銀行業領導者，對於生成式AI（GenAI）重塑客戶體驗和優化運營的潛力感到興奮。麥肯錫的一項調查發現，生成式AI每年可增加2000億至3400億美元價值，推動收入增長2.8%至4.7%。零售銀行業務成為銀行業的第二大盈利部門，創造了540億美元的新價值，緊次於創造出560億美元的企業銀行業務。
數字化轉型與IT諮詢服務公司Xebia的首席數字官Rajat Gupta表示，「零售銀行正在快速轉型以保持競爭力。領導者和團隊正制定出影響深遠的生成式AI戰略。如果說2023年是試點年，那麼2024年就是在銀行業務中推廣新的生成式AI模型的一年。」
Gupta繼續補充道，「但作為受到嚴格監管的機構，銀行也有自己特殊的考量。他們必須設計出具有治理和護欄的框架，以保護消費者數據隱私及安全。沒人願意成為AI模型違規與GDPR罰款的懲戒對象。」
正因為如此，大多數銀行才選擇從後台流程起步，以此培養AI實施能力並主動應對風險。根據E&Y的調查結果，超過67%的銀行領導者希望優先推動開發和測試，之後再將AI技術逐步引入前台用例。
持續轉型，打造更高水平的銀行業務
銀行通過構建混合/多雲基礎設施、啟用數字和移動銀行業務，以及為呼叫中心代表配備AI驅動型工具（例如引導式聊天與情感分析功能）等方式，不斷增強自身轉型能力。數字技術使銀行能夠提供更加無縫的訪問體驗，客戶也可以使用數字工具或移動應用、配合指導流程快速開設賬戶，而不必親赴分支部門並填寫大量紙質資料。雖然許多銀行還保留有分行網路，但也有不少銀行開始轉向純數字化形態。
銀行分析與警報（例如支出分析、交易和餘額警報，以及嵌入式欺詐保護等於產）可幫助消費者管理並保護自己的資金。銀行還利用數據和分析來實現個性化營銷與產品推薦、交叉銷售乃至產品追加銷售，藉此滿足消費者需求並擴大收入來源。聊天機器人使得消費者能夠全天候（24/7）解決問題，同時在客戶需要服務支持時收集資訊以改善交互體驗。然而，根據Prosper Insights & Analytics最近的一項調查，大多數客戶（85.9%）在討論財務問題時，仍然更喜歡與真人交流，而非使用AI聊天（14.1%）。他們更願意在其他不太敏感的交互中與聊天機器人進行互動，例如在線購物（25.1%）、通信和娛樂（22%）以及出行（18%）。
消費者們憂心忡忡，呼籲銀行以謹慎態度部署生成式AI服務
Prosper的研究結果表明，銀行應該認真考慮如何在公眾當中建立起對生成式AI工具的信任。在此項調查中，消費者對於AI工具最擔心的五大問題為：需要人工監督（36.7%）、未能考慮到用戶的最大利益（34.9%）、缺乏充足的數據使用透明度（30.9%）、可能導致失業（28.8%）以及可能產生幻覺（25.2%）。
然而，FIS的一項調查發現，如果解決了對於透明度和偏見的擔憂，其實58%的美國民眾都對銀行對生成式AI的採用樂見其成。他們認為政府監管與立法層面的加強（82%）是增強其對於生成式AI新流程及工具核心的關鍵；此外，人們還希望能有專有監督技術應用（85%）並圍繞生成式AI建立起品牌聲譽（79%）。
為了提高消費者對於生成式AI的信任度和接納水平，銀行應當對外解釋自己如何使用這項技術，例如部署帶有常見問題解答內容的網站、發布關於生成式AI如何改善客戶溝通與服務體驗的場景，並分享他們在保護消費者數據隱私以及確保產品/服務不存在偏見等方面設置的保護措施與安全機制。銀行領導者可能還須傳達自己如何與政府機構及其他組織合作，共同制定新的AI標準和法規。
生成式AI如何將生產力與創新推向新高度
Gupta表示，「生成式AI為銀行帶來了優化客戶體驗和運營流程的廣泛機會。目前銀行機構正使用生成式AI加深客群細分、個性化營銷優惠與投資建議、自動化銷售流程以及增強聊天機器人交互。在後端流程方面，生成式AI可以增強預測分析、欺詐檢測和風險管理等流程。」
Gupta同時提到，「除了加強生成式AI自身的能力之外，銀行還需要打擊惡意行為者。對手也在使用生成式AI來改善其攻擊策略和戰術，例如修改以往充滿錯誤的網路釣魚郵件，並利用消費者的個人資訊來加強魚叉式網路釣魚及常規釣魚活動。」
銀行將使用規範性的生成式AI來增強網路安全流程，識別出當前不斷發展的攻擊模式，藉此減少客戶及企業面臨的風險和威脅。他們還應承擔起教育客戶的責任，幫助受眾了解攻擊者可能如何利用AI竊取數據並實施欺詐。
生成式AI支持下的消費級搜索新形態
消費者們對生成式AI普遍抱有好奇之心。那麼，消費者們是如何使用ChatGPT、Claude等大語言模型（LLM）的？根據Prosper Insights & Analytics最近的一項調查，他們大多利用這些平台來研究特定主題（46%）、獲取寫作幫助（39.6%）、自學新概念（28.3%）、進行創意寫作（27.6%）以及生成內容（25.7%）。因此在銀行領域，消費者往往會在求助於Google等搜尋引擎之前，先就終身保險與定期保險、固定抵押貸款與可調利率抵押借款、或者數字支付類型等問題諮詢生成式AI的意見。
大語言模型無法直接為消費者比較銀行和產品，因為這些模型接受的是靜態數據的訓練，且在設計上儘量避免提供具體產品推薦。大語言模型廠商也往往會採取中立態度，確保降低風險並保護與企業合作夥伴間的關係。然而，銀行還需要為新的搜索方式做好準備。例如，消費者會使用接入網路的大模型來分類並查找新產品，或者使用生成式AI支持Google搜索在傳統結果之上快速獲取摘要性說明。哪些銀行能提供實用性更強的內容，其Google或者Bing搜索排名就將超越其他同行。
與生成式AI攜手共創未來
為了對生成式AI開展實驗、試點和擴展，銀行必須擁抱數據現代化，開發生成式AI框架、技術棧和團隊，同時規劃LLMOps/MLOps流程的可擴展性。合作夥伴可以為解決數據問題、針對高價值用例試點解決方案，以及為銀行業務生成式AI功能擴展提供必要的支持結構。
銀行業正在不斷尋求提高收入和股本回報率的新方法，而生成式AI無疑為此開啟了一道充滿可能性的大門。
