中美銀行業巨頭，正在擁抱生成式 AI

北美地區如預期般處於領先地位。

撰文：Samora Kariuki

編譯：深潮 TechFlow

全球 AI 浪潮

銀行如何實際運用生成式 AI？

如果拋開頭條新聞和炒作，問題的本質是：世界上最大的銀行究竟如何使用生成式 AI ？不是未來的潛力，也不是供應商的宣傳，而是已經落地的實際應用在哪裏？

過去兩年中，全球金融行業悄然步入生成式 AI 時代。然而，這一進程並非統一，而是呈現出內外有別的格局：內部工具的低調部署、面向客戶的謹慎試驗，以及少數大膽的創新，正逐步重塑銀行業的內部架構。

從內部開始，再逐步外延

AI 的應用有一個共同點：從內部生產力工具起步。

生成式 AI 的主要應用集中在提升內部生產力上——這些工具幫助員工以更少的資源完成更多的工作。從摩根大通（JPMorgan）的分析師助手解析股權研究，到摩根士丹利（Morgan Stanley）爲財富管理顧問提供支持的 GPT 驅動工具，早期的重點是賦能銀行從業者，而非取代他們。

高盛（Goldman Sachs）正在爲開發者構建 AI 助手；花旗銀行（Citi）的 AI 摘要工具幫助員工處理備忘錄和撰寫郵件；渣打銀行（Standard Chartered）的「SC GPT」已在其 7 萬名員工中上線，用於從提案撰寫到人力資源問題的方方面面。

鑑於我們所處的是一個高度監管的環境，內部工具的部署顯得尤爲合理。這使得銀行可以在不觸碰監管紅線的情況下進行實驗並提升 AI 能力。如果參考最近 CBN（尼日利亞中央銀行）對 Zap 的行動，那麼「謹慎爲上」顯然是更明智的選擇。

業務線觀察：價值在哪裏？

不同部門的 AI 應用進展速度各異。不同業務部門在採用生成式 AI 的速度上存在差異。其中，零售銀行在交易量上處於領先地位。在這一領域，富國銀行（Wells Fargo）的 Fargo 和美國銀行（Bank of America）的 Erica 等由生成式 AI 驅動的聊天機器人每年處理數億次交互。在歐洲，德國商業銀行（Commerzbank）最近推出了自己的聊天機器人 Ava。

然而，問題在於，其中一些工具實際上並未真正使用生成式 AI ，而是依賴於傳統的機器學習技術。例如，美國銀行的 Erica，其工作原理更像是一個「機械土耳其人」（Mechanical Turk，意指通過人工操作實現自動化的假象）。盡管如此，重要的是這些實驗本身，而非技術標籤。

在企業與投資銀行領域，轉型更加隱性。摩根大通（JPMorgan）的內部工具主要支持研究和銷售團隊，而非直接面向客戶。德意志銀行（Deutsche Bank）則利用 AI 分析客戶通信日志，這不是客戶服務，而是數據賦能，幫助銀行家更快、更好地理解和服務客戶。

財富管理則介於兩者之間。摩根士丹利（Morgan Stanley）的 AI 工具並不直接與客戶對話，但確保顧問在每次會議前都能做好充分準備。德意志銀行和阿布扎比第一銀行（First Abu Dhabi Bank）正在試點面向頂級客戶的助手，旨在實時回答復雜的投資問題。

地區差異：誰在領跑？

來源： Evident AI Index

北美地區如預期般處於領先地位。美國的銀行，如摩根大通（JPMorgan）、第一資本（Capital One）、富國銀行（Wells Fargo）、花旗銀行（Citi）以及加拿大皇家銀行（RBC），已將 AI 轉化爲生產力引擎。得益於與 OpenAI 和微軟（Microsoft）的合作，它們率先接觸到最前沿的 AI 模型。

歐洲則更加謹慎。西班牙對外銀行（BBVA）、德意志銀行（Deutsche Bank）和匯豐銀行（HSBC）正在內部測試 AI 工具，並設置了更多的安全防護措施。歐洲通用數據保護條例（GDPR）對其影響深遠。正如以往一樣，歐洲更關注監管而非技術進步，這可能會讓其付出代價。

非洲和拉丁美洲還處於 AI 發展的早期階段，但進展迅速。巴西的 Nubank 表現突出，與 OpenAI 合作，先在內部部署 AI 工具，最終擴展到客戶服務。在南非，標準銀行（Standard Bank）和內德銀行（Nedbank）正在 AI 領域進行試點，涵蓋風險控制、支持服務和開發。

中國：構建自主 AI 技術棧

中國的銀行不僅在使用 AI，還在構建 AI 技術棧。

中國工商銀行（ICBC）推出了「智湧」，一個擁有 1000 億參數的大型語言模型，由內部自主研發。該模型已被調用超過十億次，支持從文檔分析到營銷自動化的 200 個業務場景。這不僅僅是內部工具的應用，更是銀行運營方式的基礎性轉變。

螞蟻集團（Ant Group）推出了兩款金融領域的大型語言模型——智小寶 2.0（Zhixiaobao 2.0）和智小助 1.0（Zhixiaozhu 1.0）。前者面向支付寶的普通用戶，旨在解釋金融產品；後者則爲財富管理顧問提供支持，可摘要市場報告並生成投資組合洞見。

平安集團（Ping An Group），作爲一家融合保險、銀行和科技的金融科技巨頭，走得更遠。其開發的生成式 AI 助手 AskBob ，既服務客戶又支持客戶經理。對於客戶，AskBob 可以用自然中文回答投資和保險問題；對於顧問，它能提取並總結客戶歷史、產品數據和營銷材料，將每位代理人轉變爲數字化增強的金融專家。平安的目標是通過 AI 重新定義金融諮詢，不僅是回答問題，更是提前預測需求。

在中國，監管框架強烈鼓勵數據本地化和模型透明化，這些機構選擇了更長遠的道路：構建能夠適應國內監管、語言和市場環境的定制化 AI 。此外，中國擁有足夠的人才密度，使得銀行能夠自主研發基礎模型，這在全球範圍內可能是獨一無二的成就。

誰在提供技術支持？

一些知名企業在全球範圍內頻繁出現：微軟（Microsoft）通過 Azure OpenAI 成爲目前最常見的平台。從摩根士丹利到渣打銀行，許多銀行都在微軟的安全沙盒環境中運行其模型。

谷歌的 LLM（大型語言模型）也在被使用，例如富國銀行利用 Flan 支持其 Fargo。而在中國，主要依賴本土技術，如 DeepSeek 、混元（Hunyuan）等。

部分銀行，如摩根大通、中國工商銀行和平安集團，正在訓練自己的模型。但大多數銀行則是在現有模型的基礎上進行微調。關鍵不在於擁有模型本身，而在於掌控數據層和模型的協調運作。

全球 AI 應用的多樣化探索

原圖見原文，編譯：深潮 TechFlow

那又怎樣？

在一個高度受監管的行業中，謹慎行事至關重要，這也是爲什麼銀行讓 AI 參與其中，而不是直接站在前線。然而，正如我們在其他平台變革中觀察到的那樣，果斷決策和快速實驗是關鍵。監管永遠不會領先於執行，而等待監管到位再進行 AI 實驗並不是明智之舉。我記得十多年前在一個沒有相關監管的國家構建代理銀行業務（agency banking）。一旦我們完成了構建，我們反而成爲向央行解釋這一業務的人。如果我是銀行董事會的一員，我會問：「我們正在進行多少實驗？我們正在生成多少洞察？」

要真正衡量進展，必須回到平台變革的基本原則。你的 AI 戰略必須回答以下問題：

「我們的 AI 戰略是否重建了核心架構？是否將成本降低了 100 倍？是否解鎖了新的價值模式？是否激發了生態系統的聯結？是否顛覆了市場？是否實現了訪問的民主化？」

邏輯很清楚——保持懷疑態度是必要的，但邏輯和事實都表明，AI 是一個新的平台變革。此外，邏輯和事實還表明，過去的平台變革在金融市場中往往帶來了革命性變化。例如，花旗銀行（Citi）在 70 年代和 80 年代的技術應用顯著擴展了其零售業務。第一資本（Capital One）從無到有，躋身市場前十大銀行，並在汽車貸款和抵押貸款等相關行業中佔據了重要地位。在非洲，Equity Bank 抓住了客戶端 - 服務器技術浪潮，成爲東非市值最大的銀行。同樣，Access Bank、GT Bank 和 Capitec 也在各自的市場中乘上了這一浪潮。

AI 平台時代已經到來，它將創造贏家。重點不在於關注失敗者，而在於贏家如何在特定領域佔據顯著的市場份額。例如，Stripe 在支付領域的成功就是一個典型案例。這些初期的突破往往會帶來相鄰領域的市場份額增長，例如 Nubank 通過信用卡業務成爲中小企業和零售銀行領域的重要玩家。

我的觀點是，AI 時代的贏家將專注於關係成本。這已經不再是一個單純的交易遊戲。交易已經發生過了，現在是一個客戶體驗和關係管理的遊戲。這是金融服務領導者應該關注的核心洞察。如何以極低的成本實現客戶體驗和關係銀行業務的 100 倍改進？作爲一家銀行，如何利用智能技術更好地幫助客戶管理他們的財務、業務和生活？能夠回答並執行這些問題的玩家，將成爲最終的贏家。