專家傳真－銀行生成式AI能否規模化 取決七大要素

麥肯錫研究估計，銀行業可望藉由生成式 AI在全球創造2,000億至3,400億美元的潛在價值。圖／美聯社

根據麥肯錫全球研究院（McKinsey Global Institute）的估計，銀行業可望藉由生成式人工智慧（Gen Al）在全球創造高達2,000億至3,400億美元的潛在價值（相當於全球銀行業營業利潤的9％～15％）。越來越多銀行着手開發Gen AI的相關應用，試圖實現Gen AI帶來的效益，但要規模化發展並實現商業價值則相對困難，麥肯錫從早期參與全球Gen AI發展取得的專家觀點以及總結髮現，Gen AI的規模化發展取決於以下七個維度的重要能力。

一、策略藍圖

管理團隊需要從策略角度出發，思考Gen AI及數據分析在業務中如何發揮作用。以Gen AI規模化發展爲目標的有效策略藍圖，還包括高階領導層和業務部門的共同願景，明確列出在未來有機會建構Gen AI的優先領域和使用案例，每個用例都必須基於價值潛力和可行性規劃出清晰的業務案例。

二、所需人才

在Gen AI出現之前，提示工程和模型微調不一定是銀行高層關注的人才技能。在Gen AI迅速崛起的同時，也催生不同的人才佈局思考，銀行高層必須爭取時間去準備並適應人員需求的變化，包含提升員工技能或吸引招募所需要的人才以保持未來競爭力。

三、運作模式

居領先地位的銀行業者爲了配合發展新的能力，已經開始採取更靈活、可擴展的運作模式。例如，組建跨部門／職能團隊讓交付過程更加透明及順暢，產品團隊更靠近業務前線，確保開發出來的用例能滿足實際的業務結果。Gen AI組織與業務團隊的早期協作至關重要，同時務必確保與整體數位策略的一致性。

四、IT能力

規劃一個能夠支持Gen AI架構的IT整合藍圖規劃至關重要，大多數銀行可能會部署多種Gen AI模型，每個模型都需要與現有系統、工作流程、企業應用和數據來源整合。推動Gen AI的早期案例時，銀行應仔細比較內部開發解決方案、使用外部市場現有產品及尋找生態夥伴的相對優勢，進而權衡「內部開發vs購買vs戰略合作」方案的優劣。

五、數據能力

儘管大多數銀行在使用結構化數據方面已經具有強大的能力，但在有效利用非結構化數據方面仍面臨挑戰。例如，將部分數據移轉到雲端或協力廠商的平臺，可能會產生資訊安全顧慮與使用限制。數據品質在Gen AI的背景下變得更加關鍵，非結構化數據性質和數據量級的大小讓數據品質問題更形複雜，領先銀行已經開始引進自動化手段，在數據生命週期的不同節點進行優化與管理，持續提升數據品質。

六、風險控制

Gen AI提高了生產力，也帶來了新的風險。就金融機構而言，Gen AI的風險管理仍處於早期階段，如爲了減少Gen AI的偏誤風險—即模型產生不合邏輯或不基於實際資料的答案輸出情況，目前的解決方法可能較爲耗時耗力，阻礙了大規模運行。爲了提升效率，銀行正在開發自動化的驗證方法和操作手冊來解決這個問題。例如，調整大型語言模型參數的設置，控制輸出的隨機性，或者設置處理後的第一道防線，如自動內容審覈來標記產出內容的風險點等，都是有助於控制偏誤的手段。

七、變革管理

成功擴大Gen AI的規模還需要全面的變革管理計劃，在今天快速演變的環境中，成功部署Gen AI解決方案需要轉變觀點，即從最終使用者體驗開始，接着一步步向後推演相關工作。其中包括對流程的重新思考，使工作步驟能夠以使用者爲中心，並且透過學習從人類反饋中進化，確保由人類希望的方向引領Gen AI的發展。

綜上所述，Gen AI確實有潛力爲銀行和金融機構創造顯著的價值，提高生產力，我們幾乎每週都能看到新的例子出現。但擴大Gen AI的應用規模始終是一項艱鉅的任務，只有透過擬定完善計劃，並克服相關的障礙與困難，銀行才能長期利用Gen AI的巨大潛力。