2024-12-26-麦肯锡-从银行业的AI中提取价值_重新连接企业_16页_1mb

金融服务实践：从银行业的AI中提取价值：重新连接企业

麦肯锡金融服务实践分析指出，银行业面临收入增长放缓、竞争加剧与生产率下降的挑战，亟需借助人工智能实现转型。报告提出一套全面的AI价值提取蓝图，核心步骤包括：

1. 战略定位
   银行需摒弃实验性AI，转而构建企业级AI愿景。领先机构通过业务驱动转型，选择高业务影响与技术可行的子领域（如投资组合优化、客户承保等），优先部署可重用组件。

2. 多智能体系统驱动的业务重构
   超越单点AI应用，利用多智能体系统重构复杂流程。例如，AI代理可处理文档收集、决策分析等任务，配合传统分析与数字工具协同运作，显著提升信贷审批等领域的生产力（20%-60%提升）。

3. 四层技术-数据栈构建
   银行需投资“交互、决策、数据与技术核心”四层能力，包括：

   • 参与层：多模式对话（文本/语音/视觉）、个性化客户体验。
   • 决策层：多智能体系统协调复杂业务逻辑，如信贷承保工作流自动化。
   • 核心与数据层：支持大型语言模型（LLM）的算力基础设施、机器学习运营能力。
   • 运维模式：通过平台化运营打破部门壁垒，设立中央AI控制塔统筹资源。

4. 规模化执行与治理

   • 阶段式扩展：从最小可行产品迭代，逐步覆盖150+应用场景。
   • 价值捕获机制：通过数据资产化、可重复组件复用加速营收增长（如示例银行预计收入提升10%）。
   • 治理框架：控制塔协调全行AI战略，包含中央标准、风险协议与跨部门协同。

关键结论

• 挑战与机遇：尽管技术投入显著，多数银行仍困于实验阶段。领先机构通过AI实现差异化竞争（如生成式工具提升员工编码效率40%）。
• 未来方向：多智能体系统将改变得信贷经理等角色，AI代理逐步演变为“虚拟同事”，实现人机协作的新范式。

摘录亮点

• 子域选择基准：银行需评估技术可行性（数据质量、遗留系统兼容性）与业务影响（如企业知识管理可提升员工满意度30%）。
• 工具与能力：AI控制塔、预测性模型、数字孪生等技术协同赋能，例如信用卡欺诈检测准确率提升至95%。

附录参考：

• 各银行业务领域的AI转型子域清单（零售、私人、公司、投行等，共25+子域）。
• 技术栈更新对比图（新增Gen AI、多代理系统等组件）。

作者强调，AI价值的释放需平衡短期财务目标与长期技术布局，并通过全栈投资确保从实验到规模化落地的成功转型。