展望人工智能银行：当银行遇到AI.pdf

全球银行与证券咨询业务 人工智能技术已成为世界不可或缺的一部分。银行应规模化部署AI技术，在 组织各个层面进行全方位转型。唯有此，才能与时俱进，续写成功。 two.osfzero.osftwo.osfzero.osf年one.osftwo.osf月 Getty Images 作者：Suparna Biswas，Brant Carson，钟惠馨（Violet Chung），Shwaitang Singh，Renny Thomas 2016年，AlphaGo机器人击败了曾18次问鼎 世界围棋冠军的李世石。围棋是高度复杂的 棋类游戏，需要强大的直觉、想象力和战略思 维，长期以来这些能力一直被视为人类所独 有。时至今日，人工智能（AI）技术已取得更 为长远的进步 1 ，给许多行业带来更深远的变 革。AI支持的机器可根据个人品味和偏好给 出量身定制的数字化建议、为时尚零售商设计 产品线、甚至在癌症检测上已开始赶超经验 丰富的医生。麦肯锡估计，AI技术每年可为全 球银行业创造高达1万亿美元的增量价值。 然而，许多银行仅围绕零星用例开展AI试验， 难以实现全组织范围的大规模应用。背后的原 因可能是银行缺乏明确的AI战略、核心技术僵 化与投资不足、数据资产分散以及运营模式 过时（阻碍了业务和技术团队间的协作）。而 新冠疫情加速了数字化互动趋势，金融服务 领域已成为科技巨头进军的下一个相邻市 场。要赢得竞争并蓬勃发展，传统银行必须成 为“AI先行”机构，并将AI技术作为打造新价 值主张和独特客户体验的基础。 为帮助金融机构领导者阐释清晰的愿景并制 定“AI先行”转型路线图，本文将探讨以下四 个问题： 1. 银行为何必须“AI先行”？ 2. 未来的AI银行何种面貌？ 3. 哪些因素阻碍银行大规模部署AI能力？ 4. 要做到“AI先行”，银行如何转型？ 几十年以来，银行不断采用最新的技术革新并 重新定义客户互动方式。银行在1960年代推 出了ATM，在1970年代推出了基于卡片的支付 方式。在2000年代，24/7全天候在线银行普 及，2010年代，基于移动技术“随时随地办 业务”模式广泛出现。 如今，很少有人会否认我们已处于AI赋能的数 字化时代，数据存储和处理成本不断下降，信 息获取与互联程度普遍提升，人工智能技术 飞速发展。AI技术能提高自动化程度，在风险 控制得当的情况下，能提升人为决策的速度和 准确度。其在各个行业的价值创造潜力无与 伦比，例如AI技术每年可为银行业带来1万亿 美元的增量价值（图1）。 超过25个用例表明 3 ，AI技术能够为客户（和 员工）带来更多个性化服务，从而提升营收。 通过提高自动化程度、降低错误率和改善资 源利用率实现效率提升，从而降低成本。此外， 基于更强的海量数据处理能力与洞见获取能 力，AI技术还能发现新的、尚未实现的机会。 更广泛而言，颠覆性AI技术能够显著提高银行 在以下四方面的能力：利润提升、大规模个性 化、独特的全渠道体验以及快速的创新周期。 未能把AI技术置于战略和运营核心的银行， 将面临被竞争对手超越、被客户弃用的风险， 而当前的四大趋势进一步加剧了这一风险： 1 AI可以定义为机器执行与人类思维相关的认知功能（例如感知、推理、学习和解决问题）的能力，这包括多种能力，例如机器 学习、人脸识别、计算机视觉、智能机器人、虚拟主体和自动驾驶汽车。请参见2019年9月文章“Global AI Survey: AI proves its worth，but few scale impact”，McK 2 “The executives AI playbook,” McK. 3 交互式浏览请参见: playbook?page=industries/banking/ 2展望人工智能银行:当银行遇到AI 随着数字银行的广泛应用，客户预期不断 提高。在新冠疫情暴发的最初数月，各个 国家/地区使用网上银行和手机银行的人 数估计增加了20至50，并有望在疫情 消退后继续维持在这一较高水平。危机结 束后，全球各个市场预计将有15至45 的消费者减少对实体网点的造访。 4 随着更多消费者使用数字银行服务，他们 的服务预期也在不断提高，而且会对标领 先的消费互联网公司。而这些提供卓越数 字化体验的领先公司还在不断提高个性 化水平，有时甚至能预测客户潜在需求，并 在适当时间通过适当渠道为其提供量身定 制的服务。 领先金融机构稳步增加高级AI技术应用。 麦肯锡全球人工智能调查报告 5 中，近 60的金融服务业受访者表示，他们的机 构已经整合了至少一项AI功能。最常用的 图 1 总年均价值潜力，十亿美元 资料来源：“The executives AI playbook,” McK.（“银行业务”-“价值与评估”页面下） AI与分析技术每年为全球银行业带来的潜在价值可高达1万亿美元 1,022.4 (销售占比15.4%) 传统AI 与分析技术 高级AI 660.9 361.5 高级AI技术所推动的价值占比，按职能划分 100 50 0 营销和销售：624.8 363.8 261.1 风险：372.9 288.6 84.3 人力：14.2 8.6 5.7 财务与IT：8.0 0.0 8.0 其他运营职能：2.4 0.0 2.4 4 John Euart，Nuno Ferreira，Jonathan Gordon，Ajay Gupta，Atakan Hilal，Olivia White所著文章“A global view of financial life during COVIDhyphen.case19an update”， McK，2020年7月 5 Arif Cam，Michael Chui，Bryce Hall所著文章“Global AI Survey: AI proves its worth，but few scale impact”，McKinsey. com，2019年9月 3展望人工智能银行:当银行遇到AI 技术包括：处理结构化运营工作的机器人 流程自动化（36）；用于客户服务部门 的虚拟助手或对话界面（32）；以及用 于检测欺诈行为并支持贷款审批与风险管 理的机器学习技术（25）。虽然对很多 金融机构而言，人工智能应用仍然较为零 星，且往往只针对特定用例，但越来越多 银行业领军者已开始通过系统性方法部 署高级人工智能，并将其整合到贯穿前后 台的全生命周期之中（图2）。 数字生态系统正在推动传统金融服务脱 媒。通过统一的访问点即可获取多元的服 务组合，数字生态系统已经深刻改变了消 费者发现、评估和购买商品与服务的方式。 例如，中国的微信用户不仅可以收发消息， 还可以用同一款App预定出租车、网购食 品、预约按摩、畅玩游戏、向联系人转账 以及获取个人信贷额度。同样，在其他国 家/地区，非银企业和各种“超级App”正 将金融产品和服务整合进自己的客户旅 程，为客户提供极具吸引力的体验，不 断颠覆获取金融产品与服务的传统方式。 因此，银行需要重新思考如何参与数字生 态系统，并通过AI技术充分利用从新来 源获取的数据。 图 2Web Exhibit of 银行正扩大对 AI技术的使用以改善客户体验与后台流程 前台 后台 “微笑支付”面部 扫描以发起交易 微表情分析与 虚拟贷款专员 生物识别（语音、视频、指纹） 进行身份验证和授权 检测欺诈迹象和网络 安全攻击的机器学习算法 对话型机器人处理 基本的服务请求 网点服务客户的 人形机器人 用于扫描和处理文件的 机器视觉与自然语言处理 用于风险监控的 实时交易分析 4展望人工智能银行:当银行遇到AI 科技巨头正进入金融服务市场，并将其视 为核心业务之外的关键领域。在全球范围 内，领先的科技巨头已建立起非凡的市场 优势：庞大且高度互动的客户网络；海量 数据资源让其对客户个体的了解越发可靠 和准确；开发和扩展创新技术（包括AI技 术）的天然优势；以及低成本的资金获取 渠道。在过去，科技巨头不断激进地探索 相邻业务，以寻找新的收入来源并通过一 系列新产品保持客户黏性。大型科技企业 已经在特定的金融服务领域中立足（尤其 是支付业务以及一部分贷款和保险业务）， 他们将很快寻求扩大优势，加深影响力并 扩展规模。 在AI赋能的数字化时代，要满足客户不断提高 的预期并在竞争中取胜，“AI先行”银行所提供 的主张与体验应当：智能化（推荐最优行动、预 期关键决策并实现决策或任务自动化），个性 化（实用、及时且基于对客户过往行为和背景 的细致了解），全渠道（无缝覆盖多个设备，包 括实体和线上情景，并提供一致的体验），并 将银行的能力（包括银行业务范围以外）与相 关产品和服务融合在一起。图3展示了AI银行 如何全天候与零售客户互动；图4展示了小型企 业所有者或中型企业财务主管的银行业务体 验。 图 3 AI技术如何变革零售客户的银行业务 姓名：Anya 年龄：28岁 职业：专业人员 个性化 全渠道 银行业务及更多 智能 与非银行 App无缝整合 银行App识别 Anya的消费 方式，并推荐 附近咖啡店的 咖啡 人脸识别进行 无障碍支付 Anya使用微笑 支付发起付款 分析支持的 个性化优惠报价 Anya基于其运动 和睡眠习惯 得到2%的健康险 保费优惠 个性化现金 管理解决方案 App提供现金 管理与储蓄 解决方案，并优先 进行刷卡支付 汇总每日 活动概览 Anya收到由 增强现实支持的 当日活动概述 以及账单提醒 储蓄与投资建议 Anya收到综合投资 组合概况以及一系列 可能增加回报的 行动建议 借助增强现实技 术，Anya接到当日 交易活动一览以及 待付账单提醒 借助增强现实技 术，Anya接到当日 交易活动一览以及 待付账单提醒 5展望人工智能银行:当银行遇到AI 在内部，“AI先行”机构将通过手动任务的极 致自动化（“零操作”概念）以及在银行运营 的各个领域以高级诊断引擎替换或增强人为 决策，从而提高运营效率。运营绩效提升带 来的收益，将从广泛的传统和尖端AI技术应用 （例如机器学习和人脸识别）投资，流向对庞 大而复杂的客户数据（近乎）实时的分析上。 未来的AI先行银行也将拥有当今数字原 生企业的速度和敏捷性。银行将快速创 新，在数天、数周而非数月的时间内发布 新功能。银行还将与合作伙伴广泛协作， 提供覆盖各个旅程、技术平台和数据集、 无缝整合的全新价值主张。 图 4 AI技术如何变革中小企业客户的银行业务 姓名：Dany 年龄：36岁 职业：小型制造企业财务负责人 个性化 全渠道 银行业务及更多 智能 定制化 贷款解决方案 用于贷款审核的 微表情分析 Dany填写简短的 调查问卷; App扫描其 面部动作 申请获批后资金 划入公司账户 银行与客户业务 管理系统集成 Dany基于公司 预计的现金流 获得贷款 无缝的存货与 应收账款管理 App给出续订 物品建议、 提供虚拟应收 账款报告 Dany收到定制化的 发票贴现、保理等 解决方案 用于寻找供应商 和买家的中小 企业平台 Dany在寻找和 选择供应商与 合作伙伴上 得到协助 银行业务以外 的支持服务 Dany拿到预填 的税务文件进行 审核与批准; 可一键提交 AI支持的虚拟 顾问提供服务 AI支持的虚拟顾问 解决问询 Dany寻求对一笔 贷款要约 专业咨询 6展望人工智能银行:当银行遇到AI 传统银行面临两套目标，初看上去两者似乎 存在矛盾。一方面，银行需要追上金融科技 企业的速度、敏捷性与灵活性；另一方面，他 们必须满足传统金融服务企业规模化、安全 性和监管上的要求。 尽管金融业每年在“银行变革”技术举措上 投入数十亿美元，但很少有银行能够成功地 在全组织范围推广和扩展AI技术应用。在银 行所面对的各类阻碍中，缺乏明确的AI战略 最为常见 6 。很多银行也面临另外两项挑战， 首先是核心技术和骨干数据薄弱，其次是运 营模式与人才战略过时。 银行的核心技术系统最初以稳定性为目的， 其表现堪称良好，特别是在支持传统支付和 贷款业务方面。然而，银行必须先解决旧系 统固有的弱点，才能开始大规模部署AI技术 （图5）。第一，闭环AI应用有特定的可变计算、 数据处理和实时分析要求，而传统系统往往 缺乏支持上述需求的容量与灵活性 7 。核心系 统也很难做出调整，其维护需要花费大量资 源。此外，在许多银行，数据存储分散在多 个孤立部门（分离的业务和技术团队），分析 工作仅针对独立用例。若没有集中的数据骨干， 要在适当时候分析相关数据并生成智能推荐 或产品建议几无可能。如果说数据是AI应用的 基本原料，那么银行应在保证安全性的前提下， 对数据进行有效管理，让整个组织在“决策点” 上（近乎）实时、规模化地为数百万客户分析 内外部数据。最后，为规模化部署各类分析和 高级AI模型，银行需要一套可靠的工具和标 准化流程，通过可复制、“工业化”的方式构建、 测试、部署和监控模型。 银行的传统运营模式阻碍了持续性创新。大 部分传统银行的组织架构是基于不同的业务 线，技术和分析团队则作为成本中心集中化 管理。业务负责人单方面确定目标，与企业的 技术和分析战略（若存在）通常缺乏统一、或 协调性较差。孤立的工作团队以及瀑布式开 发流程往往导致延误、成本超支和绩效欠佳。 此外，很多组织缺乏“测试-学习”观念以及有 力的反馈循环，无法推动快速试验与迭代。由 于过往项目和试验效果不佳，业务高管在关 键功能上往往倾向于依靠第三方技术提供商， 导致内部人才和能力逐渐枯竭，无法建立起 竞争优势。 6 Michael Chui，Sankalp Malhotra所著文章“AI adoption advances，but foundational barriers remain”，McK，2018年11月 7 “闭环”是指：将智能模型（近乎）实时地应用于传入数据，该数据继而实时地完善向用户呈现的内容。 7展望人工智能银行:当银行遇到AI 图 5 1 应用程序接口。 投资核心技术对满足日益增长的可扩展性、灵活性和速度需求至关重要 云 数据 APIone.numr 挑战 云计算带来的助益 核心/遗留系统难以充分实现规模化（例如， 每秒150笔以上的交易） 维护基础设施需要大量时间、工作量和团队 人员 开发和测试环境的准备时间漫长（例如， 某些情况下需要40天以上） 通过基础设施虚拟化实现更高的可扩展性以及服务和 平台韧性 降低IT开销，实现多项基础设施管理任务的自动化，并支 持开发团队“自助工作” 加快上市时间；通过提供托管服务显著减少用时（例如， 在几分钟内而非几天内设置新环境） 错误率高；刷新率差；缺乏关键事实口径 多个不同用例难以及时访问 数据困于多个部门孤岛之中，难以与外部 数据源整合 确保高度准确性和单一事实口径，且具有成本效益 实现相应角色对不同用例的及时访问 （例如，监管、大 规模商业智能、高级分析和机器学习、探索性用例） 实现全组织的360度视图，支持通过决策算法和模型产生 更深刻的洞见 挑战 一流的数据管理带来的助益 上市时间较慢，内部团队之间代码和软件 的重复利用性有限 难以与外部伙伴协作或合作；整合用时 漫长 用户体验欠佳 难以在多个部门孤岛间 整合数据与服务，以提出统一的价值主张 挑战 API带来的助益 支持获取精细服务（内部和外部），促进重复利用并加快 开发速度 降低复杂度并加速与外部伙伴的协作 支持跨团队及时获取数据与服务，提升客户体验；通过减 少协调需求与跨团队测试加快上市时间 8展望人工智能银行:当银行遇到AI 银行需通过系统性方法部署AI技术，以克 服在全组织范围部署时面临的阻碍。要做 到“AI先行”，银行必须对综合功能栈中全部 四个层次的转型能力（图6）进行投资，这包 括：互动层、AI支持的决策层、核心技术与 数据层以及运营模式。 后文将阐释，这些相互联系与依赖的层次如 果能够协同运转，将推动银行为客户提供独 特的全渠道体验、实现大规模个性化、并加 快创新周期（对于在当今世界保持竞争力至 关重要）。每一层次都有其独特作用，对任何 一层投入不足都会造成薄弱环节，从而影响 整个企业。 本文后续各节将探讨银行在上述功能栈的 每一层次所要做出的具体变革。 第1层：重构客户互动层 越来越多的客户要求银行参与终端客户旅 程，了解其应用情景与需求，从而时刻提供 无缝的卓越体验。很多银行业务（例如支付、 某些类型的贷款）正在“隐形化”，因为旅程 的起止常常发生在银行平台以外的客户界面。 要让银行全方面覆盖客户生活，通过全渠道 满足客户潜在与新的需求，银行需要重新构 想与客户的互动方式并做出几项关键转变。 首先，银行不应局限于提供高度标准化产品， 而应该以最大化满足客户需求为目标提供综 合性的产品及服务 8 。这要求银行在核心客户 旅程中嵌入个性化决策（提供什么，何时提 供，通过何种渠道提供）、设计核心银行产品 之外的价值主张、并引入能够代客自动执行 决策与业务的智能技术。此外，银行应整合 相关非银产品与服务，与核心银行产品一起 满足客户的综合性需求。金融科技公司Tally 帮助客户应对管理多张信用卡的困扰，其过 程很好地展现了“最大化满足客户需求”。该 金融科技公司解决了客户多个痛点，包括决 定哪张卡优先还款（根据其每月收入和支出 预测）、何时还款以及还款金额（最低还款 额vs本金偿还），客户自己通常无法高效处 理这些复杂事务。 第二个必要的转变是将客户旅程无缝整合 到合作伙伴生态系统与平台中，从而使银行 能够在应用场景与客户互动，并在此过程中 利用合作伙伴的数据与渠道平台来提高客户 参与度和使用率。印度工业信贷银行（ICICI Bank）在WhatsApp（印度流行的通讯平台） 中嵌入了基本的银行服务，并在发布后的三 个月内将其扩展至100万用户 9 。当今消费者 和企业日益依赖数字生态系统，银行应决定 参与各类生态系统的方式（自建、统筹协调 或合作），并相应地调整其互动层功能。 第三，银行需要重新设计整体客户体验和全 渠道互动中的特定旅程。这包括实现客户在 同一旅程中多种模式（例如，网页、移动应用、 网点、呼叫中心、智能设备）间的无缝切换， 保留并不断更新最新的互动情景。领先的消 8 Clayton M. Christensen，Taddy Hall，Karen Dillon，David S. Duncan所著文章 “Know your customers jobs to be done”， 哈佛商业评论，hbr，2016年9月 9 “ICICI Bank crosses 1 million users on WhatsApp platform”，Live Mint，2020年7月7日 9展望人工智能银行:当银行遇到AI 图 6 要成为AI先行机构，银行需精简其功能栈以实现价值创造 重新构想 互动层 AI支持的 决策层 核心技术 与数据层 经营模式 与工作方式 未来的AI银行 盈利能力 大规模个性化 全渠道体验 速度与创新 面向客户和员工的 智能产品、体验与 工具 银行内部的渠道与旅程 （例如网页、App、移动 端、智能设备、网点、物 联网 银行外部的渠道与旅 程 (例如生态系统、 合作伙伴、分销商） 智能服务与运营 数字化营销 新客 获取 授信 决策 服务与 互动 留存与 交叉/追加 销售 监控 与催收 高级分析 AI能力 核心技术与数据层 A.未来技术战略 （内部构建差异化能力vs 购买产品服务，内部人才计划） B.AI世界 的数据 管理 平台运营 模式 A.自治型“业务+技术”团队 B.敏捷工作 方式 C.远程协作 D.现代化人才与 招聘 E.文化与能力 价值获取 1 2 3 4 C.现代 API架构 D.智能基础 设施 (AIOps Command、 混合云设等） E.精简 核心（核心 现代化） F.网络 安全和 管控级别 5 6 7 8 9 10 新客 获取 人脸 识别 区块链 机器人 技术 行为 分析 计算机 视觉 虚拟 主体/ 机器人 语音 脚本 分析 10展望人工智能银行:当银行遇到AI 费互联网公司已凭借O2O业务模式改变了客 户预期。一些银行正奋力推进全渠道旅程 设计，但大多数银行在这方面仍需努力。 重新构想AI银行的互动层需要银行对非银 渠道客户互动拥有清晰的策略。银行在其平 台内外构建客户体验时，需要采用设计思维， 互动界面接口的设计应保证灵活性，从而满 足客户定制化与个性化需求。后端流程也需 要重新设计，并确保将数据捕获漏斗（例如 点击流）精细地导入到银行的互动层中。所 有这些都旨在更细致地了解客户旅程，并持 续改进 10 。 第2层：打造AI支持的决策层 要在各互动渠道中（近乎）实时地向数百万 用户和数千名员工提供个性化消息与决策 支持，银行需开发由AI支持的大规模决策层。 在银行的各业务领域中，人工智能技术往 往可以完全替代或增强人为判断，从而显 著改善业务结果（例如，更高的准确性与速 度）、提升客户体验（例如，更具个性化的 交互与产品）、赋能员工（例如，首先与哪个 客户联系并给出下一个最佳行动建议）以及 加强风险管理（例如，更早发现可能的违约 和欺诈行为）。 为建立强大的AI支持决策层，银行需要跳出 开发特定用例和单点解决方案的思维模式， 制定在所有业务领域部署高级分析（AA）/ 机器学习（ML）模型的全行路线图。举例而 言，仅在无担保消费贷款领域，就有超过20 项决策可以实现自动化 11 。为推动大规模开 发决策模型，银行需要让开发过程具备可 重复性，从而保证解决方案的有效和准时 交付。除了业务团队和分析人才之间的紧密 协作，银行也需要强大的工具进行模型开 发、提高流程效率（例如，跨项目重用代码）、 以及跨团队传播知识（例如，知识库）。 除了跨业务领域大规模开发决策模型，路 线图还应将AI整合到日常业务流程。这项 工作常常被低估：整合A A /AI模型的目标业 务流程需要重塑；AI决策应能够“解释”给 最终用户；处理员工观念转变和技能差距 的变革管理计划也需就位。为了在首次部 署后推动持续改进，银行还应建立基础设 施（例如，数据测量）与流程（例如，对性 能的定期检查、AI模型的风险管理），以强 化反馈回路。 此外，银行需要利用新的功能（例如自然 语言处理、计算机视觉技术、AI主体与机 器人、增强或虚拟现实）强化核心业务流 程中的本地AI模型。上述前沿能力中很多 都拥有从根本上改变客户体验和/或运营 效率的潜力。尽管许多银行可能缺乏相应 人才以及自行开发上述技术的必要投资意 愿，但他们至少能通过API支持的系统架 构，以最快速度从专业提供商处采购并集 成这些新能力，并在沙盒环境中持续推动 对这些技术的试验，从而测试和优化应用 程序并评估潜在风险，继而决定大规模部 署哪些技术。 10 Jennifer Kilian，Hugo Sarrazin，Hyo Yeon所著文章 “Building a design-driven culture”，McK，2015年9月 11 Renny Thomas，Vinayak HV，Raphael Bick，Shwaitang Singh所著文章 “Ten lessons for building a winning retail and small- business digital lending franchise”，McK，2019年11月 11展望人工智能银行:当银行遇到AI 为实现上述决策和功能并与客户在整个生 命周期互动（从获客到追加销售与交叉销售， 再到客户留存与挽回），银行需建立企业范围 的数字营销机制。该机制的关键在于将决策 层产生的决策与洞见转化为互动层一系列协 同性干预措施，其中几项关键要素包括： 从银行内部（例如，来自App的点击流数 据）和外部（例如，与电信提供商的第三 方合作）的多元数据源捕获各类数据的提 取管道； 汇总、开发和维护360度客户视图、并让 AA/ML模型能够近乎实时运行和执行的 数据平台； 跟踪过往行动并在互动层全渠道范围内 统筹协调前瞻性干预措施的活动平台。 第3层：加强核心技术与数据基础设施 在整个组织内部署AI功能，银行需要一系列 可扩展、有弹性且适应性强的核心技术组件。 核心技术骨干薄弱以及现代化技术投资不足， 大大降低了决策层和互动层的有效性。 核心技术与数据层包含六个关键要素（图7）： 未来技术战略。银行应拥有与业务战略紧 密结合的统一技术战略，并就关键问题 做出战略性选择，即哪些要素、技能组合 和人才应留在内部，哪些则应通过合作伙 伴或供应商获得。此外，技术战略需阐明 目标架构各个组成部分如何支持银行成 为“AI先行”机构，以及如何与功能栈的 每一层进行交互。 AI环境中的数据管理。银行数据管理必须 确保数据的流动性，即访问、提取和操纵 数据的能力，这是决策层产生任何洞见与 决策的基础。 打破部门孤岛可提升数据流动性，让多个 部门更好协调对同一数据的操作。数据 价值链的起点即从所有相关内部系统和 外部平台中获取数据。这包括将数据提 取到数据湖中，清理并标记各类用例所 需的数据（例如，监管报告、大规模商业 智能、AA/ML诊断），以及对立即用于分 析的传入数据（从现有或潜在客户处）与 待清理标记以备未来分析的数据进行分 离。此外，在设计和构建集中式数据管理 基础设施时，银行应开发其他控制和监控 工具以确保数据安全性、隐私性和监管合 规性（例如，全行各部门对不同用例的及 时访问）。 现代化API架构。API类似于结缔组织，能 实现对银行内外部服务、产品和数据的可 控访问。在银行内部，API可减少建立孤岛 的诱因，提高技术资产的可重用性，并促 进技术架构的灵活性。在银行外部，API可 促成建立外部合作的能力、解锁新商机并 提升客户体验。API确实能够带来巨大价 值，但必须首先确定其使用领域并建立集 中化的治理机制以支持其开发和管理。 Renny Thomas，Vinayak HV，Raphael Bick，Shwaitang Singh所著文章 “Ten lessons for building a winning retail and small- business digital lending franchise”，McK，2019年11月 12展望人工智能银行:当银行遇到AI 图 7 1 应用程序接口。 在核心技术与数据层，云计算的使用日益增加、旧有技术则不断减少 能力 我们的观点 未来技术战略 AI环境中的数据管理 现代API架构 智能基础设施 核心精简 网络安全和管控级别 通过强化内部技能基础打造内部差异化能力; 仔细权衡购买、自建以及基于最佳解决方案组建模块化架构的选项 升级数据管理和基础架构，利用云、流数据和实时分析技术支持大规模 机器学习用例 利用现代化云原生工具实现支持复杂业务流程的可扩展API平台， 同时在整个生态系统中提升整体体验 在本地和云环境中实施“基础架构即代码”；采用AIhyphen.caseOps提高平台韧性， 以支持深度诊断、自动恢复与自动扩展 在整个企业栈中分配事务处理；有选择地识别可外部化的组件以推动 更广泛的再使用、标准化和效率提升 在混合基础设施中落实完善的网络安全架构；通过“零信任”设计原则与集中式 指挥控制中心确保数据与应用程序安全 Arul Elumalai，Roger Roberts所著文章 “Unlocking business acceleration in a hybrid cloud world”，McK，2019年8 月 智能基础设施。不同行业的公司纷纷增 加在共有和私有基础设施上处理的工作 比重，有充分证据表明基于云的平台可实 现更高的扩展性与弹性，后者对于“AI先 行”战略至关重要 13 。此外，基于云的基础 设施能够降低IT维护成本，并支持开发团 队的自助服务模式，从而通过提供托管服 务（例如，在几分钟而非几天内设置新环 境）加快创新周期。 第4层：向平台运营模式过渡 未来的“AI先行”银行需要采用新的运营模 式，从而在其他各个层次实现必要的敏捷性、 速度并创造价值。尽管大多数银行的技术平 台和资产都更加模块化、更灵活，但银行内部 团队仍然在部门孤岛中以欠佳的协作模式运 转，且对目标和重点缺乏统一认识。 13展望人工智能银行:当银行遇到AI Suparna Biswas是麦肯锡全球董事合伙人，Shwaitang Singh是麦肯锡副董事合伙人，Renny Thomas是麦肯 锡全球资深董事合伙人，均常驻孟买分公司。Brant Carson是麦肯锡全球董事合伙人，常驻悉尼分公司。钟惠馨 （Violet Chung）是麦肯锡全球董事合伙人，常驻香港分公司。 作者感谢Milan Mitra，Anushi Shah，Arihant Kothari和吴伊虹（Yihong Wu）对本文的贡献。 麦肯锡公司2020年版权所有。 在平台运营模式下，跨职能的业务和技术团 队构成了银行内部的一系列平台。每个平台 团队都控制着自己的资产（例如技术解决方 案、数据、基础设施）、预算、关键绩效指标 以及人才。另一方面，这些团队向银行的最终 客户或银行内的其他平台提供一系列产品或 服务。在目标状态下，银行的平台团队原型可 分为三类。业务平台是面向客户或合作伙伴 的团队，致力于在消费贷款、对公贷款和交易 银行等业务领域创造业务成果；企业平台提 供专业化能力和/或共享服务，在整个组织中 建立标准，包括催收、支付基础设施、人力 资源和财务；支持平台则让企业和业务平台 能够实现跨领域的技术功能，例如网络安全 与云架构。 通过将业务和技术整合到由跨职能团队运营 的共有平台中，银行可以打破组织孤岛、提高 敏捷性与速度、并让全行在目标和重点上实 现统一。 迈向“AI先行”银行需要在功能栈全部四个 层次具备转型能力。忽视任何一层的挑战或 对任何一层投入不足都会波及全局，导致功 能栈欠佳而无法实现银行的业务目标。 务实的做法是先评估银行的战略目标（例如 增长、盈利、客户互动、创新），以及如何通 过一系列AI技术切实实现该目标，并确保AI目 标与银行战略目标吻合。在达成一致性后，行 领导应全面诊断银行在四个层次的现状，以 确定所需的关键转变、额外投资和新型人才。 之后可将这些见解转化为涵盖业务、技术和 分析团队的转型路线图。 针对组织特点量身定制执行方案同样重要。 为确保变革的可持续性，我们建议银行采用 双轨制，在能产生季度性业务价值的短期 项目与迭代构建长期能力之间取得平衡。此 外，根据自身市场地位、规模和目标，银行无 需独立建设所有能力。他们可选择将差异化 的核心能力保留在银行内部并从技术供应商 与合作伙伴处（包括AI专家）获取非差异化 的功能。 对许多银行而言，在全行范围内大规模采用 AI技术已成为战略必需。而能否在上述四个 层次全面重构银行的技术能力将决定其未来 成败。 14展望人工智能银行:当银行遇到AI