AI 时代的
银行业
以 AI 驭险，更须为 AI 设防
IBM 商业价值研究院 | 研究简报
序言
银行业和金融市场正处于技术革新浪潮驱动的关键拐点。全球贸易摩擦升
级，宏观经济风云变幻，金融机构在迷雾中亟需重塑商业与科技战略。
生成式 AI 与自主智能体 AI 双轮驱动，人工智能（AI）正高速进化。它们犹
如战略杠杆，既能撬动个性化客户体验的竞争优势，又能提升运营效率。
推动 AI 进行创新时，既要锐意突破，又需确保符合严格的监管要求。若想
在企业范围内全面释放 AI 潜力，首先必须反思与优化现有的风险与合规体
系。在这个 AI 融入金融血脉的时代，金融服务行业不仅需要升级技术验证
体系，更需要重塑人才能力图谱，让风险管理成为每位银行从业者的肌肉
记忆。
本报告深入探讨了 AI 如何重塑金融业风控核心用例，包括客户身份识别
（KYC）、反洗钱（AML）与欺诈检测。其不仅为日益激烈的 AI 模型验证
讨论提供新视角，更精准回应了市场对快速部署 AI 解决方案的迫切需求。
同时，为如何平衡 AI 风险、调整运营体系并完善治理机制提供了行动指
南。我们相信，这套覆盖企业全场景的 AI 实施路线图，将助力贵组织破解
转型困局，开启智能升级的新篇章。
Shanker Ramamurthy
全球银行和金融市场执行合伙人
IBM Consulting
2AI 时代的银行业
3AI 时代的银行业
摘要
AI 在欺诈检测、网络安
全和 KYC 领域展现出巨
大价值潜力。
61% 的高管认为，欺诈风险检测将为业务带来最
大价值提升，网络安全以 52% 的得票率紧随其
后。同时，45% 的高管预计，AI 将彻底革新 AML
和 KYC 流程。
在人才与技能方面，验
证与风险控制存在关键
缺口。
61% 的高管将模型验证列为优先强化的人才技
能方向，46% 则重点关注风控能力的建设。
要让 AI 在企业内大规模落地，
必须优先开展 AI 模型的压力
测试。
63% 的高管表示，压力测试模拟至关重要。在企业级部署
前，必须解决 AI 系统可靠性和模型缺陷问题。48% 的受访
者反馈，下一阶段的优先事项是实时风险控制。
风险、合规与验证部门的负责人深知，AI 能够变革业务流程，创造竞争优势，但唯有先强
化现有运营体系，筑牢运营根基，才能实现 AI 在企业范围内的规模化应用。
4AI 时代的银行业
金融服务业不断适应着混合云、AI 及生成式 AI
等技术（见图 1 ）。
在线银行的诞生，最早是在不改变网点中心模式下，为客户提供
了更便捷的服务入口。然而，智能手机的普及使得数字银行异军
突起，超越在线银行，成为客户互动的主流平台。
然而，面对核心银行业务的复杂需求，初代数字交互界面已力不
从心。金融机构难以在数字渠道上深入触达客户，或快速推出新
型产品与服务。
借助整合云技术，银行业不仅优化了全渠道服务能力，更实现了
客户偏好的精准洞察。但单纯的数据积累，尚未能实现客户关系
向数字化交互的全面转型。
指数级跃迁的技术革新，
正深刻重塑银行服务与客户关系
数字化
数字习惯深化
物理网点式微
混合云
个性化
流程阻力最小化
服务精准度跃升
AI/机器学习
/深度学习
沟通交互
从被动接受到智能对话
从机械应答到情感交互
生成式 AI
Figure 1
Evolving banking with
exponential technology
战略
客户体验
投资重点
平台化
超越单一交易
构建场景化服务矩阵
API 经济与平台协同
韧性与安全
图 1
金融服务与指数级技术的协同进化
G7rsG7Rnz6ziBlvMBDBH0xGMGuuu7KgIRYGUzkaPkreTeTWh0APkgZFUH8VpgmL4
5AI 时代的银行业
移动平台能够便利自助型用户，但高附加值的个性化金融建议，依旧
需要人工智慧的支撑。若缺乏智能的对话交互能力，纯数字银行或将
流失注重个性化财务规划的优质客群。
AI 技术正向更高级形态演进，从机器学习发展到生成式 AI 与自主智能
体 AI，其不断重塑数字化交互的个性化和深度。
越来越多的消费者使用数字设备完成跨行业消费。消费者指尖轻触银
行应用的瞬间，期待每笔交易都能无缝融入生活场景。银行服务无处
不在，已从加分项变为标配，实时响应、智能应变的金融服务已成为
常态。
然而，银行在拥抱创新时，必须同步强化系统韧性与安全防护，确
保“快”不失稳。数字化转型机遇无限，却也暗藏风险，唯有严格管
控，方能守护机构信誉与客户信任。在风险与机遇共存的变革中，最
新一项针对银行 CEO 的调研显示，超过 60% 的受访者认为，只有敢
于冒风险，才能抓住自动化带来的竞争红利。1 这一认知深刻表明，
银行必须打造强大、可扩展的 AI 架构，同时培育全员参与的风险管
理文化，让每位银行从业者都成为 AI 风险的守护者。
为深入洞察银行文化转型及运作流程变革，我们选取了资产规模超
100 亿美元的金融机构，对其风险、合规与验证（RCV）领域的 100
位高管展开调研。本次调研覆盖美国、英国、澳大利亚、印度、新加
坡及德国六大英语系银行业市场，所得数据具有全球趋势代表性。调
研结果揭示了 AI 时代银行业的双重使命：用 AI 防风险，亦要防 AI
带来的风险。
“创新之路，既带来风险，
也催生新合规。”
Maria Cristina Arrastia Uribe
前哥伦比亚银行业务副总裁 2
6AI 时代的银行业
观点
关税博弈下的金融
业应变之道
国际贸易关税的加征，正加剧各国经济与地区间财政表现的差异。金融机构的不确
定性日益攀升，最终业绩表现将取决于其业务模式、地域覆盖、多元布局与技术适
应力。
6
投资银行与资本市场
利率、外汇及股票市场的波动加剧或将为交易部门带来新机遇，活跃的交易与对冲业务
将提升手续费收益。科技赋能的交易扩张能力结合可控的算力成本，将成为业绩增长新
引擎。
零售与商业银行
通胀攀升与利率上行或推升短期信贷风险。贷款组合重构过程中，借助技术手段更新数据
并优化风控模型，将直接影响盈利水平。
企业银行与金融贸易
全球供应链的中断或将抑制贸易融资的需求。大型企业客户信用风险的预期恶化，可能在
短期内影响风险调整后的盈利能力。科技赋能带来的运营效能将成为财务绩效分水岭，助
力机构精准评估客户延长供应链对流动资金的综合影响。
财富与投资管理
资本市场的不确定性或将影响投资者的风险偏好，管理资产规模（AUM）的减少或将降低
手续费收入。对此，银行可借力咨询业务突围市场困局――科技赋能将成为规模化顾问服
务的核心竞争力，但需有效驾驭生成式 AI 的应用风险。
7AI 时代的银行业
本次调研揭示了风险、RCV 部门高管对 AI 应用前景与实施难点的关
键判断。
调研结果既具洞察力又颇具争议：61% 的受访者聚焦欺诈检测风险，视其为职能范围内最具
业务增值潜力的领域（见图 2）。
AI 驱动风险与合规
管理
图 2
AI 赋能风控合规领域的价值潜力
61%欺诈检测
28%数据验证
28%市场与流动性风险
37%合规报告
39%信用风险分析
45%KYC、AML
52%网络安全
0% 20% 40% 60% 80% 100%
Figure 2
Potential impact of AI
on risk and compliance
business value
这并不令人意外。当今欺诈手段日趋复杂且层
出不穷，实时侦测与阻断非法交易的能力至关
重要。网络安全以 52% 的关注度紧随其后，该
领域的容错率近乎为零。
45% 的受访者将 KYC 与 AML 流程列为第三大重
点领域。这些领域长期以来一直是运营成本结
构的致命弱点，囿于人工核验、系统陈旧与持
续加码的监管重负。
8AI 时代的银行业
然而，情况在此出现了耐人寻味的转折。虽然 AI 在降本领域备受期
待，但仅不到 40% 的受访者视业务流程优化为核心价值增长点。数
据显示，仅 39% 的受访者重点关注信贷风险管理与定价优化，而市
场和流动性风险管理的重视度仅为 28%。
这种谨慎态度揭示了一个深层现实：AI 虽能重塑部分 RCV 环节，传
统量化模型在核心环节仍牢握主导权。面对银行风险管理的核心领
域，业界对全盘押注 AI 依旧保持审慎态度。事实上，正是将机器学
习技术应用于现金流等运营数据，银行得以更有效地拓展数字渠道业
务，并为中小企业等重点客群提供精准服务。
“机器学习提高了模型精度，我们才能
将风险管理模式成功拓展至多渠道数
字生态。”
Davide Alfonsi
意大利联合圣保罗银行集团首席风险官 3
9AI 时代的银行业
虽说 AI 在欺诈检测和网络安全方面颇有建树，但 KYC 与 AML 才是横
亘在前的“行业珠峰”（见图 3）。
当被问及在关键 RCV 流程中使用 AI 的复杂度时，43% 的金融机构高管将 KYC 和 AML 列为
AI 转型中最艰巨的任务。
AI 面临两大棘手转型挑战
图 3
风险与合规领域的复杂困局
43%KYC、AML
19%数据验证
22%市场与流动性风险
33%网络安全
33%信用风险分析
33%合规报告
36%欺诈检测
0% 20% 40% 60% 80% 100%
Figure 3
The complexity conundrum
in risk and compliance
个中缘由，不言自明。此类流程本身就如迷
宫般错综复杂，既需要应对错综复杂的全球
监管体系，又要以极高的精准度验证海量数
据。这远非简单的数字处理，而是要在瞬息
之间完成情境研判、行为解析与决策拍板的
三重考验。
至此，技术演进迎来全新拐点，自主智能体
AI 正式登场。与受限于具体任务指令的传统
AI 不同，自主智能体 AI 可自主调度多个子
智能体，实现实时学习与自我迭代。
设想这样一个 AI 系统，它不仅能预警可疑
交易，还能在数据关联分析和模式识别中
实时展开调查。这一愿景令人振奋：未来
的合规体系将突破形式主义，成为抵御金
融犯罪的智能护盾，以及与时俱进的监管
科技利器（详见观点：“自主智能体 AI 赋
能客户识别”）。
10AI 时代的银行业
观点
自主智能体 AI赋
能客户识别
10
客户尽职调查（CDD）作为 KYC 体系的核
心环节，至关重要。作为反金融犯罪的监
管利器，CDD 有效打击洗钱与恐怖融资活
动。 金融机构需凭借专业研判能力，在持
续升级的监管复杂度中破局，同时建立定
期复核机制。
这一挑战因涉及数据本身的非标准化特征
和普遍存在的模糊性，导致 CDD 任务不得
不依赖人工处理，不仅消耗大量资源，更
因主观判断差异埋下一致性隐患。在传统
模式下，该流程呈线性推进，合规人员
需逐项完成身份文件收集、真伪核验及
风险评估，整套工序往往持续数日至数
周不等。
自主智能体 AI 为 CDD 运营升级带来了
颠覆性破局方案。借助并行运作的智能
体，该技术实现处理时效的指数级提
升，在增效降本的同时构建透明化合规
链路，最终增强系统可信度。
在实现效率与透明度双提升的同时，为系
统可信度注入强心剂。
此外，引入生成式 AI，能够解析晦涩监管
条文和客户信息的智能语境，打造近乎零
停滞的流畅体验。这一技术跃进带来双重
提升：AI 带来的高透明度让监管决策“有
据可查”，不但合规更精准，也让误解和
争议大大减少。
典型应用场景演示
标准 KYC 审查场景下，智能调度中枢统管多路 AI 代理，同步抓取政府数据库、客户端等多源数据。依托光学字符
识别（OCR）和自然语言处理（NLP）技术，智能体凭借嵌入式专业知识验证文件。
这种并行处理能力能够大幅缩短审核周期，当 AI 智能体间的任务依赖实现无缝衔接时，传统耗时流程即刻蜕变为
高效敏捷的新型作业模式。
11AI 时代的银行业
观点
自主智能体 AI赋
能客户识别（续）
11
但要让自主智能体 AI 持续发挥效力，必须与时俱进地更新合规逻辑，并在业务全流程中实施 AI 模型的严格的
风险管理。基于 IBM 的专业知识，这一流程包含系统化的检查节点。4 这些节点包括：
在监管边界与细则动态演进的时代，自主智能体 AI 特有的灵活性与可扩展性，正成为打造高韧性、低成本的 KYC
体系的关键支柱。
精确化的目标设定。
制定智能体任务的完整定义架构，实现商业目标、合规红线与伦
理准则的三维对齐。
目标驱动的安全边界。
通过动态规则引擎，实时约束与引导智能体的决策路径，确保目
标达成过程合规可控。
智能体行为实时追踪。
对智能体对齐度进行全时态追踪监测，包括目标遵循度和任务完
成率等指标。
价值学习机制。
赋能智能体通过数据训练、参数微调和结果反馈的闭环，持续进化对
人类价值取向与企业战略重点的认知能力。
评估基准与框架。
利用评估基准验证特定应用场景的智能体，如软件开发智能体和对话
智能体，在通用任务中的表现。评估其规划与推理能力，涵盖目标拆
解、复杂逻辑推演及错误自修正等核心维度。
12AI 时代的银行业 12
在那些高难度、高价值的 AI 应用领域引发热议的同时，
另一场静水深流的变革正在发生。RCV 高管报告称，
合规报告系统的投入尚未列为高价值业务场景的重点
用例。表面看来，这一现象似乎有悖常理。破解之道
藏在风险管理艺术之中：既要驾驭传统银行业风险，
更要驯服创新带来的未知变量（见图 4）。
在 AI 应用中，合规报告或被视为风险可控的“安全试验区”。这一领域
堪称完美的试验场：金融机构既能在此积累 AI 实战信心，打磨技术细
节，更能沉淀关键数据资产，为攻克高阶应用蓄力。究其本质，这是精
心设计的战略跳板，让银行能以可控节奏试航 AI 蓝海，规避激进转型的
暗礁。
管理 AI 试验场
图 4
AI 投资在风险与合规领域的优先级
KYC、AML
36%1
网络安全
35%2
合规报告
35%3
欺诈检测
27%4
数据验证
20%
信用风险分析
16%
市场与流动性风险
9%7
5
6
Figure 4
AI investment priorities
in risk and compliance
13AI 时代的银行业 13
面对 AI 重塑风控体系的趋势，人才储备已成
现代化转型的决胜点。
模型验证（61%）与风险管控（46%）两大领域，正面临最
严峻的专业能力断层。没有这些专业能力，AI 系统的可靠性
与运行安全将难以保障。若缺乏这些领域的专业人才，再精
密的 AI 系统也可能从战略资产沦为风险负债，危及企业战略
初衷（见图 5）。
破局 AI 人才荒的
战略路径
图 5
AI 在风险与合规职能的人才缺口
Figure 5
AI skills gap in risk
and compliance functions
数据管理
验证
风险管控
建模/参数校准
监管
法务61%
7%
21%
21%
24%
46%
14AI 时代的银行业 14
企业范围内的 AI
规模部署
图 6
企业范围内的 AI 规模部署的 RCV 优先举措
RCV 团队逐步采用 AI 来重塑业务关键流程，
同时，他们也意识到，要推动企业范围内的
AI 规模部署，必须要管理好运营流程本身。
在技术日新月异的背景之下，风控验证与应用却需步步为营，
这种节奏差异亟需协调。机构必须加大对风险与合规职能的
投资，同时帮助 RCV 团队对工作方式进行转型，打造更加自
动化、以 AI 驱动的金融服务空间。
调研中，我们请受访者评估，哪些举措能够助力 RCV 职能实现
企业范围内的 AI 规模部署，同时管理相关风险（见图 6）。
Figure 6
Initiatives to support scaling AI
across the enterprise
第三方风险
压力测试模拟
实时风控
人才与技能
数据
治理体系
11%
20%
23%
33%
48%
63%
15AI 时代的银行业Banking in the AI era 15
调研结果揭示了三大关键举措的战略价值：
– 压力测试模拟。63% 的受访者将其视为首要优先事项，模拟在 AI 系统
评估的可行性与可靠性中至关重要。其能够在 AI 部署前识别模型隐患，
降低运行风险。
– 实时风控。48% 的受访者表示支持，该机制提供持续的实时监测。同
时即时校正，防止 AI 系统产生偏离或生成错误信息。
– 人才与技能。33% 的受访者认为，人才与技能是推动 AI 技术落地的重
要引擎。
“监管合规与金融风险管理必须落实。但
不能再用陈旧思维处理全新问题。要想真
正实现融合，必须全面重塑技能、团队、
文化、评估方式乃至激励机制。”
Christoffer Malmer
SEB 首席财务官 5
这三项优先举措揭示了一条成功之路：唯有全局洞察、细致治理以及
成熟风控，才能够实现企业范围内的 AI 规模应用。
16AI 时代的银行业
在采取关键措施的同时，要求风险与合规职能张弛
有度，在提速创新与稳步风控之间找到平衡点。
风险等级分层，已成为RCV团队在AI治理中的主流思路（见图 7）。
此结构化方法可优先聚焦高风险应用场景，实现资源的有序倾斜。令
人意外的是，尽管网络安全是 AI 战略的基石，但其在优先级排序中
却遭忽视。
AI 用例的风控分级
管理
图 7
分级管控的核心方法
Figure 7
Prioritizing levels of control in key functions
客户接触点
24%
风险等级
37%
敏感数据
20%
网络安全
19%
17AI 时代的银行业
若想在企业范围内实现 AI 规模化应用，第二优先级举措即实时风险监控
（见图 6）。
实时监控短板整改
图 8
始终为高风险 AI 用例配置这些风控手段的机构占比
实时监控 定期审查 对标分析 人机协同
Figure 8
Providing adequate control levels for high-risk
AI use cases
34%32%25% 41%
此项实践至关重要，但仅 25% 的受访者真正
做到落实（见图 8）。
只有弥补这一差距，AI 部署才能行稳致远。
要内建 AI 模型及用例的实时监控，银行需在
战略与能力建设方面进行针对性投资。
18AI 时代的银行业
商业环境的经济不确定性日益加剧，AI 正逐步成为金融行业之盾，
既能提升风控韧性，又能优化 KYC、AML 与反欺诈能力工具以及
增强网络安全。但 AI 不能万能钥匙，目前仅 25% 的银行对关键
AI 应用配备“实时安全带”，隐患仍不容忽视。
AI 时代来临，您可采取以下六个战略步骤来加强风险管理与监管
合规。
行动指南
筑牢 AI 人才根基。
一套全面的 AI 素养课程，应包含编程、数据分析等技术技能，
也应包含 AI 伦理、法律影响和社会影响等非技术领域。引入跨
学科视角，理解 AI 影响力，并培养员工识别 AI 偏见及公平性的
火眼金睛。定制化培训需契合组织需求，对外提升客户 AI 体
验，对内优化流程效率。营造安全心理氛围，有利于多元发声，
推动风险识别，对齐培训与业务目标，并增强员工洞察 AI 风险
责任。
运营韧性构建。
自主管理关键业务的自主智能体也带来了复杂的依赖关系，其
中任何一个环节的故障都或将导致整个工作流程中断。应对这
一挑战，关键流程必须有备用方案，以防AI 宕机。从绘制风险
地图，到实战演练突发场景，才能真正做到“防患于未然”。
沙盒环境提供 AI 试水测试更新，让真实系统更加稳定；分区隔
离则大大限制了故障的影响范围。
19AI 时代的银行业
实时风控增强。
构建统一的 AI 实时监控中枢――全面追踪性能、延迟、质量与成
本，提前锁定风险隐患。此方法提供切实可行的洞察，能够在风险扩
大前将其化解。集中式监控能够让新 AI 部署项目利用现有设施，无
需重新搭建。将风险管理写入系统代码，自动把握运营与伦理底线。
第三方风险管理。
组织对 AI 外包的依赖性不断增强，因此必须建立明确的问责边界，
厘清供应链职责分工。采购、法务与 AI 专家“三驾马车”，共同制
定供应商准则，防范风险。合同必须透明，清晰阐明 AI 功能变更、
安全措施及偏差控制策略等内容。定期审计和绩效评估推动执行验
证标准；数据使用的披露要求，如版权素材和对标模型，则推动信
任建立。
网络安全实践嵌入。
AI 加剧安全风险，组织需联动网络安全与风控团队升级防护体
系，针对性化解 AI 衍生威胁。进行攻防演练，通过模拟攻击主动
暴露防御短板。安全洞察融入治理驾驶舱，实现本地与云端 AI 系
统的风景全景监控。从开发到高层跨职能协同，筑牢 AI 安全第一
道防线。借助“代码即控制”方案，将加密、权限管理等安全策略
嵌入 AI 全生命周期， 实现一致化与自动化。
软件开发生命周期（SDLC）优化。
为平衡创新与风险管理，应设立清晰边界，明确 AI 编码使用范围与
人工审核的必要时机。对开发者进行提示工程、代码验证及偏差检测
的培训，辅以 AI 伦理与安全手册支持，推动可信 AI 应用落地。自动
化代码分析可提前识别部署风险漏洞，同时由高级开发者进行质量把
关，确保 AI 代码稳健运行。严格测试保障系统稳健，清晰记录 AI 与
人工各自贡献，完善可追溯性与问责机制。建立 AI 风险审查管理人
员，监管工具在 CI/CD 流程的集成风险。
作者
Shanker Ramamurthy
IBM Consulting，
全球银行和金融市场执行合伙人
sramamur@
Shanker 领导核心银行现代化与支付业务。
他是 IBM 加速团队成员，在全球拥有多项专
利和白皮书，并荣登《Euromoney》50 位
最具影响力的顾问之一。
Paolo 领导 IBM 在银行与金融市场的 IBV 研
究。他是业内公认的金融科技意见领袖，同
时主持《The Bankers' Bookshelf》播客。他
是一位著名的数字化转型与量化金融的畅销
书作者。
Rashmi 深耕金融业二十七载，专注推动商
业和投资银行和资产财富管理领域实现业务
转型升级。她通过自主智能体、混合云、
RPA、区块链及量子及等前沿科技，为美国
金融机构创造了可量化的业务增长。
Marc 成功指导多家银行和保险负责人完成战略转型与运
营变革。他引入金融行业先进创新实践，推动重大现代
化建设项目。曾任 PwC 和 Accenture 合伙人，毕业于法
国 ESSEC 商学院，并获得法国国家功绩骑士勋章。
Paolo Sironi
IBM Consulting，
银行和金融市场全球研究负责人
@
Rashmi Das
IBM Consulting，
美国银行和金融市场行业负责人、
客户管理合伙人
@
Marc Haddad
IBM Consulting，
EMEA 高级合伙人，
金融服务事业部负责人
@
Prashant 拥有 25 年以上全球金融服务行业的领导经验。
他曾任花旗银行 EMEA 资金业务技术负责人，主导开发
印度政权市场电子交易平台。Prashant 在 AI、云计算及
数字化转型领域拥有深厚经验，通过现代化改造优化客
户体验。
Prashant Jajodia
IBM Consulting，
UKI 管理合伙人，
金融服务事业部负责人
@
Asanga Lokusooriya
IBM Consulting，
高级客户合伙人兼金融服务事业部
负责人
@
Asanga 拥有 25年以上的丰富从业经验，正通过数据
与生成式 AI 推动跨行业的业务增长。这位技术与战略
双栖专家，以一线实战经验积累的方法论，持续推动
前沿技术向企业价值的高效转化。
20AI 时代的银行业
作者
Liaquat 携手银行高管，共同推进 AI 驱动的数字化战
略，打造实时、高效、个性化的客户与员工体验。他
凭借在云计算、数据与 AI 领域的专业能力，协助银
行实现降本增效，推进重大转型项目。
Fabio 深耕咨询、数字化转型、AI及云迁移等领域
三十载，是经验丰富的 IT 战略领导者。他精通销售
与客户管理，在金融行业展现出卓越领导能力，曾引
领巴西及拉丁美洲地区的多家银行实现转型升级。
Yuuji 自 1998 年加入 IBM，已在过去 25 年持续帮助
日本金融机构解决各种复杂挑战。他被誉为日本金融
行业的领军人物与思想领袖。
Liaquat Parkar
IBM Consulting，
银行高级合伙人
@
Fabio Carvalho Pessoa
IBM Consulting，
拉丁美洲，副总裁、高级合伙人，
金融服务领域负责人
pessoa@
pessoa-12a7b452
Yuuji Sonku
IBM Consulting，
日本，银行与金融市场（BKFM)
管理合伙人，行业负责人
sonku@
特别感谢
Michal Chorev 和 Marjolijn Herman
IBM 如何提供帮助
现代金融机构需要模块化、安全性、开放
性、AI 驱动的功能以及基于混合云的协
作。IBM 致力于帮助您改善客户体验、打
造现代化核心银行基础架构、开拓创新性
支付解决方案以及推动企业风险管理转
型。如需了解更多信息，请访问
industries/banking-financial-markets
21AI 时代的银行业
研究方法
IBM IBV 与牛津经济学院合作，调研了来
自美国、英国、澳大利亚、印度、新加坡
和德国的 100 位负责风险与合规验证的银
行业高管。调研内容聚焦银行业高管对 AI
应用的风险管理与创新，以及对 AI 使用的
未来预期。调研采用不同形式的问题（包
括多项选择、数字型问题、李克特量表
等）。受访者在以下三类职位中平均分
布：CRO、CCO与CVO。本次调研于 2025
年 5 月进行。本报告的洞察与建议融合了
全球银行客户的实践与合作经验。
IBM 商业价值研究院
20 年来，IBM 商业价值研究院一直是 IBM 的思
想领导力智囊团。我们提供有研究支持和技术
支持的战略洞察，帮助领导者做出更明智的业
务决策。
凭借 IBM 在商业、技术和社会交叉领域的独特
地位，我们每年都会针对成千上万高管、消费者
和专家展开调研、访谈和互动，将他们的观点综
合成可信赖的、振奋人心和切实可行的洞察。
需要 IBV 最新研究成果，请在 上
注册以接收 IBM IBV 的电子邮件通讯。访问
IBM 商业价值研究院中国官网，免费下载中文
研究报告：
备注和参考资料
1. Marshall, Anthony, Cindy Anderson, Christian
Bieck, and Spencer Lin. The CEO’s guide to
generative AI: Risk management. IBM
Institute for Business Value. 2024. https://
business-value/en-us/report/
ceo-generative-ai/ceo-ai-risk-management
2. Ramamurthy, Shanker, John J. Duigenan,
Hans Tessellar, Héctor Arias, and Paolo
Sironi. Embedded finance: Creating the
everywhere, everyday bank. IBM Institute for
Business Value in partnership with BIAN and
Red Hat. September 2023.
embedded-finance
3. Ibid.
4. Chorev, Michal, Richie Paul, and Joe Royle.
Agentic AI in Financial Services:
Opportunities, Risks, and Responsible
Implementation. IBM Consulting. May 2025.
documents/gb-en/12f5a71117cdc329
5. Ramamurthy, Shanker, John J. Duigenan,
Hans Tessellar, Héctor Arias, and Paolo
Sironi. Embedded finance: Creating the
everywhere, everyday bank. IBM Institute for
Business Value in partnership with BIAN and
Red Hat. September 2023.
embedded-finance
22AI 时代的银行业
订阅 IdeaWatch 电子月刊
前沿洞察， 触手可及。由 IBM 商业价值研究院倾力呈现。
IBM 商业价值研究院连续两年荣膺 Source Global Research “思想
领导力质量”榜首。
基于深度研究的战略洞察、数据与分析，助您优化商业决策，智
胜科技投资。
立即订阅：
23AI 时代的银行业
24AI 时代的银行业
© Copyright IBM Corporation 2025
国际商业机器（中国）有限公司
北京市朝阳区金和东路 20 号院 3 号楼
正大中心南塔 12 层
邮编：100020
美国出品 | 2025 年 6 月
IBM、IBM 徽标、 和 Watson 是 International Business Machines Corporation 在世界各
地司法辖区的注册商标。其他产品和服务名称可能是 IBM 或其他公司的商标。以下 Web 站点上
的“Copyright and trademark information”部分中包含了 IBM 商标的最新列表：
。
本文档为自最初公布日期起的最新版本，IBM 可能随时对其进行更改。IBM 并不一定在开展业务的
所有国家或地区提供所有产品或服务。
本文档内的信息“按现状”提供，不附有任何种类的（无论是明示的还是默示的）保证，包括不附
有关于适销性、适用于某种特定用途的任何保证以及非侵权的任何保证或条件。IBM 产品根据其提
供时所依据的协议条款和条件获得保证。
本报告的目的仅为提供通用指南。它并不旨在代替详尽的研究或专业判断依据。由于使用本出版物
对任何企业或个人所造成的损失，IBM 概不负责。
本报告中使用的数据可能源自第三方，IBM 并未对其进行独立核实、验证或审查。此类数据的使用
结果均为“按现状”提供，IBM 不作出任何明示或默示的声明或保证。
1377429fe5bde65a-ZHCN-01
