金融服务领导者提出的五个AI问题
内容提要
本文探讨了Sibos Miami大会上金融机构应关注的AI治理、数据与成本问题。调查显示，半数银行高管认为治理合规限制AI性能，仅18%有信心通过审计。文章提出五大关键问题：实时流动性、警报真实性、客户需求、交易决策及成本控制，强调AI需可追溯、可审计，并平衡效率与信任。
延伸解读
治理与合规：AI落地的关键瓶颈
调查显示，半数银行高管认为治理和合规限制了AI性能，但仅18%有信心通过独立审计。这反映出金融机构在AI应用上面临的核心矛盾：既要利用AI提升效率，又必须确保其可追溯、可审计。文章强调，治理不能仅停留在政策文件层面，而应嵌入数据、访问控制和工作流程中，才能真正建立信任。
从“AI能否工作”到“AI能否被信任”
去年Sibos大会关注AI是否可行，今年则转向AI能否赢得信任。这一转变背后是金融机构对AI实际应用的审慎态度。文章通过多个案例说明，AI在金融领域的价值不仅在于自动化，更在于辅助决策和风险控制。然而，每个AI建议都需要有可追溯的来源，并经过人工审核，才能确保其可靠性和合规性。
AI成本控制：从试点到生产的挑战
AI在试点阶段的经济性看似可控，但进入生产环境后成本可能迅速膨胀。文章引用CFO的观点指出，AI token费用在初期可能微不足道，但不会长期如此。因此，成本纪律需要提前建立，包括模型路由和支出可见性等措施，以避免AI成本超过其创造的价值。
Q&A
在Sibos Miami大会上，金融机构应该关注哪些AI相关问题？
金融机构应关注五个关键问题：实时流动性状况、警报真实性、客户需求、交易决策以及成本控制。这些问题涉及AI治理、数据质量和成本效益，强调AI需要可追溯、可审计，并平衡效率与信任。
银行高管对AI治理和合规的态度如何？
根据Grant Thornton的调查，半数银行高管认为治理和合规限制了AI性能，但只有18%的高管有信心通过独立审计。这表明银行在AI治理方面存在明显不足。
AI如何帮助财务主管实时掌握流动性状况？
AI可以整合跨实体和货币的数据，提供实时流动性视图，避免耗时的手工电子表格操作。Databricks的演示展示了如何通过AI识别总账与风险数据之间的差异，释放受困资本，并确保审计可追溯。
AI在反洗钱（AML）警报处理中如何确保可靠性？
AI可以调查案例、连接上下文并支持分析师决策，但每个建议都需要可追溯的来源，包括使用的数据、建议内容、人工审核情况以及审计重建能力。Databricks展示了AI代理处理真实AML警报，起草可疑活动报告（SAR），但由人类提交，并记录所有步骤。
生成式AI如何改善客户关系管理？
生成式AI可以自动化准备客户会议资料，例如RBC Brewin Dolphin每年节省约4700小时。多代理工作流还能生成投资评论、整合专有评分和内部文档，提供审计就绪的投资组合分析，从而让员工有更多时间专注于判断和客户关系。
AI如何帮助银行避免拒绝好的交易？
AI可以实时处理数据，减少批处理延迟，使风险决策基于最新信息。Coinbase使用Databricks实现亚100毫秒的实时欺诈检测，展示了实时处理的可能性。
金融机构如何控制AI成本？
成本控制需要提前开始，例如通过模型路由和支出可见性来管理AI成本。Databricks的博客文章《Managing AI Coding Costs at Scale》提供了相关策略。
