率与海外相比并不高。同时，AI的落地也需要克服多重挑战。

瑞银证券非银金融行业分析师曹海峰对记者表示，研究表明，实践中，金融机构仍然侧重于员工赋能应用，如知识辅助、客户服务助手、智能投资与研究、保险代理助手等，这些应用仍需要人类作为门控者；在用户中，大型金融机构正在系统性地构建LLM，整合前台/中台/后台场景，并采用多方面的模型研发方法，包括自研和联合开发。小型金融机构由于成本考虑，仍然在单一场景上进行实验，并普遍选择直接购买。

在他看来，国产模型效果不理想、投入门槛高、ROI不清晰，是制约生成式AI在金融行业规模化应用的关键因素。

某头部股份制商业银行数字金融部人士对记者表示，银行采购大模型相关服务或产品的订单案例层出不穷，虽然售价已经颇高，大模型应用的前景也并不明朗，但为了不错过行业的发展，部分银行也在大力投入显卡、加速建设。然而，不少银行并没有足够的预算。

整体来看，金融行业对于大模型逐渐呈现出一种矛盾心态。由于资金压力，训练大模型资源消耗巨大、成本颇高，绝大部分金融机构力有不逮。据悉，目前国内只有少数银行在探索独立全栈自研大模型或专业大模型基础上进行微调。绝大部分银行的大模型探索均是与第三方模型公司合作，从云端调用，按需接入各类大模型API。部分银行不敢投入的直接原因在于，大模型在具体落地层面仍有很多挑战。比如，“大模型幻觉”、数据隐私保护、可解释性弱等。在商业层面，巨大的成本投入能否带来正向ROI，仍然存疑。

招商银行数字金融发展办公室高旭磊在谈及AI“成长的烦恼”时表示，烦恼主要有三方面，一是大模型幻觉，通俗讲叫做“一本正经地胡说八道”“自圆其说地胡说”，这可能导致对风险方向的把握出现问题，造成严重的后果；二是价值观和伦理偏见，比如大模型可能会告诉你“如何制作枪支”；三是客户隐私泄露；四是可能导致的“赢家通吃”。

在他看来，银行需要破解“既要、又要、还要”的“不可能三角”。所谓“不可能三角”，就是海量的客户、极致的体验和极低的成本。具体而言，服务海量客户，就可能管不住风险，导致成本很高。或者数量上去了，成本降低了，但是客户体验很差，因为需要客户提供很多审核资料。

据悉，近一年来，部分银行已经启动了与大模型相关的建设。例如，招行在今年年初启动了直接与大模型相关的“智算平台”建设。该平台包含大语言模型训练与推理平台，旨在构建金融垂直领域大模型。初步成果也已经有所显现。例如，大模型可以自动生成营销文案，大幅提高营销效率；通过智能客服，可以解决绝大多数用户问题，将原本需要人工数分钟处理的事务缩短到“秒”级；在风控方面，招行的“天秤”风控平台已经运用了大量的神经网络算法。

聚焦金融IT行业的机会

除了金融行业的效率可能会被AI提振，还有哪些公司可能受益最大？在机构看来，金融行业的“AI赋能者”，即金融IT供应商，基于他们积累的数据资产和行业知识，可能会最为受益。

曹海峰对记者提及，在中长期内，随着应用规模的扩大，预计金融IT公司将成为主要受益者，尤其基于其将LLM（大型语言模型）与金融机构需求结合的优势。预计显示，到2030年，GenAI可能推动金融IT行业收入达到690亿元人民币（占行业总收入的24%），银行、保险和金融IT行业均将受益。

瑞银表示，看好宇信科技（银行IT领导者）和恒生电子（证券IT领导者）。虽然同花顺和东方财富等金融信息提供商在GenAI应用上进展比预期中更快，但它们的核心业务可能面临一些挑战。

具体而言，宇信科技提供银行解决方案 （一站式产品），该公司推出了低代码应用开发平台及多个应用产品，包括：开发助手、金融数据安全分类助手、“兴神”数据分析平台、AI营销助手、智能客服助手；恒生电子则提供证券大语言模型解决方案。据悉，恒生聚源参与共建了工银瑞信最新大模型创新成果FundGPT，为项目提供并部署了WarrenQ-Chat和Chatminer产品。恒生电子近期也表示，大模型应用全面接入DeepSeek。

未来，生成式AI将大幅提升行业效率。当前，瑞银已经为经纪和保险行业识别了31/23个生成式AI应用场景，主要影响包括成本降低、效率提升和客户黏性增加，其中生成式AI适用于59%/83%/44%的影响场景。该机构估计，生成式AI的发展到2030年将使行业劳动成本中位数下降20%。

具体而言，对于经纪行业，机构估计生成式AI应用可使2030年的ROE提高1.4个百分点（净利润提高15%），从而推动2030年估值增长19%。对于保险行业，其估计生成式AI应用可使2030年新业务价值（NBV）增加17%，从而推动2030年估值增长12%。