报告行业投资评级 - 报告未明确给出具体的行业投资评级 [1] 报告核心观点 - 人工智能在对公银行业务领域蕴含巨大潜力，但当前仅有少数银行实现AI规模化应用，真正利用AI重塑业务模式和客户价值的银行更是凤毛麟角 [6][7][39] - AI在对公银行业的真正价值在于重构决策机制与服务模式、改善客户体验并挖掘新的增长机遇，而非仅仅局限于后台流程的效率提升 [25][26][28] - 银行业需加快AI部署步伐，率先推进战略化AI应用的银行将获得显著的市场先发优势 [39] AI蕴含巨大机遇：从优化到重塑 - 银行业初期AI尝试主要围绕后台流程增效，如知识管理、了解客户（KYC）和数据管理，这些应用虽能显著降低成本但不会带动收入增长 [26] - AI最大潜力在于惠及客户，例如将贷款申请表填写时间减半、通过聊天机器人即时回应查询、或帮助客户关系经理提供个性化建议 [26] - 90%的财资主管有兴趣引入AI财务顾问提供建议，86%的受访者认为能提供定制化洞察的AI财资助手非常有价值 [35][37] - 目前仅16%的银行实现了AI应用场景的全面部署，远低于开展试点项目的银行比例（52%） [6][8] 业务团队主导+技术团队赋能 - 多数银行的AI投资由技术团队主导，导致与客户关系管理及实际业务运营脱节，更倾向于部署后台运营领域 [42][44] - 正确的做法应由业务团队主导AI议程，因为业务团队最清楚如何通过AI提升客户体验和实现业务增长 [43][49] - 取得成功的关键在于业务负责人与技术负责人的紧密协作，以及CEO及高管团队自上而下制定AI战略 [46][48][49] 对投资回报率的新思考 - AI投资回报率的计算具有挑战性，其效益有时并不直接体现在财务层面，而是体现在降低风险、深化洞察或丰富客户体验等难以量化的方面 [52] - 部分银行将投资回报率作为确定AI应用场景优先级的依据，也有部分银行完全不计算AI投资回报率 [56] - 银行不应因投资回报率难以计算而却步，至少可通过粗略评估（如A/B测试）确定应用场景优先级，并划拨专项预算用于实验性探索及能力建设 [59][62] AI平台赋能可持续发展 - 许多银行从零搭建AI应用场景或采购即用工具直接推广，这种方式难以实现规模化且为未来发展埋下隐患 [64] - 构建能够跨场景复用的基础能力平台是更具可持续性的策略，相关能力包括光学字符识别（OCR）、机器学习、检索增强生成（RAG）架构等 [65] - 平台化方法可通过避免能力重复建设及满足多元底层系统维护需求，从长期看扩大规模并降低成本 [66][68] 数据构成重大挑战 - 数据分散在数百个互不联通的系统内，存在不完整、质量低、格式不统一或不可靠等问题，是阻碍AI规模化应用的首要因素 [75] - 银行每日通过各类系统处理数十亿量级的交易及事件，数据收集、清洗及处理的工作量被严重低估 [75] - AI工具能够协助整理和优化数据，例如将审贷数据解读和数据验证的效率大幅提升90%左右，减少人工干预 [81][82] 技术选项：云架构或本地部署+自建或外购 - 一些银行青睐云架构的可扩展性与灵活性来运行大语言模型，而其他银行则采用混合模式整合云架构和安全可控的本地部署以增强安全性、隐私性和主权性 [84][85] - 外购还是自建的决策取决于第三方解决方案的成熟度、内部能力建设所需的专业知识以及相关技术是否构成银行竞争优势的关键要素 [89][90] - 银行需客观评估每个模式的成本和效益，并重新调整自建与外购的比例以适配不断变化的应用场景和日趋成熟的供应商解决方案 [87][90] AI的规模化应用亟需新技能助力 - 58%的受访银行表示技术技能欠缺阻碍代理式AI的商业价值转化 [92] - 银行不仅需要构建AI模型的人才，还需要软件工程师、用户界面专家、用户体验专家、业务分析师以及AI治理架构师等多类专业人才 [92][95] - 银行对AI和数据工程师、应用程序开发人员以及网络安全人才的需求量是五年前的三至五倍 [95][99] 负责任AI聚焦风险管控 - 三分之二的银行领导者将不可靠的AI输出列为主要或中度担忧，48%的受访银行担心AI生成的虚假信息被采信 [102][103] - 数据泄露被视为最大风险之一，银行非常重视根据自身业务和需求筛选数据集的能力 [102] - 生成式AI将风险维度延伸至隐私、知识产权、供应商、数据、决策等领域，荷兰国际集团针对生成式AI需要进行140项验证 [105][106]