2016年，AlphaGo机器人击败了曾多次问鼎世界围棋冠军的李世石。时至今日，人工智能（AI）技术已取得更为长远的进步，给许多行业带来更深远的变革。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常要赢得竞争并实现蓬勃发展，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矗
为帮助金融机构领导者明确AI银行愿景并制定“AI先行”转型路线图，本文将探讨以下四个问题：
1. 银行为何应“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？
1.银行为何应“AI先行”？
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，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（图2）。
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，包括：随着数字银行的广泛应用，客户预期不断提高；领先金融机构稳步增加高级AI技术应用；数字生态系统正造成传统金融服务脱媒；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。
2.未来的AI银行何种面貌？
“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。
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。
3.哪些因素阻碍银行大规模部署AI能力？
在银行所面对的各类阻碍中，缺乏明确的AI战略最为常见。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，才能大规模部署AI技术（图5）。
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。
4.要做到“AI先行”，银行应如何转型？
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。
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。
第二个，将客户旅程无缝整合到合作伙伴生态系统与平台中。
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。
第2层：打造AI支持的决策层
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。为推动大规模开发决策模型，开发过程应具备可重复性，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。
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，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。
核心技术与数据层包含几大关键要素：
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矗
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复性，并提高技术架构的灵活性。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。
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。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
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、企业平台和支持平台。
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上下实现统一。
“AI先行”银行需要在功能栈的全部四个层次构建转型能力。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。
对许多银行而言，在全行范围内大规模采用AI技术已成为战略要务。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。
作者：
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。
