a16z：金融服务行业将采用生成式 AI 来实现 5 个目标

来源：a16z

作者：Angela Strange、 Anish Acharya、 Sumeet Singh、 Alex Rampell、 Marc Andrusko、 Joe Schmidt、 David Haber 和 Seema Amble

编译：巴比特

人工智能（AI）和机器学习已在金融服务行业使用了十多年，实现了从更好的承保到提高基础欺诈评分等一系列改进。而通过大型语言模型（LLM）生成的人工智能代表了一个巨大的飞跃，正在改变教育、游戏、商业等领域。传统的 AI/ML 专注于根据现有数据进行预测或分类，而生成式 AI会创造全新的内容。

这种在大量非结构化数据上训练 LLM 的能力，再加上本质上无限的计算能力，可能会产生金融服务市场几十年来最大的变革。与其他平台的转变（互联网、移动、云）不同，金融服务行业在采用方面滞后，我们期望在这里看到最好的初创公司和现有企业现在就采用生成式 AI。

金融服务公司拥有大量的历史金融数据。如果他们使用这些数据来微调 LLM（或从头开始训练他们，如 BloombergGPT），他们将能够快速回答几乎所有的金融问题。

例如，根据一家公司的客户聊天记录和一些额外的产品规格数据训练出来的 LLM，应该能够立即回答有关该公司产品的所有问题，而根据一家公司 10 年的可疑活动报告（SARs）训练出来的 LLM，应该能够识别一组表明存在洗钱计划的交易。

我们认为，金融服务行业准备使用生成式人工智能来实现五个目标：个性化的消费者体验、具有成本效益的运营、更好的合规性、改进的风险管理以及动态预测和报告。

在现有企业和初创企业之间的较量中，现有企业在使用 AI 推出新产品和改善运营时将拥有初始优势，因为他们可以获得专有金融数据，但最终他们将因准确性和隐私方面的高门槛而受到阻碍。另一方面，初创企业最初可能不得不使用公共金融数据来训练他们的模型，但他们将很快开始生成自己的数据，并成长为使用 AI 作为新产品分销的契机。

让我们深入探讨这五个目标，看看现有企业和初创企业如何利用生成式 AI。

尽管消费者金融科技公司在过去 10 年中取得了巨大成功，但它们尚未实现最雄心勃勃的承诺：在无人参与的情况下优化消费者的资产负债表和损益表。这一承诺仍未兑现，因为用户界面无法完全捕捉影响财务决策的人类环境，也无法以帮助人们做出适当权衡的方式提供建议和交叉销售。

一个很好的例子说明了非显而易见的人类背景很重要，即消费者在困难时期如何优先支付账单。消费者在做出此类决定时往往会同时考虑效用和品牌，而这两个因素的相互作用使得创建能够充分捕捉如何优化此决定的体验变得复杂。例如，如果没有人类员工的参与，就很难提供一流的信用辅导。虽然像 Credit Karma 这样的体验可以让客户参与 80% 的过程，但剩下的 20% 变成了一个恐怖谷，进一步尝试捕捉背景往往过于狭窄或使用错误的精确度，从而破坏了消费者的信任。

现代财富管理和税务筹划也存在类似的缺陷。在财富管理中，人类顾问击败了金融科技解决方案，即使是那些狭隘地关注特定资产类别和策略的解决方案，因为人类在很大程度上受到特殊的希望、梦想和恐惧的影响。这就是为什么人类顾问历来能够比大多数金融科技系统更好地为客户量身定制建议。在税收方面，即使在现代软件的帮助下，美国人在税收上花费了超过 60 亿小时，犯了 1200 万次错误，并且经常遗漏收入或放弃他们不知道的福利，例如可能扣除工作旅行花费。

LLMs 为这些问题提供了一个整洁的解决方案，从而更好地引导消费者的财务决策。这些系统可以回答问题（“为什么我的投资组合的一部分是市政债券？”），评估权衡（“我应该如何考虑久期风险与收益率？”），并最终将人类背景因素纳入决策制定（“你能建立一个足够灵活的计划，可以在未来某个时候帮助我年迈的父母提供经济支持？”）。这些功能应该将消费者金融科技从一个高价值但范围狭窄的用例集转变为另一个应用程序可以帮助消费者优化其整个金融生活的用例集。

– Anish Acharya 和 Sumeet Singh

在生成式 AI 工具可以渗透到银行的世界里，Sally 应该得到持续的承保，以便在她决定买房的那一刻，她就有了预先批准的抵押贷款。

不幸的是，这个世界还不存在，主要原因有三：

• 首先，消费者信息存在于多个不同的数据库中。这使得交叉销售和预测消费者需求变得极具挑战性。
• 其次，金融服务被高度认为是情感购买，通常具有复杂且难以自动化的决策树。这意味着银行必须雇用庞大的客户服务团队，根据客户的具体情况，回答客户关于哪种金融产品最适合他们的问题。
• 第三，金融服务受到高度监管。这意味着像信贷员和处理员这样的员工必须了解每一种可用的产品（例如抵押贷款），以确保遵守复杂但非结构化的法律。

生成式 AI 将使从多个位置提取数据、理解非结构化个性化情况和非结构化合规性法律等劳动密集型功能的效率，提高 1000 倍。例如：

• 客户服务代理：在每家银行，数以千计的客户服务代理必须进行艰苦的培训，了解银行的产品和相关的合规要求，以便能够回答客户的问题。现在想象一个新的客户服务代表开始工作，他们有机会接触到一个 LLM，该 LLM 在过去 10 年里对银行所有部门的客户服务电话接受过培训。代表可以使用该模型快速生成任何问题的正确答案，帮助他们更智能地谈论更广泛的产品，同时减少培训他们所需的时间。现有企业希望确保他们的专有数据和客户特定的 PII 不被用于改进其他公司可以使用的通用 LLM。初创企业必须在如何引导数据集方面具有创造性。
• 信贷员：信贷员目前从近十几个不同的系统中提取数据以生成贷款文件。生成式人工智能模型可以根据来自所有这些系统的数据进行训练，这样信贷员只需提供客户姓名，贷款文件就会立即为他们生成。信贷员可能仍需要确保 100% 的准确性，但他们的数据收集过程将更加高效和准确。
• 质量保证：银行和金融科技公司的大部分质量保证都涉及确保完全遵守众多监管机构。生成式人工智能可以显着加快这一过程。例如，Vesta可以结合使用 Fannie Mae 销售指南训练的生成式 AI 模型，以立即提醒抵押贷款官员注意合规问题。由于许多监管指南都是公开的，这可能会为新的市场进入者提供一个有趣的契机。然而，真正的价值仍将归属于拥有工作流程引擎的公司。

这些步骤都将通向一个世界，在这个世界中，Sally 可以立即获得潜在的抵押贷款。

– Angela Strange、Alex Rampell 和 Marc Andrusko

未来采用生成式 AI 的合规部门可能会阻止全球每年8000 亿至2 万亿美元的非法洗钱。贩毒、有组织犯罪和其他非法活动都将在几十年内大幅减少。

目前，花费在合规上的数十亿美元仅能有效阻止洗钱犯罪活动的 3%。合规软件主要建立在“硬编码”规则之上。例如，反洗钱系统使合规官能够运行诸如“标记任何超过 1 万美元的交易”之类的规则，或扫描其他预定义的可疑活动。应用此类规则可能是一门不完善的科学，导致大多数金融机构充斥着法律要求他们进行调查的误报。合规员工花费大量时间从不同的系统和部门收集客户信息，以调查每个标记的交易。为了避免巨额罚款，他们雇用了数千人，通常占银行员工总数的 10% 以上。

一个具有生成式 AI 的未来可以实现：

高效的筛选： 生成式 AI 模型可以将不同系统中关于任何个人的关键信息汇总，迅速送到合规官员的指尖——让合规官员更快得出关于某项交易是否有问题的答案。

• 高效筛选：生成式 AI 模型可以将不同系统中关于任何个人的关键信息摘要，快速带到合规官的指尖——让合规官能够更快地检查交易是否存在问题。
• 更好地预测洗钱者：现在想象一个根据过去 10 年的可疑活动报告（SAR）训练的模型。无需具体告诉模型什么是洗钱者，人工智能可用于检测报告中的新模式，并创建自己的洗钱者定义。
• 更快的文件分析：合规部门负责确保遵守公司的内部政策和程序，并遵守监管要求。生成式 AI 可以分析大量文档，例如合同、报告和电子邮件，并标记需要进一步调查的潜在问题或关注领域。
• 培训和教育：生成式人工智能可用于开发培训材料和模拟真实场景，以教育合规官最佳实践以及如何识别潜在风险和不合规行为。

初创企业可以利用来自数十家机构的公开合规数据进行引导，并使搜索和综合更快、更容易获得。较大的现有企业受益于多年收集的数据，但他们需要设计适当的隐私功能。长期以来，合规性一直被认为是一个由过时技术支持的不断增长的成本中心。生成式 AI 将改变这种情况。

–Angela Strange 和 Joe Schmidt

Archegos（希腊语，领导者）和“伦敦鲸”听起来像是希腊神话中的生物，但两者都代表了非常真实的风险管理失败，这些失败使世界上几家最大的银行蒙受了数十亿美元的损失。以硅谷银行最近的例子为例，很明显风险管理仍然是我们许多领先金融机构面临的挑战。

虽然人工智能的进步无法完全消除信贷、市场、流动性和运营风险，但我们相信这项技术可以在帮助金融机构更快地识别、规划和应对这些不可避免的风险方面发挥重要作用。从战术上讲，我们认为人工智能可以在以下几个领域帮助推动更有效的风险管理：

• 自然语言处理：像 ChatGPT 这样的 LLM 模型可以帮助处理大量非结构化数据，例如新闻文章、市场报告和分析师研究，提供更完整的市场和交易对手风险视图。
• 实时洞察：对市场状况、地缘政治事件和其他风险因素的即时可见性，可以让公司更快地适应不断变化的环境。
• 预测分析：运行复杂得多的场景并提供早期预警的能力，可以帮助公司更主动地管理风险敞口。
• 集成：集成不同的系统并使用 AI 来合成信息，可以帮助提供更完整的风险敞口视图并简化风险管理流程。

-David Haber 和 Marc Andrusko

除了能够帮助回答金融问题外，法学硕士还可以帮助金融服务团队改进他们自己的内部流程，简化他们财务团队的日常工作流程。尽管财务的几乎所有其他方面都取得了进步，但现代财务团队的日常工作流程仍然由手动流程驱动，例如 Excel、电子邮件和需要人工输入的商业智能工具。

由于缺乏数据科学资源，基本任务尚未实现自动化，首席财务官及其直接下属因此在耗时的记录保存和报告任务上花费了太多时间，而他们本应专注于金字塔顶端的战略决定。

从广义上讲，生成式人工智能可以帮助这些团队从更多来源获取数据，并自动化突出趋势和生成预测和报告的过程。一些例子包括：

• 预测：生成式 AI 可以帮助在 Excel、SQL 和 BI 工具中编写可以自动分析的公式和查询。此外，此类工具可以帮助揭示模式，并根据更广泛的数据集和更复杂的场景（即宏观经济因素）提出预测输入建议，并建议如何更轻松地调整这些模型，为公司决策提供信息。
• 报告：无需花时间手动将数据和分析纳入外部和内部报告（例如董事会会议、投资者报告、每周仪表板），生成式人工智能可以帮助自动创建文本、图表、图形等，并根据不同的例子调整这种报告。
• 会计和税务：会计和税务团队都花时间查阅规则并了解如何应用它们。生成式 AI 可以帮助综合、总结和建议有关税法和潜在扣除的潜在答案。
• 采购和应付账款：生成式人工智能可以帮助自动生成和调整合同、采购订单和发票以及提醒。

也就是说，重要的是要注意生成式 AI 输出的当前局限性——特别是在需要判断或精确答案的领域，这是财务团队经常需要的。生成式 AI 模型在计算方面不断改进，但还不能完全依赖它们的准确性，或者至少需要人工审查。随着模型的快速改进、额外的训练数据和增强数学模块的能力，为它的使用开辟了新的可能性。

-Seema Amble

挑战

在这五个趋势中，初创企业和现有企业在使这种生成式 AI 的未来成为现实方面面临两个主要挑战。

用金融数据培训法学硕士：法学硕士目前在互联网上接受培训。金融服务用例将需要使用特定于用例的财务数据对这些模型进行微调。初创企业可能会开始使用上市公司财务、监管文件和其他易于获取的公共财务数据来源来改进他们的模型，然后最终使用他们自己收集的数据。现有参与者，如银行或拥有金融服务业务的大型平台（例如 Lyft），可以利用他们现有的和专有的数据，这可能会给他们带来初步的优势。然而，现有的金融服务公司在接受大型平台转移时往往过于保守。我们认为，这为不受阻碍的初创公司提供了竞争优势。

模型输出准确性：考虑到金融问题的答案可能对个人、公司和社会产生的影响，这些新的 AI 模型需要尽可能准确。他们不能凭空想出或编造错误但听起来自信的答案，来回答关于一个人的税收或财务健康的关键问题，而且他们需要比流行文化查询或普通高中论文的近似答案准确得多。首先，循环中通常会有一个人作为 AI 生成答案的最终验证。

生成式 AI 的出现对金融服务公司来说是一个巨大的平台变化，有可能带来个性化的客户解决方案、更具成本效益的运营、更好的合规性、改进的风险管理，以及更动态的预测和报告。现有企业和初创企业将为我们上文概述的两个关键挑战而战斗。虽然我们还不知道谁会成为胜利者，但我们知道已经有一个明显的赢家：未来金融服务的消费者。