银行AI战略：三年路线图

银行的AI试点先是让董事会眼前一亮，随后卡在模型风险审查上，这样的故事并不陌生。一份可靠的银行AI战略分四个阶段推进，从受治理的数据走到真正干活的智能体，从而避开这种结局。

我在DXC任职期间，与中东和非洲各地的银行合作过。它们很少缺乏雄心。

问题出在数据上。客户、账户和交易记录分散在核心银行系统、银行卡平台、CRM和十几张电子表格里。每个系统对“谁是客户”都有自己的理解。

这份路线图适用于监管机构认可的任何核心银行平台、云服务或模型提供商，覆盖零售、中小企业和公司银行业务。

三年，四个阶段

1. 01

   当前：数据基础

   客户、产品和风险数据进入同一个受治理的平台，数据血缘可供监管机构追溯。

2. 02

   第1年：受治理的智能层

   为客户、账户和交易建立一套业务语言，落实AI治理，交付首批速赢项目。

3. 03

   第2年：规模化AI智能体

   用于开户、信贷、反欺诈和AML的智能体，加上近实时的客户互动。

4. 04

   第3年：AI规模化融入

   AI融入关键业务职能，人与智能体协同工作，每项决策都可追溯。

数据基础通过可信的数据和更清晰的监管报送收回成本。第一批AI价值在第一年出现，到第二年智能体开始真正干活时，收益会更大。

银行早就知道数据为什么重要，因为监管机构教过它们。BCBS 239关于风险数据加总的原则，要求风险数据准确、完整、及时，并有明确的负责人。好的AI基础就是同一套纪律，只是延伸到了客户和产品数据。

下面是要做的工作，按我会采用的顺序排列。

1. 把核心银行、银行卡、支付、贷款、CRM和数字渠道的数据汇集到一个平台上。通常是湖仓，也就是在云端或境内统一存放原始数据和清洗后数据的存储。
2. 加上数据目录和数据血缘，让监管报表中的每个数字、模型的每项输入都能追溯到源系统。
3. 为产品、风险和财务团队提供自助式报表，全部基于同一套客户和余额数字。

最难的是单一客户视图。设想一位在您的银行开有活期账户和信用卡的女士。她同时是她哥哥企业贷款的担保人，也是您一家公司客户的董事。

在大多数银行里，她是四条记录。核心系统里她的名字是一种拼法，银行卡平台里是另一种，公司客户档案里有她的护照号码却没有出生日期。一个核查她总风险敞口的AI智能体，会完全漏掉那笔担保。

解决办法很枯燥。按证件号码、出生日期和地址设定匹配规则，然后建立一条黄金记录，并指定一位业务负责人。在数据基础中做一次，此后的每个模型都继承这一结果。

再看第二个例子。您的风险报告和财务总账对同一家公司客户显示的风险敞口数字不同。银行卡平台在夜间过账，贷款系统在中午过账。

有了数据血缘，分析师能把两个数字都追溯到源头，看出时间差。没有数据血缘，每次董事会开会前都得有人在电子表格里重算一遍。

1. 01核心银行账户、余额和交易
2. 02银行卡与支付刷卡消费、转账和工资
3. 03贷款与CRM贷款、额度和联系记录
4. 04着陆区原始副本，从第一天起就有数据血缘
5. 05单一客户视图同一个人，及其所有身份
6. 06报表与监管报送产品、风险和监管数字彼此一致

可以向监管机构追溯的可信数据

第一年的核心是语义层。这是一套由人和AI智能体共用的业务语言，客户、账户、产品、额度、风险敞口、交易和投诉各有唯一的定义。

这为什么重要？问问三个团队，您有多少活跃客户。

市场部把过去90天内打开过App的人都算上。财务部计算有余额的人，风险部计算持有未结产品的人。

为董事会回答这个问题的智能体，必须使用董事会材料里的定义。语义层就是把它一次性写下来的地方。

AI治理在同一年落实，并围绕您的监管机构来设计。在阿联酋，这意味着针对金融机构采用赋能技术的联合指引。在英国，是PRA的模型风险管理原则（SS1/23）。

在欧盟，AI Act将针对个人的信用评估视为高风险。我的建议是维护一份统一的AI用例登记册。为每个用例指定负责人、风险评级、测试结果和人工审核环节，再把登记册与您需要遵守的每条规则对应起来。

然后争取员工和客户都能感受到的速赢项目。我会从以下几项中选择：

1. 员工助手，根据政策、产品条款和客户历史回答问题。
2. 投诉摘要，让案件处理人员在一屏之内看到完整经过。
3. 嵌入客户已在使用的App中的个人消费顾问。
4. 客户挽留提示，在客户看起来准备离开时提醒客户经理。

下面是联络中心里的员工助手。一位客户来电询问她在境外刷卡时被收取的一笔费用。助手找到收费条款，核对她的卡片等级，并引用条款给出答案。

是否出于善意退还这笔费用，仍由坐席决定，我认为就应该这样。

消费顾问基于客户已经习以为常的规律工作。比如工资每月25日到账，房租1日扣款，学费每年9月缴纳。顾问会建议每个月为9月存一点钱。

客户挽留提示读取的是更隐蔽的信号，比如原本每月25日到账的工资突然停了。客户经理当周就会得知，还来得及打电话。

1. 01客户经理提问我的哪些客户看起来可能流失？
2. 02语义层银行对客户、产品和活跃的定义
3. 03受治理的数据账户、交易和投诉
4. 04助手作答附上每位客户的原因和来源
5. 05客户经理核查致电客户或忽略提示

与董事会材料一致的答案

业务价值高中低

• 个人消费顾问

• 客户挽留提示
• AML预警分诊

• 信贷决策支持

• 员工政策助手
• 投诉摘要

低中高监管风险

• 低
• 中等
• 关键

第二年从助手走向智能体。助手回答一个人的问题。智能体在您设定的边界内完成一项工作，然后交给人处理。

在银行业，业务量和价值集中在四个地方：

1. 开户与KYC，也就是每个新账户都需要的“了解您的客户”核查。
2. 信贷，从收集资料一直到起草授信报告。
3. 反欺诈，智能体近实时地为银行卡和支付交易打分。
4. AML（反洗钱），预警堆积的速度超过调查人员的处理速度。

以中小企业开户为例。一家贸易公司上传了营业执照、公司章程和股东护照。其中一位股东是在另一个国家注册的公司。

智能体逐步处理：

1. 它读取每份文件，提取姓名、日期和注册号码。
2. 它将营业执照与公司登记信息核对，并把每个名字与制裁名单和观察名单进行筛查。
3. 它沿着那位境外股东的股权链向上追溯，找到最终受益所有人，也就是真正拥有这家企业的自然人。
4. 它发现一位董事与制裁名单上的某人近似匹配：姓名相同，出生日期不同。
5. 它整理好档案，标记出这条匹配，并附上证据。

合规官查看标记后作出决定。收集工作由智能体完成，判断由她来做。

信贷也是同样的方式。一家中小企业申请流动资金额度，智能体收集银行流水、经审计的财务报表和征信报告。它按银行的标准格式整理数字（信贷团队称之为财务数据整理），并起草授信报告。

它可能会指出大部分销售都来自同一个买家。决定权仍在信贷审批人员手中。

反欺诈的节奏更快。有人在本地一家商店刷了卡，四十分钟后又在另一个国家的网站上用这张卡付款。智能体拦下第二笔付款，请客户在App中确认，并向分析师说明它采取行动的原因。

AML的节奏更慢。不同网点不断有略低于申报门槛的现金存款。智能体汇总历史记录并起草案件说明，由调查人员决定是否提交可疑交易报告。

同一年还会带来近实时的客户互动。一位小企业主在一笔大额供应商付款到期前一周，就能看到现金流预测。

运营模式也随之改变。每个智能体都需要一位负责人、清晰的权限边界、监控和紧急停止开关。模型风险团队审查智能体时，应当像审查模型一样认真。

1. 01预警交易监控系统发出预警
2. 02收集账户、交易对手、历史记录和筛查命中
3. 03评估对照以往案件为预警打分
4. 04起草撰写附有证据的案件说明
5. 05决定调查人员结案或上报
6. 06学习结果用于优化下一次分诊

模型风险团队像审查模型一样审查智能体

到了第三年，AI已融入零售贷款、银行卡、中小企业银行、资金管理、运营和风险管理。人与智能体并肩工作，每条决策路径都有明确的负责人和审计追踪。

数据共享拓宽了智能体的视野。开放银行API让客户在同意的前提下共享其在其他机构持有的账户。ISO 20022是较新的支付报文标准，能承载更丰富的信息：谁付款给谁，以及付款原因。

以一家每天收到数百笔付款的公司客户为例。智能体利用ISO 20022中的汇款信息，把每笔付款匹配到对应的发票上，其余的标记出来交给客户的资金团队处理。

后台工作也在变化。月末，智能体逐笔核对银行的往账账户（即银行在其他银行开立的外币账户）。运营分析师只需处理它无法解释的差异。

合作伙伴接入同一个受治理的层，使用您的定义和控制措施。三年积累下来的底层建设，竞争对手很难迅速复制。

1. 首席运营官负责智能体组合及其结果
   模型风险与合规验证、监控和紧急停止开关
2. 业务条线负责人负责本条线的智能体

• 开户智能体由开户业务负责人负责
• 信贷智能体由首席信贷官负责
• 反欺诈智能体由反欺诈负责人负责
• AML智能体由MLRO负责

1. 04AI智能体与助手开户、信贷、反欺诈、AML和客户互动智能体，设有人工审批环节
2. 03受治理的智能层客户、账户、产品和交易的语义模型，加上AI登记册
3. 02数据基础具备数据血缘、数据目录和数据质量管理的湖仓，按要求部署在境内
4. 01核心系统核心银行、银行卡、支付、贷款、CRM和数字渠道

任何银行AI战略都贯穿着四项承诺。

1. 境内与主权AI方案。 许多监管机构要求客户数据留在境内。选择能在境内运行的平台和模型，包括由您自行托管的开放模型。
2. 开放的多平台技术栈。 模型每隔几个月就会更新，因此要让银行保有更换AI供应商的自由。
3. 与监管机构对齐的治理。 一份AI登记册和一套模型风险流程，与您需要遵守的每条规则对应起来。
4. 能与智能体协作的员工。 客户经理、分析师和调查人员需要知道什么时候该信任智能体，什么时候该推翻它的判断。

推翻判断是这样的。一个AML智能体把某条预警标为低风险，因为这些存款与客户平常的工资相符。调查人员知道这位客户的雇主上个月已经倒闭，于是重新打开了案件。

第一个错误是从面向客户的聊天机器人开始。没有语义层，它对同一个问题会给出不同的答案。

问两次您的信用卡额度，可能得到两个数字。一个来自银行卡平台，另一个来自过时的CRM副本。

我会让您银行的AI战略从行内开始。员工助手和运营智能体是更安全的学习场所，因为客户看到任何答案之前，都有人先核查过。

第二个错误是在模型风险管理之外构建AI。跳过验证的试点无法投入生产，团队只能从头再来。从第一个用例起就让风险和合规部门参与进来，哪怕感觉进度慢一些。

出错的做法有效的做法

1. 01出错的做法: 把客户聊天机器人作为第一个项目→有效的做法: 先做内部助手和运营智能体
2. 02出错的做法: 在模型风险管理之外构建试点→有效的做法: 从第一个用例起就让模型风险团队参与
3. 03出错的做法: 每个模型各有一套客户定义→有效的做法: 所有模型共用一个受治理的客户视图
4. 04出错的做法: 最后才邀请风险和合规部门→有效的做法: 风险、合规和业务部门共同负责

如果您想知道您的银行目前处在哪个阶段，请预约与我通话。带上您现有的AI用例清单，我会告诉您我会从哪里开始。

银行的AI战略应该包含哪些内容？

一份好的银行AI战略需要受治理的数据基础、语义层，以及与监管机构要求对齐的AI治理。在此之上，再加入用于开户、信贷、反欺诈和AML的智能体。境内方案、开放的技术栈和员工培训是这一切的底座。

银行应该从哪里开始使用AI？

从数据基础和内部用例开始。员工助手、投诉摘要和个人消费顾问能以可控的风险带来价值。信贷决策放在后面，配以最严格的控制，并且每一笔都由人来审批。

根据EU AI Act，用于信用评分的AI属于高风险吗？

是的，EU AI Act把评估个人信用状况或确定其信用评分的AI系统列为高风险。反欺诈检测是例外。高风险系统需要风险管理、数据治理、文档记录、人工监督和持续监控。

在银行业，AI智能体与AI助手有什么区别？

助手为人回答问题。智能体在您设定的边界内采取行动，例如收集KYC资料、分诊预警或起草授信报告。在银行业，智能体应负责准备决策，由人来批准。

银行能否在使用AI的同时让数据留在境内？

可以。许多云服务商提供境内区域，开放模型也可以在银行自己控制的服务器上运行。在选择平台和模型之前，先决定哪些数据可以出境。