撰文： Angela Strange、Seema Amble等，a16z

編譯：InvestmentAI

在科技飛速發展的今天，AI（人工智能）和ML（機器學習）已經在金融服務行業裡馳騁了十多年，其中涵蓋了從更好的風險控制到基礎反欺詐評分的各種提升。而如今，基於大型語言模型（Large Language Models，簡稱LLMs）的生成性AI代表著一次歷史性的跨越，它正在改變教育、遊戲、商業等諸多領域。與傳統的AI/ML主要基於現有數據進行預測或分類不同，生成性AI則能夠創造全新的內容。

想象一下，我們可以將大量的非結構化數據進行訓練，加上幾乎無限的計算能力，這可能會帶來金融服務市場幾十年來的最大變革。不像在其他平臺轉變—比如互聯網、移動端、雲計算—金融服務行業在應用上總是落後一步，而在這裡，我們期待看到最優秀的新公司和現有公司都能現在就擁抱生成性AI。

金融服務公司擁有大量的歷史金融數據，如果他們利用這些數據來微調LLMs（或者像BloombergGPT那樣從頭開始訓練），他們將能夠快速地對幾乎任何金融問題給出答案。比如說，一個在公司的客戶聊天和一些額外的產品規格數據上進行訓練的LLM，應該能夠瞬間回答所有關於該公司產品的問題，而一個在公司十年的可疑活動報告（SARs）上進行訓練的LLM，應該能夠識別出一系列可能標誌著洗錢陰謀的交易。我們相信，金融服務行業正準備利用生成性AI來實現五個目標：個性化的消費者體驗、高效的運營、更好的合規、改善的風險管理，以及動態的預測和報告。

在現有公司和初創公司之間的競爭中，當使用AI來推出新產品和改進運營時，現有公司因為可以接觸到專有金融數據，所以在初期會有優勢，但他們最終會因為對準確性和隱私的高標準而受到阻礙。另一方面，新進入者可能最初需要使用公開金融數據來訓練他們的模型，但他們會很快開始產生自己的數據，並以此作為新產品分發的破冰工具。

那麼讓我們深入到這五個目標，看看現有公司和初創公司是如何利用生成性AI的。

個性化的消費者體驗

儘管消費者金融科技公司在過去十年裡取得了巨大的成功，但是他們還沒有兌現他們最雄心勃勃的承諾：在沒有人工參與的情況下，優化消費者的資產負債表和收入表。這個承諾尚未兌現，是因為用戶界面無法充分捕捉到影響金融決策的人類情境，也無法以幫助人們做出適當權衡的方式提供建議和交叉銷售。

其中一個非顯而易見的人類情境的重要例子是消費者在困難時期如何優先支付賬單。消費者在做這種決定時，通常會考慮效用和品牌兩個因素，這兩個因素的交織使得創建一個能充分捕捉如何優化這個決定的體驗變得複雜。這使得在沒有人工僱員參與的情況下提供最優秀的信用教育變得困難。雖然像Credit Karma這樣的體驗可以帶領客戶走完80%的旅程，但剩下的20%就像是一片神奇的深淵，進一步嘗試捕捉情境往往會過於狹窄或使用虛假的精確度，從而破壞消費者的信任。

現代財富管理和稅收準備中也存在類似的不足。在財富管理方面，人類顧問戰勝了金融科技解決方案，即使那些狹窄地專注於特定資產類別和策略的解決方案，也是如此，因為人們深受獨特的希望、夢想和恐懼的影響。這就是為什麼人類顧問歷來比大多數金融科技系統更能為他們的客戶量身定製建議。在稅收方面，即使有了現代軟件的幫助，美國人每年仍然需要花費超過60億小時來處理他們的稅收，犯下1200萬個錯誤，而且經常遺漏收入或放棄他們不知道的福利，比如可能扣除工作旅行費用。

大型語言模型（LLMs）為這些問題提供了一個整潔的解決方案，通過更好地理解和導航消費者的金融決策。這些系統可以回答問題（“為什麼我的投資組合中有部分在市政債券？”）、評估權衡（“我應該如何看待期限風險與收益？”）、並最終將人類情境納入決策制定中（“你能不能制定一個足夠靈活的計劃，在未來某個時間點幫助我經濟上支持我年邁的父母？”）。這些能力應該會把消費者金融科技從一個高價值但狹窄的用例集轉變為另一個能幫助消費者優化整個金融生活的應用。

高效的運營

在一個生成性AI工具可以滲透到銀行的世界裡，Sally應該被持續地進行信用評估，這樣她一旦決定購買房子，她就有了一個預先批准的抵押貸款。

然而，這個世界尚未實現，主要有三個原因：

• 首先，消費者信息分散在不同的數據庫中。這使得跨銷售和預測消費者需求變得極為具有挑戰性。

• 其次，金融服務是高度考慮情感的購買，往往有複雜且難以自動化的決策樹。這意味著銀行必須僱傭大量的客戶服務團隊來回答他們的客戶對基於他們個人情況的最適合他們的金融產品的許多問題。

• 最後，金融服務受到嚴格的監管。這意味著像貸款官員和處理員這樣的人工員工必須在每一個可用的產品（如抵押貸款）的循環中，以確保符合複雜而非結構化的法律。

生成性AI將使得從多個地方提取數據以及理解非結構化的個人化情境和非結構化的合規法規等勞動密集型功能的效率提高1000倍。舉例來說：

• 客戶服務代表：在每家銀行，成千上萬的客戶服務代表必須詳細瞭解銀行的產品和相關合規要求，以便能夠回答客戶問題。現在想象一下，一位新的客戶服務代表開始工作，他們可以使用一個在過去10年銀行客戶服務電話中接受過訓練的大型語言模型(LLM)。這位代表可以使用該模型快速生成任何問題的正確答案，幫助他們更深入地談論更廣泛的產品，同時減少他們的培訓時間。現有的公司會想要確保他們的專有數據和特定客戶的個人信息並未被用於提升其他公司可以使用的通用LLM。新進入者將需要在如何搭建數據集方面富有創意。

• 貸款人員：現有的貸款人員通常需要從近十幾個不同的系統中拉取數據來生成一份貸款文件。一個生成性AI模型可以在所有這些系統的數據上接受訓練，這樣一位貸款人員只需提供一個客戶姓名，貸款文件就會立即為他們生成。貸款人員可能仍然需要確保100%的準確性，但他們的數據收集過程將變得更加高效和準確。

• 質量保證：銀行和金融科技公司的大部分質量保證工作都涉及確保完全符合眾多監管機構的規定。生成性AI可以大大加快這個過程。例如，Vesta公司可以採用一個接受了Fannie Mae銷售指南訓練的生成性AI模型，來立即提醒抵押貸款人員合規問題。由於許多監管指南都是公開可用的，這可能為新進入市場的公司提供一個有趣的入口。然而，真正的價值仍然會流向那些擁有工作流引擎的公司。

所有這些都是通向Sally可以即時獲得潛在抵押貸款的世界的步驟。

更好的合規性

未來，如果合規部門能夠接納並使用生成式AI技術，全球每年非法洗錢的8000億至2萬億美元或許能被有效阻止。販毒、有組織犯罪和其他各類非法活動都可能會因此而出現近幾十年來最大的降幅。

現在，我們每年花費數百億美元在合規上，但實際上阻止了的犯罪洗錢活動卻僅佔3%。大多數合規軟件都基於“硬編碼”規則來構建。例如，反洗錢系統允許合規官員執行像“標記任何超過1萬美元的交易”或者查找其他預設的可疑活動的規則。但應用這些規則往往效果並不理想，因為很多金融機構被法律要求對大量的假陽性情況進行調查，而這些情況往往紛繁複雜，難以處理。為了避免重罰，合規部門僱傭了成千上萬的員工，通常這些員工的數量佔據了銀行全員的10%以上。

而一旦我們能利用到生成性AI，未來的情景將會有所改變：

• 更高效的篩選：生成性AI模型能夠迅速地將任何個人在各個系統中的關鍵信息彙總，呈現在合規官員眼前，使他們能更快地對交易進行風險評估。

• 更好地預測洗錢者：想象一下，一個經過過去10年的可疑活動報告（SARs）訓練的模型，無需明確指示，AI就能從報告中發現新的模式，並自行定義什麼樣的行為模式可能屬於洗錢。

• 更快的文檔分析：合規部門負責保證公司的內部政策和程序的遵守，同時也要符合監管要求。生成性AI能夠分析大量的文件，比如合同、報告、郵件等，然後標出可能的問題或者需要深入研究的領域。

• 培訓和教育：生成性AI也可以用來開發培訓材料，模擬真實世界的場景，從而教導合規官員如何進行最佳實踐，以及如何識別潛在的風險和不合規行為。

新入行的公司可以利用數十個機構公開的合規數據，使搜索和整合變得更加迅速和便捷。而對於那些有著多年數據積累的大公司，他們需要設計適當的隱私功能。

改善的風險管理

雖然Archegos和倫敦鯨魚聽起來像是來自希臘神話的生物，但它們實際上代表了風險管理的嚴重失敗，使得世界上最大的幾家銀行損失了數十億美元。再加上最近的硅谷銀行的例子，我們可以明顯地看到，風險管理仍然是許多領先金融機構的一大挑戰。

雖然人工智能的進步不能完全消除信用、市場、流動性和運營風險，但我們認為這項技術可以在幫助金融機構更快地識別、計劃和應對這些不可避免的風險方面發揮重要作用。具體來說，以下是我們認為AI可以幫助更高效風險管理的一些領域：

• 自然語言處理：像ChatGPT這樣的LLM模型可以幫助處理大量的非結構化數據，如新聞文章、市場報告和分析師研究，從而提供更完整的市場和交易對手風險視角。

• 實時洞察：對市場條件、地緣政治事件和其他風險因素的即時瞭解可以讓公司更快地適應變化的情況。

• 預測性分析：運行更為複雜的場景並提供早期警告的能力可以幫助公司更主動地管理風險。

• 整合：將獨立的系統整合起來，並使用AI來整合信息，可以幫助提供更完整的風險暴露視角並簡化風險管理流程。

動態的預測和報告

LLM除了能助力解答財務難題，也可助力金融服務團隊改善他們的內部運營流程，簡化財務團隊日常工作的步驟。即便財務領域的其他各方面都有了長足的進步，但現代財務團隊的日常工作流程仍在依賴於Excel、電子郵件以及需要人工操作的商業智能工具。基本任務的自動化受阻於數據科學資源的短缺，而CFO及其團隊過於投入在繁瑣的記錄保持和報告任務上，而非聚焦於更為重要的頂層戰略決策。

一般來說，生成型AI能幫助這些團隊從更多來源獲取數據，並自動化強調趨勢、生成預測和報告的過程。以下是一些具體應用實例：

• 預測：生成型AI能幫助在Excel、SQL和BI工具中撰寫公式和查詢，以實現分析自動化。此外，這些工具能幫助揭示模式，從更大範圍、更復雜情景的數據集（如宏觀經濟因素）中提煉預測因素，建議如何更易於調整這些模型，為公司決策提供參考。

• 報告：無需手動從各類數據中提取信息進行報告（比如董事會彙報、投資者報告、每週數據面板），生成型AI能幫助自動創建文本、圖表、圖形等，根據不同的示例靈活調整報告內容。

• 會計與稅務：會計和稅務團隊需要投入大量時間去參考規定，理解如何將規定應用到實際情況中。生成型AI可以幫助綜合、概括和建議稅法和潛在減稅的可能答案。

• 採購與應付款：生成型AI可以幫助自動生成和調整合同、採購訂單和發票，以及提醒等。

然而，我們需要明確，當前的生成型AI在需要判斷或精確答案的領域（這對於財務團隊通常是必須的）中還有其侷限性。生成型AI模型在計算能力上不斷進步，但目前我們還不能完全依賴其準確性，或者說至少需要人工複核。隨著模型的迅速改進，更多的訓練數據和結合數學模塊的能力，新的使用可能性也隨之呈現。

挑戰

在這五大趨勢之中，新入行者和現有市場參與者面臨兩個主要挑戰，以實現這個基於生成性AI的未來圖景。

• 訓練大型語言模型（LLM）以處理財務數據：現在的LLM主要是通過網絡數據進行訓練的。為了滿足金融服務的特定需求，需要用財務數據來對這些模型進行精細調校。新入行的公司可能會從公開的企業財務數據、監管文件，以及其他易於獲取的公開財務數據開始，進一步對他們的模型進行優化，然後隨著時間的推移，逐步使用他們自己收集到的數據。像銀行這樣的現有參與者，或者擁有金融服務業務的大型平臺（例如Lyft），他們可以利用自己已有的、專有的數據，這可能會給他們帶來一定的初步優勢。然而，現有的金融服務公司在接受大型平臺變革時，往往過於保守。這就為那些無拘無束的新進入者提供了競爭優勢。

• 模型輸出的準確性：鑑於金融問題的答案可能對個人、公司甚至整個社會產生影響，這些新的AI模型必須儘可能地準確。它們不能虛構出錯誤的答案，或者給出聽上去自信但卻是錯誤的答案，對於涉及到人們的稅務或財務健康的關鍵問題，它們需要比流行文化查詢或者普通的高中論文給出的答案更準確。最開始，往往需要有一個人在循環中，作為AI生成答案的最終驗證。

生成性AI的興起對於金融服務公司來說，無疑是一次重大的平臺變革，它有可能為客戶提供更個性化的解決方案，使公司運營更加成本效益，提高合規性，改進風險管理，同時也能帶來更加靈活的預測和報告。在我們剛剛列出的這兩個關鍵挑戰上，現有的公司和初創公司將進行競爭。雖然我們還不清楚誰將最終勝出，但我們已經知道，有一個明確的贏家已經出現：那就是未來金融服務的消費者。