根据最近的一项调查，银行已采取措施加速生成式AI在信贷业务中的应用，但大多数银行仍处于漫长的旅程中。
根据最近的一项调查，银行已采取措施加速生成式AI在信贷业务中的应用，但大多数银行仍处于漫长的旅程中。
变革性技术并不常有，因此当它们出现时，迅速行动是值得的。当生成式AI算法于2022年推出时，银行迅速探索其在核心商业信贷活动中的潜力。但麦肯锡和国际信贷组合经理协会（IACPM）的一项新研究显示，三年后，结果喜忧参半，一些机构在将技术投入使用方面取得了良好进展，而另一些则落后了。
我们的方法
为了本文的目的，麦肯锡在2024年下半年对全球44家机构的决策者进行了调查和访谈。我们的受访者包括巨型银行、超区域性银行和核心区域性银行中大致相同数量的高管。巨型银行包括资产超过1万亿美元的机构，超区域性银行包括资产在5000亿美元至1万亿美元之间的机构，核心区域性银行则定义为资产在1000亿美元至5000亿美元之间的机构。我们还与保险公司/经纪商和开发银行进行了联系。
生成式AI现已成为许多银行的优先事项
为了衡量银行在信贷业务中采用生成式AI的进展，我们采访并调查了全球44家金融机构的高级管理人员。我们向从巨型银行到区域性银行等不同规模的银行询问了影响其生成式AI采用的因素、最有前景的用例以及管理与该技术相关风险的方法。
受访者的回答在一个问题上是明确的：生成式AI正在开始突破，约一半的高级领导者将其确定为优先事项。事实上，在信贷决策和定价等关键应用中，越来越多的机构正在推出一个或多个用例。此外，信贷应用通常与其他应用并驾齐驱或领先，高管们认为生成式AI在预警系统、信贷备忘录起草和客户互动活动中具有特殊潜力。
尽管如此，情绪并非普遍积极。许多银行对扩大规模持谨慎态度，因为对该技术的财务效益持续存在疑虑。因此，只有少数（主要是大型机构）走在前列，而大多数银行表示进展慢于预期。
受访者告诉我们，行业采取渐进式方法有几个原因。例如，许多银行仍然缺乏成功实施生成式AI所需的技能、框架和运营架构。在这些挑战的背后，我们看到了两个结构性制约：首先，决策者过于狭隘地关注简单用例，而不是寻求改造更复杂的工作流程和端到端旅程。其次，我们发现大多数银行最近才开始部署智能体AI，这是一种利用决策算法来产生跨领域影响的技术版本，例如在业务线的中后台。解决这些潜在挑战的银行正在为其同行创造竞争动力。
大多数机构正在测试信贷用例
我们的调查显示（图表1），鉴于广泛的价值创造机会，52%的机构已将生成式AI的采用定位为优先事项。这意味着高级领导层已优先开发生成式AI用例，并通过投资和招聘来支持这一雄心。另有39%的机构表示他们对生成式AI感兴趣，但采用尚未成为明确的优先事项，9%的机构承认高级领导者并未积极参与该话题。
图表1 大多数机构的领导层将生成式AI定位为优先事项。
生成式AI为金融机构提供了三项非常有用的能力：简洁性（即将大量数据总结为易于理解的要点）、内容生成和客户互动（主要体现在使用机器人支持客户经理及其他人员）。在这三项能力中，我们调查中数量最多的机构在简洁性方面取得了最大进展，大多数机构正在预警系统和信贷决策等活动中尝试生成式AI应用（图表2）。例如，一家多边开发银行正在探索一种生成式AI工具，以查找正确的信贷评估文件，阅读并综合它们，并得出结论。
图表2 商业信贷中的生成式AI用例因机构规模而异。
在启动或开发用例时，47%的机构表示最重要的因素是生产力提升的承诺，紧随其后的是业务需求和监管合规性，分别有44%和25%的受访者提及（图表3）。值得注意的是，一半的机构不认为投资回报是主要考虑因素，将其列为做出优先决策时最不重要的因素。一个原因可能是，在流程早期没有简单的方法来量化财务影响。
图表3 生产力提升是启动或开发用例时最重要的因素。
有些出人意料的是，在部署方面最先进的群体是区域性银行，它们在用例数量上领先于巨型银行（图表4）。此外，核心区域性银行在构思和规划方面也最为先进。
图表4 区域性银行正在引领部署。
我们的调查显示，很少有用例达到全面部署阶段。然而，有些用例比其他用例更先进。例如，24%的机构已全面部署了“临时”应用的用例（图表5）。在此背景下，几家银行报告已推出虚拟LLM助手，以支持文档处理（PDF转换、数字化）和快速质量保证等用例。虽然目前还没有银行在信贷决策信息综合方面实现全面部署，但27%的银行正处于试点阶段。内容生成用例，如信贷备忘录起草和数据评估，也属于试点最多的用例。
图表5 用例的全面部署很少见。
银行为何采取保守态度
许多高级银行家，尤其是区域性银行的银行家，确信生成式AI应用可以提高效率，但态度和实施之间存在普遍差距。事实上，北美受访者中只有12%部署了任何用例。
在2023年麦肯锡主办的首席风险官圆桌会议上，我们询问决策者是什么阻碍了他们采用生成式AI。67%的人强调生成式AI能力短缺，而50%的人指出包括定义用例和潜在价值在内的困难。一个相关观点是，那些强调从技术中获得早期投资回报的机构实际上更有可能放弃，而那些坚持下去的机构则开始看到成功。
在此期间，情况没有太大变化。谨慎态度仍然普遍存在，这反映了对数据安全漏洞、模型幻觉（错误输出）、成本相关风险、缺乏验证、模型和数据偏差以及延迟问题等风险的担忧。超过五分之二的机构表示，由于结果令人失望，他们减缓了用例开发。原因包括准确性不足和对效益缺乏明确说明。事实上，在业务场景需要接近100%准确性的情况下，幻觉被视为一个重大问题，而一些领导者则担心整理数据所需的工作量。
41%的受访者表示模型验证问题阻碍了他们；其中一个原因是缺乏历史数据来评估模型性能。其他制约因素包括项目涉及的利益相关者过多，以及时间、预算等潜在挑战（例如，为开发和维护创造计算强度）。上游数据风险和合规义务也常被提及为阻碍因素。在这种背景下，尤其是在用例产生边际效益的情况下，阻力最小的路径是缓慢推进。
总而言之，超过三分之一（36%）的受访者表示他们认识到生成式AI的长期潜力，但相信渐进式采用。这种思维的主要特点是部署较小的试点和用例，同时在扩大规模之前侧重于风险缓解。另有27%的人将自己描述为平衡但风险意识强，这意味着他们认识到生成式AI的变革潜力，但对风险保持警惕。
最后一个更深层次的挑战涉及范围这一根本问题。许多银行没有追求领域范围的转型，而是在微观层面进行试验，并专注于孤立的用例。简而言之，他们低估了生成式AI重塑运营、客户互动和风险管理的潜力。
应对挑战和建设能力
银行正在取得进展的领域是为更深入地采用生成式AI奠定基础。例如，我们的调查显示，大多数机构正在吸引人才（87%的机构表示他们正在招聘技术专家，而60%的机构正在对领导团队进行生成式AI及其应用的培训）并建立安全的环境和流程。
许多银行正在建立卓越中心，其任务是开发和维护生成式AI应用的架构，管理平台和部署流程，并创建框架、操作手册和防护措施。在基础设施和技术方面，31位受访者表示他们正在开发和维护安全的实验环境和沙盒。其他机构正在举办研讨会，聘请外部专家，并制定协议和治理框架，以平衡实验和风险管理。
在风险方面，许多机构正在强调数据安全，包括建立防护措施以防止数据泄露。他们正在建立全面的培训计划，以教育用户提示库和结果验证。同时，他们正在推行专门的变革管理计划、对AI和生成式AI生成结果的人工监督，以及对涉及内部数据或外部输出的用例进行严格的审批流程。在用例可能影响客户或需要遵守监管规定时，许多银行正在设置严格的审批障碍。最后，为了解决幻觉问题，他们正在进行绩效评估和回溯测试，并征求持续的用户反馈。
几乎所有机构都在与第三方技术提供商合作。事实上，80%的机构表示他们可以使用外部解决方案，其中大多数机构都设置了防护措施来保护自己，例如，通过限制部分同事的访问权限，或通过内部指南和数据安全培训。
采取行动：加速旅程的五个步骤
尽管2023年首次发现的许多挑战仍然与银行对生成式AI的参与相关，但边缘迹象表明，领先机构正在找到平衡风险与回报的方法。许多银行正在采取双重方法，既要建立基本基础，又要优先采取推动采用的行动。在此，我们介绍该过程中的五个关键步骤：
与利益相关者保持一致。 领先机构的早期优先事项是确保与所有相关利益相关者完全保持一致。在外部，他们积极参与；在内部，他们明确生成式AI采用的重要性，并通过投资于构建工具和基础设施的能力来支持他们的观点。
标准化数据以简化部署。 在数据方面，领导者努力标准化和统一数据资源，以便团队可以在一个地方访问非结构化数据，例如文本文档。他们还努力支持端到端实验和部署，这意味着他们仔细考虑整个过程——例如，确保从开始到结束的最佳功能和数据流。在应用程序按预期工作之前，他们不会继续前进。
安装模块化解决方案架构。 为了最大限度地提高用例开发和推广的生产力，一些生成式AI的先行者正在部署模块化解决方案架构，这意味着他们正在设计具有明确定义和可互换组件的产品。通过这种标准化方法，他们可以并行推进多个用例，并在不同层之间创建可定制的连接。
选择唾手可得的成果。 为了获得早期成功并鼓励认同，领先公司最初专注于风险最低的用例。例如，他们优先开发仅供内部使用的机器人，采用“测试-学习”方法，以确保可行性，然后再扩大规模。
推广智能体AI。 最后，为了获取真正的价值，智能体AI可以发挥重要作用，帮助公司从备忘录起草等静态应用转向引人注目的领域转型。在领域转型中，交互式编排智能体指导用户完成流程，并根据他们的输入完善结果。例如，在承保过程中，AI智能体可以在几秒钟内通知客户经理（RM）新的申请，并生成个性化的电子邮件草稿以与客户互动。在客户对话中，智能体可以实时转录关键要点，呈现相关分析或文档，并提供可操作的见解。对话结束后，智能体可以生成量身定制的待办事项列表，使客户经理能够高效地准备材料以供信贷团队审查。当应用于整个贷款审批流程时，会产生更多影响，使银行能够优化客户和员工体验，并大规模提高效率和效益。
银行已采取措施加速生成式AI在信贷业务中的采用，但我们的调查结果显示，大多数银行仍处于旅程中。事实上，在许多机构中，对该技术提高生产力的潜力存在相当大的怀疑，这往往反映了以往技术推广未能达到预期收益的经验。因此，领先银行正在采取更具战略性的方法，确保他们已部署技术、人才和运营基石，以在扩大规模之前赢得利益相关者的信任。许多银行也正在拥抱智能体AI的决策能力，并正在看到积极的结果，不仅在单个业务线中，而且在整个组织中。
关于作者
Arvind Govindarajan是麦肯锡波士顿办事处的合伙人，Jania Kesarwani是副合伙人；Filippo Maggi是米兰办事处的合伙人；Kevin Buehler是纽约办事处的高级合伙人；Maria Acuna是迈阿密办事处的顾问。
国际信贷组合经理协会（IACPM）是一个致力于推动信贷组合管理领域的专业组织。IACPM成立于2001年，在32个国家拥有144个成员机构，包括主要商业银行、投资银行、保险公司和资产管理公司。该组织专注于研究、教育和倡导，以提高金融机构内部对信贷风险的理解和管理。
（原文https://www.mckinsey.com/capabilities/risk-and-resilience/our-insights/banking-on-gen-ai-in-the-credit-business-the-route-to-value-creation)
美国航空航天和国防公司面临核心技能缺口和高员工流失率。一份新报告揭示了提升员工生产力和最大化人才回报的策略。...
激增的投资和快于预期的创新可能会推动量子市场在十年内达到 1000 亿美元。...
根据麦肯锡全球研究院（McKinsey Global Institute）的最新报告《The great trade rearrangement》，全球贸易格局正在经历一场深刻的变革。报告通过引入“重构比率”（rearrangement ratio）这一创新指标，深入分析了中美贸易重...