在科技飞速发展的今天，AI（人工智能）和ML（机器学习）已经在金融服务行业里驰骋了十多年，其中涵盖了从更好的风险控制到基础反欺诈评分的各种提升。而如今，基于大型语言模型（Large Language Models，简称LLMs）的生成性AI代表着一次历史性的跨越，它正在改变教育、游戏、商业等诸多领域。与传统的AI/ML主要基于现有数据进行预测或分类不同，生成性AI则能够创造全新的内容。

想象一下，我们可以将大量的非结构化数据进行训练，加上几乎无限的计算能力，这可能会带来金融服务市场几十年来的最大变革。不像在其他平台转变—比如互联网、移动端、云计算—金融服务行业在应用上总是落后一步，而在这里，我们期待看到最优秀的新公司和现有公司都能现在就拥抱生成性AI。

金融服务公司拥有大量的历史金融数据，如果他们利用这些数据来微调LLMs（或者像BloombergGPT那样从头开始训练），他们将能够快速地对几乎任何金融问题给出答案。比如说，一个在公司的客户聊天和一些额外的产品规格数据上进行训练的LLM，应该能够瞬间回答所有关于该公司产品的问题，而一个在公司十年的可疑活动报告（SARs）上进行训练的LLM，应该能够识别出一系列可能标志着洗钱阴谋的交易。我们相信，金融服务行业正准备利用生成性AI来实现五个目标：个性化的消费者体验、高效的运营、更好的合规、改善的风险管理，以及动态的预测和报告。

在现有公司和初创公司之间的竞争中，当使用AI来推出新产品和改进运营时，现有公司因为可以接触到专有金融数据，所以在初期会有优势，但他们最终会因为对准确性和隐私的高标准而受到阻碍。另一方面，新进入者可能最初需要使用公开金融数据来训练他们的模型，但他们会很快开始产生自己的数据，并以此作为新产品分发的破冰工具。

那么让我们深入到这五个目标，看看现有公司和初创公司是如何利用生成性AI的。

个性化的消费者体验

尽管消费者金融科技公司在过去十年里取得了巨大的成功，但是他们还没有兑现他们最雄心勃勃的承诺：在没有人工参与的情况下，优化消费者的资产负债表和收入表。这个承诺尚未兑现，是因为用户界面无法充分捕捉到影响金融决策的人类情境，也无法以帮助人们做出适当权衡的方式提供建议和交叉销售。

其中一个非显而易见的人类情境的重要例子是消费者在困难时期如何优先支付账单。消费者在做这种决定时，通常会考虑效用和品牌两个因素，这两个因素的交织使得创建一个能充分捕捉如何优化这个决定的体验变得复杂。这使得在没有人工雇员参与的情况下提供最优秀的信用教育变得困难。虽然像Credit Karma这样的体验可以带领客户走完80%的旅程，但剩下的20%就像是一片神奇的深渊，进一步尝试捕捉情境往往会过于狭窄或使用虚假的精确度，从而破坏消费者的信任。

现代财富管理和税收准备中也存在类似的不足。在财富管理方面，人类顾问战胜了金融科技解决方案，即使那些狭窄地专注于特定资产类别和策略的解决方案，也是如此，因为人们深受独特的希望、梦想和恐惧的影响。这就是为什么人类顾问历来比大多数金融科技系统更能为他们的客户量身定制建议。在税收方面，即使有了现代软件的帮助，美国人每年仍然需要花费超过60亿小时来处理他们的税收，犯下1200万个错误，而且经常遗漏收入或放弃他们不知道的福利，比如可能扣除工作旅行费用。

大型语言模型（LLMs）为这些问题提供了一个整洁的解决方案，通过更好地理解和导航消费者的金融决策。这些系统可以回答问题（“为什么我的投资组合中有部分在市政债券？”）、评估权衡（“我应该如何看待期限风险与收益？”）、并最终将人类情境纳入决策制定中（“你能不能制定一个足够灵活的计划，在未来某个时间点帮助我经济上支持我年迈的父母？”）。这些能力应该会把消费者金融科技从一个高价值但狭窄的用例集转变为另一个能帮助消费者优化整个金融生活的应用。

高效的运营

在一个生成性AI工具可以渗透到银行的世界里，Sally应该被持续地进行信用评估，这样她一旦决定购买房子，她就有了一个预先批准的抵押贷款。

然而，这个世界尚未实现，主要有三个原因：

• 首先，消费者信息分散在不同的数据库中。这使得跨销售和预测消费者需求变得极为具有挑战性。
• 其次，金融服务是高度考虑情感的购买，往往有复杂且难以自动化的决策树。这意味着银行必须雇佣大量的客户服务团队来回答他们的客户对基于他们个人情况的最适合他们的金融产品的许多问题。
• 最后，金融服务受到严格的监管。这意味着像贷款官员和处理员这样的人工员工必须在每一个可用的产品（如抵押贷款）的循环中，以确保符合复杂而非结构化的法律。

生成性AI将使得从多个地方提取数据以及理解非结构化的个人化情境和非结构化的合规法规等劳动密集型功能的效率提高1000倍。举例来说：

• 客户服务代表：在每家银行，成千上万的客户服务代表必须详细了解银行的产品和相关合规要求，以便能够回答客户问题。现在想象一下，一位新的客户服务代表开始工作，他们可以使用一个在过去10年银行客户服务电话中接受过训练的大型语言模型(LLM)。这位代表可以使用该模型快速生成任何问题的正确答案，帮助他们更深入地谈论更广泛的产品，同时减少他们的培训时间。现有的公司会想要确保他们的专有数据和特定客户的个人信息并未被用于提升其他公司可以使用的通用LLM。新进入者将需要在如何搭建数据集方面富有创意。
• 贷款人员：现有的贷款人员通常需要从近十几个不同的系统中拉取数据来生成一份贷款文件。一个生成性AI模型可以在所有这些系统的数据上接受训练，这样一位贷款人员只需提供一个客户姓名，贷款文件就会立即为他们生成。贷款人员可能仍然需要确保100%的准确性，但他们的数据收集过程将变得更加高效和准确。
• 质量保证：银行和金融科技公司的大部分质量保证工作都涉及确保完全符合众多监管机构的规定。生成性AI可以大大加快这个过程。例如，Vesta公司可以采用一个接受了Fannie Mae销售指南训练的生成性AI模型，来立即提醒抵押贷款人员合规问题。由于许多监管指南都是公开可用的，这可能为新进入市场的公司提供一个有趣的入口。然而，真正的价值仍然会流向那些拥有工作流引擎的公司。

所有这些都是通向Sally可以即时获得潜在抵押贷款的世界的步骤。

更好的合规性

未来，如果合规部门能够接纳并使用生成式AI技术，全球每年非法洗钱的8000亿至2万亿美元或许能被有效阻止。贩毒、有组织犯罪和其他各类非法活动都可能会因此而出现近几十年来最大的降幅。

现在，我们每年花费数百亿美元在合规上，但实际上阻止了的犯罪洗钱活动却仅占3%。大多数合规软件都基于“硬编码”规则来构建。例如，反洗钱系统允许合规官员执行像“标记任何超过1万美元的交易”或者查找其他预设的可疑活动的规则。但应用这些规则往往效果并不理想，因为很多金融机构被法律要求对大量的假阳性情况进行调查，而这些情况往往纷繁复杂，难以处理。为了避免重罚，合规部门雇佣了成千上万的员工，通常这些员工的数量占据了银行全员的10%以上。

而一旦我们能利用到生成性AI，未来的情景将会有所改变：

• 更高效的筛选：生成性AI模型能够迅速地将任何个人在各个系统中的关键信息汇总，呈现在合规官员眼前，使他们能更快地对交易进行风险评估。
• 更好地预测洗钱者：想象一下，一个经过过去10年的可疑活动报告（SARs）训练的模型，无需明确指示，AI就能从报告中发现新的模式，并自行定义什么样的行为模式可能属于洗钱。
• 更快的文档分析：合规部门负责保证公司的内部政策和程序的遵守，同时也要符合监管要求。生成性AI能够分析大量的文件，比如合同、报告、邮件等，然后标出可能的问题或者需要深入研究的领域。
• 培训和教育：生成性AI也可以用来开发培训材料，模拟真实世界的场景，从而教导合规官员如何进行最佳实践，以及如何识别潜在的风险和不合规行为。

新入行的公司可以利用数十个机构公开的合规数据，使搜索和整合变得更加迅速和便捷。而对于那些有着多年数据积累的大公司，他们需要设计适当的隐私功能。

改善的风险管理

虽然Archegos和伦敦鲸鱼听起来像是来自希腊神话的生物，但它们实际上代表了风险管理的严重失败，使得世界上最大的几家银行损失了数十亿美元。再加上最近的硅谷银行的例子，我们可以明显地看到，风险管理仍然是许多领先金融机构的一大挑战。

虽然人工智能的进步不能完全消除信用、市场、流动性和运营风险，但我们认为这项技术可以在帮助金融机构更快地识别、计划和应对这些不可避免的风险方面发挥重要作用。具体来说，以下是我们认为AI可以帮助更高效风险管理的一些领域：

• 自然语言处理：像ChatGPT这样的LLM模型可以帮助处理大量的非结构化数据，如新闻文章、市场报告和分析师研究，从而提供更完整的市场和交易对手风险视角。
• 实时洞察：对市场条件、地缘政治事件和其他风险因素的即时了解可以让公司更快地适应变化的情况。
• 预测性分析：运行更为复杂的场景并提供早期警告的能力可以帮助公司更主动地管理风险。
• 整合：将独立的系统整合起来，并使用AI来整合信息，可以帮助提供更完整的风险暴露视角并简化风险管理流程。

动态的预测和报告

LLM除了能助力解答财务难题，也可助力金融服务团队改善他们的内部运营流程，简化财务团队日常工作的步骤。即便财务领域的其他各方面都有了长足的进步，但现代财务团队的日常工作流程仍在依赖于Excel、电子邮件以及需要人工操作的商业智能工具。基本任务的自动化受阻于数据科学资源的短缺，而CFO及其团队过于投入在繁琐的记录保持和报告任务上，而非聚焦于更为重要的顶层战略决策。

一般来说，生成型AI能帮助这些团队从更多来源获取数据，并自动化强调趋势、生成预测和报告的过程。以下是一些具体应用实例：

• 预测：生成型AI能帮助在Excel、SQL和BI工具中撰写公式和查询，以实现分析自动化。此外，这些工具能帮助揭示模式，从更大范围、更复杂情景的数据集（如宏观经济因素）中提炼预测因素，建议如何更易于调整这些模型，为公司决策提供参考。
• 报告：无需手动从各类数据中提取信息进行报告（比如董事会汇报、投资者报告、每周数据面板），生成型AI能帮助自动创建文本、图表、图形等，根据不同的示例灵活调整报告内容。
• 会计与税务：会计和税务团队需要投入大量时间去参考规定，理解如何将规定应用到实际情况中。生成型AI可以帮助综合、概括和建议税法和潜在减税的可能答案。
• 采购与应付款：生成型AI可以帮助自动生成和调整合同、采购订单和发票，以及提醒等。

然而，我们需要明确，当前的生成型AI在需要判断或精确答案的领域（这对于财务团队通常是必须的）中还有其局限性。生成型AI模型在计算能力上不断进步，但目前我们还不能完全依赖其准确性，或者说至少需要人工复核。随着模型的迅速改进，更多的训练数据和结合数学模块的能力，新的使用可能性也随之呈现。

挑战

在这五大趋势之中，新入行者和现有市场参与者面临两个主要挑战，以实现这个基于生成性AI的未来图景。

• 训练大型语言模型（LLM）以处理财务数据：现在的LLM主要是通过网络数据进行训练的。为了满足金融服务的特定需求，需要用财务数据来对这些模型进行精细调校。新入行的公司可能会从公开的企业财务数据、监管文件，以及其他易于获取的公开财务数据开始，进一步对他们的模型进行优化，然后随着时间的推移，逐步使用他们自己收集到的数据。像银行这样的现有参与者，或者拥有金融服务业务的大型平台（例如Lyft），他们可以利用自己已有的、专有的数据，这可能会给他们带来一定的初步优势。然而，现有的金融服务公司在接受大型平台变革时，往往过于保守。这就为那些无拘无束的新进入者提供了竞争优势。
• 模型输出的准确性：鉴于金融问题的答案可能对个人、公司甚至整个社会产生影响，这些新的AI模型必须尽可能地准确。它们不能虚构出错误的答案，或者给出听上去自信但却是错误的答案，对于涉及到人们的税务或财务健康的关键问题，它们需要比流行文化查询或者普通的高中论文给出的答案更准确。最开始，往往需要有一个人在循环中，作为AI生成答案的最终验证。

生成性AI的兴起对于金融服务公司来说，无疑是一次重大的平台变革，它有可能为客户提供更个性化的解决方案，使公司运营更加成本效益，提高合规性，改进风险管理，同时也能带来更加灵活的预测和报告。在我们刚刚列出的这两个关键挑战上，现有的公司和初创公司将进行竞争。虽然我们还不清楚谁将最终胜出，但我们已经知道，有一个明确的赢家已经出现：那就是未来金融服务的消费者。