銀行內部的AI革命：顛覆傳統運作方式

銀行業的生成式人工智能並不在你想的地方

隨著銀行業大力投入人工智能，但其實行的方式並不如大眾所想的那樣。當人們談論銀行如何採用生成式人工智能時，通常集中在面向客戶的工具上，例如聊天機器人回答查詢、詐騙檢測系統保障賬戶安全，或為金融產品提供個性化推薦。然而，銀行在幕後卻悄然利用生成式人工智能的變革力量，改變其內部運作。這些機構內部正在發生的變化，可能比客戶在表面上看到的更為重要。

GPT商店：民主化人工智能創新

BBVA的「GPT商店」是一個簡單卻具變革性的想法：一個集中平台，讓員工能夠創建和訪問旨在解決日常挑戰的人工智能驅動工具。無論是自動化繁瑣的任務、提高效率，還是增強決策能力，GPT商店有效地「民主化」了人工智能，將強大的工具交到各部門員工手中。

例如，合規部門的員工可以利用GPT工具來總結冗長的監管文件，節省數小時的手動工作。而產品經理則可以利用同一平台撰寫量身定制的市場推廣內容或更有效地分析客戶反饋。透過培養創新和合作的文化，BBVA的方法確保人工智能不僅僅限於IT或數據科學團隊，而是成為每個人的資源。雖然有人可能會認為我們今天使用生成式人工智能的許多應用都相當平凡和無用，但這些工具對某些人來說卻可能是寶貴的——「一個人的垃圾是另一個人的寶藏」在元宇宙中同樣適用。

這一策略還反映了銀行在思考人工智能方面的更大轉變。銀行不再僅依賴供應商提供的預構建解決方案，而是創建生態系統，讓員工能夠開發滿足其獨特需求的人工智能工具。這是一種優先考慮靈活性、定制和擁有權的模式，賦予員工塑造日常使用工具的能力。

實際上，我們開始在人工智能中看到的許多編碼功能，減少了對許多預構建平台的需求。隨著像Klarna這樣的公司有效地終止那些往往昂貴的SaaS系統，許多銀行肯定會跟隨其後。

賦能員工的LLM套件

摩根大通推出了「LLM套件」，這是一個內部生成式人工智能助手，旨在簡化工作流程，提高其超過20萬名員工的生產力。從撰寫電子郵件到總結文件，LLM套件處理重複性任務，理論上讓員工能專注於更高價值的工作。

LLM套件的推出伴隨著團隊之間的競爭，旨在將人工智能解決方案整合到他們的流程中。摩根大通還通過全面的培訓計劃支持這一過程。員工還可以接觸到嵌入團隊中的「超級用戶」，這些專家協助人工智能的採用，確保其無縫整合到日常工作中。

甚至摩根大通的CEO Jamie Dimon也據報是LLM套件的用戶，這表明該銀行致力於在組織的每個層面嵌入人工智能——儘管可以想像此時的查詢可能會有所不同，可能會包括：「如果特朗普…我應該怎麼做？」

生成式人工智能促進無縫溝通

摩根士丹利採取了不同的方法，專注於如何利用生成式人工智能改善內部溝通與協作。該銀行開發了「AI @ Morgan Stanley Debrief」這一工具，這是一個與OpenAI合作創建的生成式人工智能應用。此工具簡化了會議管理，通過總結視頻通話和撰寫後續電子郵件，幫助員工掌握工作負荷。

摩根士丹利的策略圍繞創建針對其工作流程的定制人工智能解決方案展開。銀行不僅採用通用工具，而是將生成式人工智能整合到現有流程中，確保員工能夠看到切實的好處，而不必徹底改變其日常工作。這種無縫整合的重點顯示了銀行如何利用人工智能提高效率，而不打亂員工的工作方式。

挑戰與風險

儘管這些案例強調了生成式人工智能的潛力，但同時也凸顯了銀行在實施這些技術時面臨的挑戰。數據安全是主要關注點，特別是考慮到金融數據的敏感性。在使用生成式人工智能的同時，確保遵守法規需要健全的治理框架和仔細的監管。

另一個挑戰是管理人工智能生成輸出中的偏見和不準確性風險。即使是小錯誤，也可能對影響決策的內部工具造成重大後果。銀行必須投資於嚴格的測試和驗證流程，以確保其人工智能解決方案達到最高的可靠性和公正性標準。

最後，還有人的因素。採用生成式人工智能需要組織內部的文化轉變，因為員工可能會對新工具產生抵觸，或擔心工作被取代。銀行需要優先考慮變革管理，提供培訓和支持，幫助員工適應新技術，並將其視為促進者而非威脅。這也引發了對於這些員工未來角色的思考，或者他們是否會因GPT而失去工作？

生成式人工智能能否成功彌補區塊鏈未能實現的願景？

儘管這些生成式人工智能的倡議聽起來非常有前景，但值得問的是，它們是否會實現持久的成功，還是像其他被過度宣傳的技術一樣淹沒在背景中。銀行業有追求創新的歷史，但在擴大這些想法時卻經常遇到障礙。還記得區塊鏈嗎？多年前，它被譽為銀行業的下一個大事，承諾徹底改變從貿易融資到跨境支付的一切。雖然區塊鏈已找到小眾應用，但尚未實現許多人所想像的廣泛變革。其潛力受到監管障礙、互操作性挑戰和無法將期望與現實能力對齊的影響。

生成式人工智能可能面臨類似的障礙。儘管這項技術無疑強大，但其成功並不僅僅依賴於採用。銀行必須將人工智能無縫整合到工作流程中，確保數據安全，並應對監管的複雜性。此外，他們還必須證明這些工具能提供可衡量的價值——不僅是在效率方面，還包括賦能員工和改善決策。如果沒有明確的投資回報，生成式人工智能可能會成為另一項在新聞稿中看起來很出色，但在日常運營中卻難以產生影響的創新。

不過，這一次的關鍵區別可能在於技術的靈活性。與需要全新基礎設施並經常重新思考現有流程的區塊鏈不同，生成式人工智能可以加層於現有系統。這種適應性可能使銀行更容易快速提取價值，前提是他們避免過度承諾和未能履行。未來幾年將是關鍵，決定生成式人工智能是否成為變革性工具，還是另一項未能實現炒作的技術。

結論

銀行採用生成式人工智能顯示出，該技術最具變革性的應用可能根本不在面向客戶的領域。透過專注於內部運營，這些機構正在開啟新的效率，培養創新，並重新定義員工的工作方式。

隨著金融行業不斷擁抱人工智能，挑戰將在於平衡創新、安全性、準確性和用戶採用。但有一點是明確的：銀行業的真正革命不僅僅是為客戶提供更智能的服務，而是從內部構建更智能的銀行。

以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。