人工智能
制胜未来
赋能三大银行业务板块，
抢占市场先机
目录
1 AI蕴含巨大机遇： 从优化到重塑 2 职责重置：业务团队主导+技术团队赋能
3 对投资回报率的新思考 4 AI平台赋能可持续发展
5 数据构成重大挑战 6 技术选项：云架构或本地部署+自建或外购
7 AI的规模化应用 亟需新技
能助力
8 负责任AI聚焦风险管控
摘要
结语
推荐举措
联系方式
摘要
摘要
人工智能（AI）赋能各行各业，但在对公银行业务
领域机遇更多。无论是在信贷和支付，还是在外汇
领域，相关银行业务流程复杂、文件繁多，且监管
严格，高度适配AI技术，有利于提升效率、深化洞
察、挖掘竞争优势。
不过，人工智能应用的推进节奏并不相同。虽然几
乎每家银行都开展了若干小规模AI试点项目，进行
可行性与收益验证，但真正实现全面规模化应用的
银行寥寥无几。安永联合《麻省理工科技评论》洞
察团队发布的代理型AI报告显示，52的受访
银行开展了AI技术试点，但仅1 6 实现了应用场景
落地。
AI在大型企业、商业机构
及小 企业银行业务领域蕴
藏巨大潜 力，但推进节奏
存在差异。
已开展代理型
AI试点项目的
银行占比
已全面部署AI
应用场景的银
行占比
资料来源：《麻省理工科技评论》洞察团队，
《借力代理型AI重塑未来银行业务》
* 本文为安永英文出版物“Eight Ways Banks Can Move AI from Pilot to Performance”的中文翻译
版。
即便有些已落地，也未达到预期成效。
究竟是哪些因素在阻碍AI部署？针对对公及商业银
行业务，我们访谈了七家银行的业务负责人，探讨
大规模部署AI的障碍和解决方案。另外，我们亦分
析了这些银行初步聚焦的AI应用领域及其未来优先
事项。
安永大型企业、商业机构及小企业银行业务团队以
及技术团队亦就银行如何充分把握AI机遇分享了实
用见解：
52
%
16
%
1
3
2
4
目前，AI主要是用于价值较低的内部应用场景。
推荐举措：拓展客户端应用场景，探索如何通过
AI 技术重塑运营模式与服务。
AI投资回报率（ROI）的评估较为复杂，短期回报
率往往低于预期。因此，一些银行完全忽视了投资
回报率的计算。
推荐举措：始终计算每个应用场景的投资回报率，
即使只有简单的粗略评估。
多数银行的AI投资由技术团队主导。
推荐举措：指定业务负责人主导AI议程，优先考
虑 能够提升客户体验与增加收入的应用场景。
多数银行从零搭建AI应用场景，难以实现规模化应用。
推荐举措：采用基于可复用核心能力的平台化方法。
从内部应用场景向外部
应用场景逐步推进
切勿忽视投资回报率
赋能业务团队
构建AI平台，
助力可持续发展
5
7
6
8
数据不完整或数据质量缺陷是阻碍AI规模化应用
的 首要因素。
推荐举措：探索新型AI赋能工具如何应对数据挑
战， 减少人工干预。
技能欠缺可能掣肘AI愿景蓝图。
推荐举措：明确AI规模化应用所需的新技能，
制定 战略吸引和留住顶尖人才。
银行在技术基础设施建设方面有多种选择。
推荐举措：评估采用生成式AI（GenAI）与代理
型 AI将如何重构云架构与本地部署的相对优势，
以及 如何影响自建和外购决策。
AI规模化应用（尤其是客户端应用）风险和回报并存。
推荐举措：考虑源于生成式AI的新型风险，并相应
更 新模型风险管理流程。从初始阶段便引入风
险团队。
探索数据问题的现代化
解决方法
评估未来的技能需求
重新调整云架构和
本地部署的比例
重新关注风险议题
1
AI蕴含巨大机遇：
从优化到重塑
对银行业而言，AI的真正价值不在于
提升效率，而在于改善客户体验与重
塑业务模式。
AI释放巨大机遇：从优化到
重塑
AI在对公及商业银行业务领域的最大潜力在哪里
？ 答案显然不是当前的应用场景。
受访银行高管均认为，AI技术的最大优势在于惠及
客户，例如，通过填充预设答案将贷款申请表填写
时间减半；通过聊天机器人即时回应账户相关查
询；或帮助客户关系经理借助AI生成的洞察为客户
提供个性化建议。
然而，银行业初期进行的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。这些应用场景虽能显著降低成本，但不会
带动 收入增长。
劳埃德银行集团的Ulku Rowe表示：“如果仅局限
于 提升效率，就错失了AI的核心价值。它的真正
价值 在于重构决策机制与服务模式。”
如果仅局限于提升效率，就错失了AI的核心价值。
它的真正价值在于重构决策机制与服务模式。
Ulku Rowe, 劳埃德银行集团商业银行业务首席信息官
客户体验：AI的下一片蓝海
然而，安永与《麻省理工科技评论》洞察团队联合
发布的报告表明，银行业未将客户端应用场景列入
战略优先事项。
在对代理型AI的核心价值进行排序时，各银行将欺
诈检测列在首位，安全次之，客户体验优化被排在
第三位。
AI之所以未在盈利能力最高的领域落地，原因有
二：首先，银行担忧生成式AI作为新兴技术会产生“
幻觉”输出（因训练数据不足或过度泛化，给出的答
案可能存在事实性错误），如果不加以人工复核，会
给客户提供错误信息或违规建议。
在内部应用场景中，此类失误会打击士气、增加成
本；在外部应用场景中，则可能使银行声誉受损。
银行在充分理解AI技术的运行原理，或掌握人机协
同降低错误的途径之前，不太可能将AI用于客户端
场景。
加拿大丰业银行的Matthew Parker-Jones表示：
“我们计划在未来两年内，先内部部署AI应用场景，
如企业聊天机器人，然后再向外拓展。但目前尚不
具备向外部署的条件，因为我们必须确保AI不会向
客户提供错误建议。”
其次，主导权问题阻碍银行借助AI服务客户。目前，
多数银行的AI工作由技术负责人推动，而他们并不
与客户直接接触，自然会忽视客户端的AI应用。
我们计划在未来两年内，
先内部部署AI应用场景，
如企业聊天机器人，然后
再向外拓展。目前尚不具
备向外部署的条件，因为
我们必须确保AI不会向客
户提供错误建议。
Matthew Parker-Jones, 加 拿 大 丰 业 银 行 交
易 银行业务全球产品主管
转型是AI的根本价值所在
银行忽视了一个比提升客户体验更具价值的机遇：
彻底重构运营模式和服务体系。
以交易银行业务为例，许多银行已借助AI提高识别
支付欺诈的准确率，通过减少合法交易被误判和转
入人工复核的频次，有效缩短业务平均处理周期，
从而提升客户满意度。此举固然重要，但尚未触及
根本性变革。
试想，银行还可以利用AI评估客户的全部未结待付
账款。当AI模型获取支付日期等基础合同信息后，
便可探索并提示留存该笔现金可能带来的流动性效
益，并综合评估不同支付方式的权衡取舍。
例如，相对于速度迟缓、费用低廉的传统自动清算
系统（ACH），客户可能更倾向于选择速度更快但
成本较高的实时支付交易。此时的银行已不再仅是
支付处理机构，升级成为企业财资管理部门的价值
延伸。
《安永全球财资主管之声》研究报告指出，客户
对这类服务持开放态度。例如，90的受访者表
示，有兴趣引入AI财务顾问，针对财务问题提供
建 议；8 6 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。
再如，可以将AI部署到信贷领域，这样做不仅能简
化申请流程、缩短放款周期，还能主动发放贷款，
以解客户之需。AI通过评估银行掌握的客户内外部
财务数据及经营数据，准确判断客户出现现金缺口
的时点。
财资主管对银行提供的AI赋能
服 务持开放态度：
90%
有兴趣聘请AI财务顾问，针对
财 务问题提供建议的受访者占
比
86%
重视由AI财资助理提供定制化
见 解的受访者占比
资料来源：《安永全球财资主管之声》研究报告。
我希望借助AI推动业务增长，
最终改变贷款等业务模式。这
才是AI真正的神奇之处。
Osamu Abe, 日本三菱日联银行亚太
区 首席事务官
这是AI在对公及商业银行业务领域的真正价值。
在 此类应用以及借助AI重构银行运营模式方面存
在先 发优势，但目前仅有少数银行在探索AI应用
的可能 性，而真正开始变革性应用的更是凤毛麟
角。
三菱日联银行便是其中之一。其亚太区首席事务官
Osamu Abe表示：“我希望借助AI推动业务增长，
并 最终改变贷款等业务模式。这才是AI真正的神奇
之 处。”
许多银行聚焦于AI的内部增效作用，同时不断增
进 对AI技术的了解、提升基础能力。但银行不应
安于 现状，唯先行者方可取得显著市场优势。
安永全球的Matt Cox表示：“银行业正在竞相构建
AI 能力并部署影响深远的应用场景。它们需要加
快步 伐，利用AI重构业务，抢占先发优势。”
银行业正在竞相构建AI能力并
部署影响深远的应用场景。它
们需要加快脚步，利用AI重构
业务，抢占先发优势。
Matt Cox, 安永全球大型企业、商业机构及中
小企业银行业务咨询主管
行动要点
■ 确保每个AI应用场景都有完备的
文档记录，汇总后提供给高管
团队。
■ 落地客户端应用场景。
■ 鼓励所有AI使用者探索如何通过
AI调整运营模式，为客户增值。
2
职责重置：
业务团队主导+技术团队赋
能在银行业务领域，AI用于推动业务转
型，而非技术类项目。因此，AI项目
必须由高管团队主导。
职责重置：
业务团队主导+技术团队赋
能
在对公及商业银行业务领域，通常由银行的技术
团队集中负责AI项目。他们与运营、风控、财务
以 及业务团队合作，优先确定部署AI领域、监督
AI落 地，并衡量效益。
矛盾的是，多数银行明知这一安排并不理想，但依
旧如此。由于技术团队不参与客户端业务，从而更
倾向于将AI部署在他们熟悉的后台运营领域。
正确的做法应是，由业务团队主导AI投资。业务
团队最清楚如何通过AI提升客户体验、实现业务
增 长，因此能将AI技术部署到回报更高的领域。
实际上，仅有少数银行安排业务团队主导AI部署。
在执行过程中，一些业务团队因技术复杂而却步，
另一些则全力服务现有客户和拓展业务，无暇
分身。
加拿大丰业银行的Matthew Parker-Jones表示：
“如果由中央技术团队主导AI部署，可能导致AI技
术与客户关系管理及实际业务运营脱节。我们通过
赋能业务团队驱动AI实现实质性成果，提升客户体
验、降低成本。虽然这一做法会让推进速度有所放
缓，但产生的影响将更为持久。机构领导，即首席
执行官，必须明确具体的业务负责人。否则最终还
是会落入由中央技术团队主导的窠臼。”
如果由中央技术团队统筹主导AI部署，很可能与客户关系管理及实际业务运营脱节。可能导致
AI技术与客户关系管理及实际业务运营脱节。我们通过赋能业务团队驱动AI实现实质性成果，
提升客户体验、降低成本。虽然这一做法会让推进速度有所放缓，但产生的影响将更为持久。
机构领导，即首席执行官，必须明确具体的业务负责人。否则最终还是会落入由中央技术团队
主导的窠臼。
Matthew Parker-Jones, 加拿大丰业银行交易银行业务全球产品主管
转型立足于紧密协作及领导层的远见卓识
技术团队的重要作用毋庸置疑，他们不仅构建基础
技术架构，还保障机构体系的一致性。因此，业务
负责人必须与技术负责人紧密协作。
在AI部署方面取得成效的受访银行高管普遍认为，
团队架构至关重要：各个细分业务板块的技术负责
人和运营负责人不应隶属于中央技术和运营团队，
而是应嵌入到特定产品团队中。例如，信贷技术主
管应当与信贷运营主管和业务主管通力协作。
即便是由业务团队主导AI议程的银行，亦可能未优
先考量最具价值的AI赋能型应用。原因在于：业务
负责人往往关注提升客户体验及创造中短期业务增
长，这种导向虽在情理之中，却未能思考AI如何彻
底重构运营模式。
首席执行官必须挺身而出，亲自主导或指定数字化
转型负责人，推动业务、技术与运营负责人着眼未
来，洞察AI所具有的变革性潜力。
AI应该用于推动业务转型，而非单纯的技术升级，因此必须由业
务团队主导。取得最佳成效的机构均由 CEO及整个高管团队自上
而下制定AI战略，再逐级下放给业务负责人。
Beatriz Sanz Sáiz, 安永全球人工智能行业主管
安永全球人工智能行业主管Beatriz Sanz Sáiz强
调：“AI应该用于推动业务转型，而非单纯的技术
升 级，因此必须由业务团队主导。取得最佳成效的
机 构均由CEO及整个高管团队自上而下制定AI战
略， 再逐级下放给业务负责人。”
行动要点
■ 赋能业务团队主导AI议程，技术
团队提供支持。
■ 探索新团队架构的潜力，促进团
队协作。
■ 设定明确的预期，要求业务团队
挖掘AI的转型潜力。
3
对投资回报率的新思考
针对AI领域投资回报率难以衡量的
老问题，银行正在采取多样化应对措
施。
AI领域投资回报率的计算具有挑战性。与传统的IT
采购及成本节约项目不同，AI投资的效益有时并不
直接体现在财务层面。例如，某些AI应用场景可能
有助于降低风险、深化洞察或丰富客户体验，而这
些方面的财务影响往往难以量化。
另外，多家银行认为，当前的AI困境与网银业务发
展初期一样，短期回报常被高估，而长期回报则被
低估。短期回报计算结果可能无法全面反映综合效
益。
安永亚太区的Abhay Chauhan指出：“20年前网
银 业务兴起时，银行普遍认为裁撤网点便可立即
降 本，但消费者习惯直到最近五年才开始真正发
生改 变， 财务效益的释放明显滞后。多数观点认
为AI也 将遵循这一发展规律。
此外，AI应用往往伴随工作步骤及流程的调整，
因 此，单独评估AI本身的影响绝非易事。
20年前网银业务兴起时，银行普遍认为裁撤网点便可立即降本，但
消费者习惯直到最近五年才真正开始发生改变，财务效益的释放明
显滞后。多数观点认为AI也将重演这一发展规律。”
Abhay Chauhan, 安永亚太区大型企业、商业机构和中小企业银行业务主管
对投资回报率的新思考
面对此类挑战，银行纷纷采取多样化应对策略。部
分银行将投资回报率作为确定AI应用场景优先级的
重要依据。劳埃德银行集团的Ulku Rowe指出：“
投 资回报率能够如实反映AI价值。若无法将AI与
商业 价值关联，则一切努力都只是实验性探索；
若无法 衡量AI的价值，则表明实施方法可能存在
问题。尽 管直接计算存在难度，但可借助替代性
指标来辅助 衡量。”
另有部分银行则完全不计算AI投资回报率。荷兰国
际集团的Bahadir Yilmaz表示：“我们不计算AI投
资 回报率。尽管我们会跟踪项目关键绩效指标
（KPI） 及目标与关键成果（OKR），但投资回
报率本身难 以量化。收益端可衡量，但投资端往往
涉及流程改 造与数据投入两方面。例如，在借助AI
推动贷款流 程数字化的同时，我们也致力于重构客
户旅程与获 客模式，因此无法将改进成果单独归因
于AI。”
投资回报率能够如实反映AI价值。若无法将AI与商业价值关联，则一切努力都
只是实验性探索；若无法衡量AI的价值，则表明实施方法可能存在问题。尽管
直接计算存在难度，但可借助替代性指标来辅助衡量。
Ulku Rowe, 劳埃德银行集团商业银行业务首席信息官
我们不会计算AI投资回报
率。尽管我们会跟踪项目关
键绩效指标及目标与关键成
果，但投资回报率本身难以
量化。收益端可衡量，但投
资端往往涉及流程改造与数
据投入两方面。例如，在借
助AI推动贷款流程数字化的
同时，我们也致力于重构客
户旅程与获客模式，因此无
法将改进成果单独归因于
AI。
Bahadir Yilmaz, 荷兰国际集团首席分析官
粗略估算胜于无所作为
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（如采用A/B测试）确定应用场景优先
级。另外，将具体应用场景与AI规模化应用所需的
基础数据、技术能力及人才投入分开考量亦具参考
价值。但无论是否有投资回报率作为依据，银行都
必须投资于基础能力建设。
安永欧洲、中东、印度及非洲区银行业务主管
James Sankey表示：“投资回报率不可忽视，至少
要 做到粗略估算，因为它有助于银行避免盲目投资。
多数银行会假设投资回报率为正值，但若计入全部
技术成本，前两年可能出现负值。可考虑划拨专项
预算，用于实验性探索及能力建设，暂时不计算投
资回报率。”
目前已有AI赋能工具可辅助银行计算投资回报率。
通过AI赋能工具模拟未来表现，再将结果与基准
绩 效对比，可在规模化部署前预估投资回报率。
投资回报率不可忽视，至少要做到
粗略估算，因为它有助于银行避免
盲目投资。多数银行会假设投资回
报率为正值，但若计入全部技术成
本，前两年可能出现负值。可考虑
划拨专项预算用于实验性探索及能
力建设，暂时不计算投资回报率。
James Sankey, 安永欧洲、中东、印度及非洲
区 大型企业、商业机构及中小企业银行业务主
管
行动要点
■ 始终尝试计算每个AI应用场景的
投资回报率。
■ 划拨基础能力建设专项预算，不
因投资回报率难以计算而延滞。
■ 探索如何利用AI辅助计算投资回
报率。
4
AI平台赋能可持续发
展
构建可复用的AI能力对实现高效规模
化应用及降低长期成本至关重要。
面对AI应用压力，许多开展对公及商业银行业务的
银行允许业务团队以最快的方式部署应用场景，不
少银行为此采购了即用工具直接推广。这种方式虽
立竿见影，却为未来发展埋下隐患：AI应用场景最
终是通过相关技术、工具及能力拼合而成的，这样
做难以实现规模化。
通过可复用方法实现精简与规模化
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，相关能力包括提供光学字符识别
（OCR）、机器学习、检索增强生成（RAG）架构、
向量数据库及指令库。
从长期看，这种平台模式可通过避免能力重复建设
及满足多元底层系统维护需求，扩大规模并降低
成本。
安永人工智能战略咨询业务合伙人Marie-Claude
Ferland指出：“实现成本可控的人工智能规模化，
唯一途径是构建可复用组件，从而避免每个用例都
从零开始。这些组件包括摘要生成能力，或模型验
证与监控所需的各类方法。”
实现成本可控的人工智能规模
化，唯一途径是构建可复用组
件，从而避免每个用例都从零
开始。这些组件包括摘要生成
能力，或模型验证与监控所需
的各类方法。
Marie-Claude Ferland, 安永人工智能战略
咨 询服务业务合伙人
AI平台赋能可持续发
展
如果缺乏包括数据、质量、架
构及安全性在内的坚实基本面
作为支撑，就无法快速跟进AI
发展状态。跳过这些基础环
节，非但不能增强智能水平，
还会引发AI应用乱象。
Ulku Rowe, 劳埃德银行集团商业银行业务
首席信息官
劳埃德银行集团商业银行业务首席信息官Ulku
Rowe 对此深表认同：“若无数据、质量、架构及安
全性作 为支撑，就无法实现AI快速推进。跳过这些
基础环 节，非但不能实现AI规模化应用，还会引发
AI应用 乱象。”
构建AI平台有助于银行解决AI代理孤岛化、不互
联 的问题。
安永全球的Matt Cox解释道：“银行如今对嵌入在
其 使用多年平台中的人工智能高度依赖，但这些
平台 相互孤立，无法把信贷业务等服务所涉及的
全部流 程串联在一起。缺乏这种联动性，便难以
重构信贷 服务模式，无法优化客户服务。而平台
化方法正是 解决之道。”
银 行 如 今 对 嵌 入 在 其 使 用 多 年
平 台 中 的 人 工 智 能 高 度 依 赖 ，
但 这 些 平 台 相 互 孤 立 ， 无 法 把
信 贷 业 务 等 服 务 所 涉 及 的 全 部
流 程 串 联 在 一 起 。 缺 乏 这 种 联
动 性 ， 便 难 以 重 构 信 贷 服 务 模
式 ， 无 法 优 化 客 户 服 务 。 而 平
台化方法正是解决之道。
Matt Cox, 安 永 全 球 大 企 业 、 商 业 机 构 和 中 小
企业银行业务咨询主管
行动要点
■ 始终尝试计算每个AI应用场景的
投资回报率。
■ 划拨基础能力建设专项预算，不
因投资回报率难以计算而延滞。
■ 探索如何利用AI辅助计算投资回
报率。
5
数据构成重大挑战
数据质量缺陷与碎片化是AI部署的最
大障碍，银行需借助专业人才与工具
方可破局。
数据质量与可用性蕴藏机遇。
AI需要系统学习海量数据才能
做出精准预测，这些数据须满
足高质量、多样化和相关性要
求。银行每日通过各类系统处
理数十亿量级的各类交易及事
件，因此数据收集、清洗及处
理的工作量往往被严重低估。
Niranjan Vivekanandan, 加拿大皇家银
行 执行副总裁兼商业银行业务部首席运营
官
当问及实现AI规模化应用的主要挑战时，多数银行
首先给出的答案是：数据。数据分散在数百个互不
联通的系统内，不完整、质量低、格式不统一或不
可靠都是常见问题。
加拿大皇家银行的Niranjan Vivekanandan：“数据
质 量与可用性蕴藏机遇。AI系统需要学习海量数据
才 能做出精准预测，这些数据须满足高质量、多样
化 和相关性要求。银行每日通过各类系统处理数十
亿 级不同交易及事件，因此数据收集、清洗及处理
的 工作量往往被严重低估。”
数据隐私与保护则是另一主要挑战。德国商业银行
的Patrick Klasen表示：“判断新闻报道或评级机
构 报告等公开渠道信息能否用于训练大语言模型
（LLM）既复杂又耗时。”
判断新闻报道或评级机构报告等公
开渠道信息能否用于训练大语言模
型既复杂又耗时。
Patrick Klasen, 德国商业银行执行总监兼企业贷
款 流程与数字化转型主管
数据构成重大挑战
我们正在寻找能够改善数据质量、完成数据匹配与合并、自动提取元数据以
及生成质量评分的AI工具，但此类工具尚不成熟。
Cindy Saw, 菲律宾BDO银行数据与分析业务IT部门主
管
AI能否改善数据质量？
应对这一挑战的标准做法是投入人力，但该方法
存在局限性且成本高昂。因此，许多银行正探索
采用能提升数据质量的AI工具。
菲律宾BDO银行的Cindy Saw表示：“我们正在
寻 找能够改善数据质量，完成数据匹配与合并、
自 动提取元数据以及生成质量评分的AI工具，
但此 类工具尚不成熟。”
劳埃德银行的Ulku Rowe对此表示认同并指出：“我
们经常说‘投入垃圾，则产出垃圾（’ 即，输入劣质数
量，则输出劣质结果），而今可借助AI进行垃圾数
据 清理。我们已在关键领域部署此类解决方案，并
将 逐步全面推广。”
我们经常说‘投入垃圾，则产出垃圾’，而今可借助AI进行垃圾数据清
理。我们已在关键领域部署此类解决方案，并将逐步全面推广。
Ulku Rowe, 劳埃德银行集团商业银行业务首席信息官
AI工具有助于解决部分数据难题。例如，AI能
够协 助和优化数据，理清数据之间的关联，减
轻银 行的合规负担。
安永美洲区的Adam Smith表示：“可以利用AI提
升 数据质量。我们曾协助一家大型银行运用AI解
读审 贷数据，并验证相关记录中的数据准确性。
此举将 效率大幅提升9 0 左右，使员工能够集中
精力处理 最可能出错的事项。”
尽管这类工具尚不成熟，但现已可提供助力。率先
采用此类工具的银行将发现，其在人工优化数据方
面的投入大幅减少。
可 以 利 用 AI提 升 数 据 质 量 。 我
们 曾 协 助 一 家 大 型 银 行 运 用 AI
解 读 审 贷 数 据 ， 并 验 证 数 据 在
相 关 记 录 中 的 准 确 性 。 效 率 因
此 大 幅 提 升 90%左 右 ， 使 员 工
能 够 集 中 精 力 处 理 最 可 能 出 错
的问题。
Adam Smith, 安永美洲区大型企业、商业机
构 及中小企业银行业务人工智能主管、金融服
务 咨询业务执行总监
行动要点
■ 客观评估数据可用性、质量及其
对AI系统效能的制约程度
■ 探索AI赋能工具如何助力解决数
据问题
■ 评估是否需要新增数据科学、
数据分析及数据安全领域的专
业能力
6
技术选项：
云架构或本地部署+自建或外购
从基础设施建设到技术获取，银行
必须基于自身规模、资源和AI战略目
标，量身定制战略方案。
随着AI应用的日益普及以及技术的逐渐成熟，银行
业对算力的需求大幅增长，引发了关于采用云架构
还是本地部署的讨论。
一些银行青睐云架构的可扩展性与灵活性。加拿大
丰业银行的Matthew Parker-Jones表示：“运行大
语 言模型需要依赖云架构的可扩展特性。而传统数
据 中心技术和私有云技术不具备这一能力，因此需
要 与超大规模云服务商合作。”
运行大语言模型需要依赖云架
构的可扩展特性，而传统数据
中心技术和私有云技术不具备
这一能力，因此需要与超大规
模云服务商合作。
Matthew Parker-Jones, 加 拿 大 丰 业 银 行 交
易 银行业务全球产品主管
其他银行则采用混合模式，即，将云架构和安全可
控的本地部署加以整合。加拿大皇家银行的Niran-
jan Vivekanandan表示：“我们采用本地部署+公
有 云和私有云的混合模式。通过自主构建GPU基
础设 施，开发、部署和维护AI银行应用程序，增
强安全 性、隐私性和主权性。这样做至关重要，
因为信任 是客户关系的基石。”
技术选项：
云架构或本地部署+自建或外购
实际上，构建大规模计算基础设施的前期成本高
昂，因此仅适用于大型银行。银行采用的模式需要
适配自身资源、AI战略目标和现有的云架构策略
我们采用本地部署+公有云和私有云的
混合模式，通过自主构建GPU基础设
施，开发、部署和维护AI银行应用程
序，增强安全性、隐私性和主权性。这
样做至关重要，因为信任是客户关系的
基石。
Niranjan Vivekanandan, 加拿大皇家银行执行副总裁兼商
业 银行业务首席运营官
决策应当以审慎评估为依据
银行应首先全面评估每个模式的成本和效益。随着
云服务领域的技术进步，许多已知风险变得可控：
云服务商的网络安全资质可能优于银行，而且可以
将云基础设施加以隔离来降低数据泄露风险。
但新风险不断涌现。大语言模型训练和部署离不开
强大的基础设施，而服务商收费上涨，使既有认知
中的云服务成本优势递减。另外，针对大量AI应用
程序依赖少数几家供应商，甚至仅由一家供应商提
供云服务的问题，银行持谨慎态度。
另一个难题则是外购还是自建。最佳解决办法取决
于三个方面：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。
菲律宾BDO银行的Cindy Saw表示：“外购还是自
建 取决于应用场景以及供应商解决方案的成熟度。
例 如，对于交互式AI，由于自主研发难度较高，且
解 决方案已趋成熟，我们会优先选择外购；而对于
涉 及敏感数据的工具，我们会通过自建+本地部署
的方 式，防止数据外泄。”
银行常常会低估定制和整合供应商工具所需时间和
精力，对于信贷这类涉及多个独立流程与工具间频
繁切换的复杂业务而言，这种情况尤为普遍。
外购还是自建取决于应用场
景以及供应商解决方案的成
熟度。例如，对于对话式人
工智能，由于赋能工具自主
研发难度较高，且解决方案
已趋成熟，我们会优先选择
外购；而对于涉及敏感数据
的工具，我们会选择通过自
建+本地部署的方式，防止数
据外泄。
Cindy Saw, 菲律宾BDO银行数据
和 分析工具业务部IT团队主管
行动要点
■ 客观评估云架构和本地部署解决
方案的风险与收益，敢于质疑不
符合当前形势的假设。
■ 探索当前的云架构与本地部署
比例是否可应 对生成式 AI需求
激增。
■ 重新调整自建与外购的比例，以
适配不断变化的应用场景以及日
趋成熟的供应商解决方案。
7
AI的规模化应用
亟需新技能助力
银行必须提升员工技能、进行战略性
招聘，并留住紧俏的人工智能人才。
5 8 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。由此可见，银行业已经意识到，AI
带来了技能方面的挑战。
对此，银行需要从两方面发力。首先，需要推动员
工队伍技能全面升级，提升员工应用AI工具的能力
与信心。因此，需要提供有针对性的培训课程并启
动变革管理项目。
其次，随着AI的规模化应用，银行的技术团队必须
引入更多专业人才。菲律宾BDO银行的Cindy Saw
表 示：“我们不仅需要构建AI模型的人才，还需要
软件 工程师、用户界面专家和用户体验专家、能够
把业 务问题转化成技术需求的业务分析师，以及AI
治理 架构师。”
我们不仅需要构建AI模型的人才所需具
备的技能，还需要软件工程师、用户界面
专家和用户体验专家、能够把业务问题转
化成技术需求的业务分析师，以及AI治
理架构师。
Cindy Saw, 菲律宾BDO银行数据和分析工具业务部IT团队主管
AI的规模化应用亟需新技能
助力
承认技术技能欠缺的银行占比
资料来源：安永与《麻省理工科技评论》洞察
团队联合发布的报告
58
%
新技能与留才策略
安永美洲区的Sameer Gupta也认为银行需要壮大
员 工队伍，他表示：“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。”
如何吸引这些人才？除了薪酬福利等基本待遇，银
行还可以宣传其在AI领域的投入。
具备适当AI技能的人才可能不会将企业及商业银行
业务领域作为首选职业方向。因此，银行需要主动
表明自己正在积极部署AI，并且已经将AI作为发
展 策略的核心。
留用人才同样重要。这些稀缺专业人才若能接触更
多的项目和团队，并获得更加清晰的职业发展路
线，将更乐于在银行业长期就职。
银行对人工智能和数据工程师、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。
Sameer Gupta, 安永美洲区金融服务人工智能主管
行动要点
■ 持续提升员工队伍的技能，助力
员工充分利用AI工具。
■ 明确若要在内部规模化应用AI，
当前与未来需要具备的技能，并
评估技能缺口。
■ 规划清晰的职业发展路线，减少
重要人才流失。
8
负责任AI聚焦风险管
控携手风控团队，升级流程，助力银行
实现AI的安全部署与信任构建。
银行业需对人工智能的快速规模化应用可能引发的
风险保持高度警惕。AI驱动工具的输出质量是其最
为关切的问题，尤其那些直接向客户提供建议的工
具。试想，若有一款AI聊天机器人建议客户违规转
账，由此导致的银行声誉受损将不堪设想。
《安永负责任人工智能调研》报告指出，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，4 8 的受访银行担心AI生成的虚假信息被采信。
银行对数据也存在担忧，担心AI模型中使用的个人
数据或专有数据外泄。三菱日联银行的Osamu
Abe 表示：“数据泄露已成为我们面临的最大风险
之一。 我们不希望专有数据在大语言模型中与其
他公司的 数据混在一起，我们不知道它们会与哪
些来源的数 据相混合。我们非常重视根据自身业
务和需求筛选 数据集的能力。”
数据泄露已成为我们面临的
最大风险之一。我们不希望
专有数据在大语言模型中与
其他公司的数据混在一起，
我们不知道它们会与哪些来
源的数据相混合。我们非常
重视根据自身业务和需求筛
选数据集的能力。
Osamu Abe, 日本三菱日联银行亚太
区 首席事务官
基于《安永负责任人工智能调研》
报告
将不可靠的AI输出列为
主要或中等担忧的受访
银行占比
担心AI生成的虚假信息
被采信的受访银行占比
资料来源：《安永负责任人工智能调研》报告
负责任AI聚焦风险管
控
2/3
48
%
风险管理将日趋复杂
银行如何消除这些威胁？首要任务是采用更加精细
化的风险管理和治理框架，用来处理复杂的生成式
AI语言模型。这意味着必须具备新技能。
其次，银行需要在AI应用程序设计初期解决对透明
度以及相关工作流程的担忧。例如，知识管理工具
设计人员可以明确，大语言模型生成的建议必须援
引信息来源，并通过全面风险评估确定人工介入的
触发条件。
此外，技术团队应与风险部门共同制定扩展生成式
AI应用场景前需要考虑的核查清单。荷兰国际集团
就是一个很好的例子。荷兰国际集团的Bahadir
Yil- maz指出：“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，因此需
要探索 如何安全使用AI技术。我们需要针对生成
式AI进行 140项验证，当然，这其中包括一部分
自动验证。”
银行也可以采用其他策略在使用AI的过程中管控风
险、建立信任。《安永负责任人工智能调研》报告显
示，仅5 8 的受访银行通过第三方验证或内部审计对
AI系统建立信任，5 2 记录了AI流程、制定了AI道德
规范或评估了监管合规性。对于大型企业及商业银
行业务，此类策略仍有很大实施空间。
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，因
此需要探索如何安全使用AI技术。我们
需要针对生成式AI进行140项验证，当
然，这其中包括一部分自动验证。
Bahadir Yilmaz, 荷兰国际集团首席分析
官
行动要点
■ 随着生成式AI模型的规模化部
署，重构风险识别与缓释机制。
■ 在主要AI应用场景规划初期引入
风险团队，尽早考虑潜在威胁。
■ 更新风险管理流程，以适配日益
复杂的生成式AI。
结语
人工智能为银行的大型企业、商业机构及小企业银
行三大对公业务板块带来了变革性机遇，它不仅可
以优化现有流程，还可以从根本上推动服务交付模
式的重构。银行业具有业务复杂、监管密集、高度
依赖海量数据和密集型文档处理的服务特征，因
此格外适合开展AI创新。然而，我们的调查结果显
示，尽管业界展示出浓厚的兴趣，并进行了大量实
验，但仅少数银行实现了AI规模化应用。而通过
AI 重塑运营模式或客户价值主张的银行则占比更
低。
银行必须做出改变。率先推进战略化AI部署的银行
将获得先发优势，不仅能够节约成本，还将提升客
户体验并创新服务，最终实现收入增长。
但把握这一机遇绝非单纯仅靠技术投入，还需要组
建强有力的领导层，并明确业务部门对AI部署的主
导权，夯实基本动能。银行需构建具备可复用能力
的AI平台，通过智能工具打破数据孤岛，不断强化
技能根基，助力AI的规模化应用。与此同时，
银 行必须科学地在云架构策略、供应商模式、
AI风 险治理等复杂决策方面做出正确选择。
随着客户期望不断变化，竞争对手开始转型，银
行业获取先发优势的窗口将逐步收窄。行业角逐
已全面开启，以AI为核心重构大型企业、商业机
构及小企业银行业务的银行将成为市场赢家。
结语
推荐举措
把握人工智能机遇不仅需要实践探索，更需要在领导力、技术、数据、人才四大维度果断行动。以下措施是银行挖掘客户价值、实现持续转型的关键发力点：
■ 明确业务团队推动AI议程的权
责范畴，并为其运用预设功能
提供操作指引。
■ 赋予高管层对AI应用场景的全
面监督权，并制定标准化指引
确保执行一致性，筑牢交付信
任根基。
■ 将战略重点从后台效率优化转
向优先布局客户端应用，挖掘
新的增长机遇。
■ 构建统一的AI平台，提高业
务 一致性、可扩展性，增强
信 任度。
■ 基于自身需求评估云端还是本
地部署以及自建还是外购模
式，并在解决方案日趋成熟
时，尽早与供应商建立合作
关系。
■ 更新风险框架和治理体系，以
应对生成式AI日益扩大应用规
模的复杂性。
■ 识别并消除数据缺口，利用AI
工具提高数据准确性、质量及
合规性。
■ 针对每个AI应用场景确立统一
的投资回报率指标，确保管理
层全面掌控进展。
■ 尝试采用AI赋能的核算工具，
精准计算投资回报率，并挖掘
潜在价值。
■ 推动构建促进协作的新型团队架
构；例如，提前引入风险团队，
从源头规避AI风险威胁。
■ 确定并构建实现AI规模化应用所
需新技能，涵盖数据科学、数据
分析以及数据安全等领域。
■ 建立可持续提升员工技能及人才
留住机制，通过制定专项计划
保持员工积极性、保障长期能力
建设。
推荐举措
夯实基础
依托数据及衡量手段
挖掘价值1 重新确立主导权和 2 3
4
战略要点
投资人才，鼓励协作
联系安永
忻怡
安永大中华区金融服务首席合伙人
安永亚太区金融科技与创新首席合伙人
+86 21 2228 3286
张小东
大中华区金融服务华北市场主管合伙人
安永华明会计师事务所（特殊普通合伙）
+86 10 5815 3322
许旭明
大中华区金融服务高增长市场主管合伙人
安永华明会计师事务所（特殊普通合伙）
+86 10 5815 2621
吴俊
大中华区金融服务华中市场主管合伙人
安永（上海）税务师事务所有限公司
+86 21 2228 2823
张秉贤
大中华区金融服务华南市场主管合伙人
安永会计师事务所
+86 755 2502 8287
庄智斌
大中华区金融服务香港市场主管合伙人
安永咨询服务有限公司
+852 2846 9200
张超
大中华区金融服务中国咨询主管合伙人
安永（中国）企业咨询有限公司
+86 10 5815 3502
孙苏勇
金融科技与创新合伙人
安永（中国）企业咨询有限公司
+86 10 5815 4595
联系安永
关注安永微信公众号
扫描二维码，获取最新资讯。
感谢您的阅读！
安永 | 建設更美好的商業世界
安永致力于建设更美好的商业世界，为客户、员工、社会各界及地球创造新价值，同时建立资本
市场的信任。
在数据、人工智能及先进科技的赋能下，安永团队帮助客户聚信心以塑未来，并为当下和未来最
迫切的问题提供解决方案。
安永团队提供全方位的专业服务，涵盖审计、咨询、税务、战略与交易等领域。凭借我们对行业
的深入洞察、全球联通的多学科网络以及多元的业务生态合作伙伴，安永团队能够在150多个国
家和地区提供服务。
All in，聚信心，塑未来。
安永是指Ernst & Young Global Limited的全球组织，加盟该全球组织的各成员机构均为独立的法律实体，各
成员机构可单独简称为“安永”。Ernst & Young Global Limited是注册于英国的一家保证（责任）有限公司，
不 对外提供任何服务，不拥有其成员机构的任何股权或控制权，亦不担任任何成员机构的总部。请登录
privacy，了解安永如何收集及使用个人信息，以及在个人信息法规保护下个人所拥有权利的描述。安永成员机
构不从事当地法律禁止的法律业务。如欲进一步了解安永，请浏览。
© 2025 安永，中國。
版權所有。
APAC no. 03024287
ED None
本材料是为提供一般信息的用途编制，并非旨在成为可依赖的会计、税务、法律或其他专业意见。请向您的顾问获取具体意见。
