AI 如何改變銀行、券商、資管 (上)
自ChatGPT在2022年底面世之後，金融機構對生成式AI的態度，從最初「玩玩 demo」的好奇，快速演變成「不佈局就可能失去競爭力」的焦慮。多份國際研究已經給出相當具體的經濟帳：麥肯錫估算，如銀行業全面落實相關應用，生成式AI每年可為全球銀行額外創造約2,000億至3,400億美元價值，主要來自銷售提升、營運成本下降及風險管理效率改善。
更關鍵的是滲透率。英國央行及金融行為監管局在2024年聯合調查顯示，已有約75%的英國金融機構正在使用AI，再有10%計劃於三年內採用；在現有AI用例中，約17%已涉及大型語言模型這類「基礎模型」，顯示生成式AI雖然仍屬新技術，卻已迅速從邊緣走向主流。顧問公司報告亦指出，短短一年多時間，幾乎「每一家銀行」都已經有某種類型的生成式AI策略，正在不同部門進行概念驗證或小規模部署。
在這個背景下，討論生成式AI對金融業的衝擊，已不再是「要不要用」的問題，而是「在哪裏用、怎樣管、用到多深」的問題。下面，分別從銀行、券商及資產管理三個維度，看看這場技術變革如何從研究到客服，全面重塑金融業的工作流程與競爭格局。
銀行從研究、信貸到客服的「AI 同事」
對銀行來說，生成式AI最明顯的切入點，是將過去高度人工密集的「文字與判讀工作」變成半自動化流程。首先是研究與內部分析工作。傳統上，一份完整的行業研究報告，往往需要分析師閱讀數十份財報、監管文件及新聞，再花幾天時間撰寫初稿。現在，生成式AI可以在數分鐘內完成財報與公告的初步摘要、列出關鍵變化，甚至按模板生成「骨架式」初稿，讓分析師把精力集中在關鍵假設、估值框架及與管理層溝通上。英國及瑞士等地的銀行評估結果顯示，這類內部知識工作有望帶來顯著的效率提升與成本節約。
在信貸業務方面，生成式AI的應用同樣迅速擴展。它可以自動閱讀和結構化貸款申請文件、財務報表、合約條款，協助信貸人員完成「財務拆帳」（spreading）、營運風險備忘錄及合約審閱草稿，然後由人類專業人士作最後判斷。一份來自印度央行的報告估計，生成式AI若廣泛應用於客戶服務、欺詐偵測及合規等環節，銀行整體營運效率有機會提升接近46%麥肯錫亦指出，在信貸鏈條上，從客戶開發、風險建模到貸後監測，生成式AI都可以成為「決策助手」，而不是簡單的自動批核機器。
最「貼地」的衝擊，則在零售銀行客服。AI聊天機械人過去已能處理簡單查詢，但生成式AI的差異在於，系統能以較自然的語言理解客戶問題、讀懂合約及產品說明，並生成較完整的回覆草稿，再交由人工或半自動系統審核。匯豐最近與法國初創Mistral AI達成多年合作，計劃將其大型語言模型部署於內部，協助員工進行財務分析、多語言翻譯、風險評估及個人化客戶溝通，目標是大幅減少員工在重覆文書上的時間消耗。
不過，過度倚賴AI也有風險。澳洲某大行曾嘗試以AI語音機械人取代呼叫中心部分人手，提前裁員，結果AI表現大幅不如預期，客訴激增，最後不得不承認判斷失誤並復職員工，成為典型「教科書反面案例」。監管層亦迅速補課。香港金融管理局在2024年就發出涉及生成式AI的消費者保護通函，要求銀行在對客應用中提供「真人介入」選項、持續監測AI回覆質素，並防止對弱勢客群造成誤導。
換句話說，未來銀行的典型場景，大概是「人＋AI」的共事模式：AI替你讀文件、起草、分類、預警，人則負責設定規則、判斷灰色地帶與對客戶負責。真正的轉型成敗，關鍵不在於部署了多少模型，而是能否將AI嵌入流程，並配合適當的風險治理與文化調整。
