未來金融服務的消費者將成為贏家。
來源：a16z
作者：Angela Strange、 Anish Acharya、 Sumeet Singh、 Alex Rampell、 Marc Andrusko、 Joe Schmidt、 David Haber 和Seema Amble
編譯：巴比特
人工智能（AI）和機器學習已在金融服務行業使用了十多年，實現了從更好的承保到提高基礎欺詐評分等一系列改進。而通過大型語言模型（LLM）生成的人工智能代表了一個巨大的飛躍，正在改變教育、遊戲、商業等領域。傳統的AI/ML 專注於根據現有數據進行預測或分類，而生成式AI會創造全新的內容。
這種在大量非結構化數據上訓練LLM 的能力，再加上本質上無限的計算能力，可能會產生金融服務市場幾十年來最大的變革。與其他平台的轉變（互聯網、移動、雲）不同，金融服務行業在採用方面滯後，我們期望在這裡看到最好的初創公司和現有企業現在就採用生成式AI。
金融服務公司擁有大量的歷史金融數據。如果他們使用這些數據來微調LLM（或從頭開始訓練他們，如BloombergGPT），他們將能夠快速回答幾乎所有的金融問題。
例如，根據一家公司的客戶聊天記錄和一些額外的產品規格數據訓練出來的LLM，應該能夠立即回答有關該公司產品的所有問題，而根據一家公司10 年的可疑活動報告（SARs）訓練出來的LLM，應該能夠識別一組表明存在洗錢計劃的交易。
我們認為，金融服務行業準備使用生成式人工智能來實現五個目標：個性化的消費者體驗、具有成本效益的運營、更好的合規性、改進的風險管理以及動態預測和報告。
在現有企業和初創企業之間的較量中，現有企業在使用AI 推出新產品和改善運營時將擁有初始優勢，因為他們可以獲得專有金融數據，但最終他們將因準確性和隱私方面的高門檻而受到阻礙。另一方面，初創企業最初可能不得不使用公共金融數據來訓練他們的模型，但他們將很快開始生成自己的數據，並成長為使用AI 作為新產品分銷的契機。
讓我們深入探討這五個目標，看看現有企業和初創企業如何利用生成式AI。
01
儘管消費者金融科技公司在過去10 年中取得了巨大成功，但它們尚未實現最雄心勃勃的承諾：在無人參與的情況下優化消費者的資產負債表和損益表。這一承諾仍未兌現，因為用戶界面無法完全捕捉影響財務決策的人類環境，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。
一個很好的例子說明了非顯而易見的人類背景很重要，即消費者在困難時期如何優先支付賬單。消費者在做出此類決定時往往會同時考慮效用和品牌，而這兩個因素的相互作用使得創建能夠充分捕捉如何優化此決定的體驗變得複雜。例如，如果沒有人類員工的參與，就很難提供一流的信用輔導。雖然像Credit Karma 這樣的體驗可以讓客戶參與80% 的過程，但剩下的20% 變成了一個恐怖谷，進一步嘗試捕捉背景往往過於狹窄或使用錯誤的精確度，從而破壞了消費者的信任。
現代財富管理和稅務籌劃也存在類似的缺陷。在財富管理中，人類顧問擊敗了金融科技解決方案，即使是那些狹隘地關注特定資產類別和策略的解決方案，因為人類在很大程度上受到特殊的希望、夢想和恐懼的影響。這就是為什麼人類顧問歷來能夠比大多數金融科技系統更好地為客戶量身定制建議。在稅收方面，即使在現代軟件的幫助下，美國人在稅收上花費了超過60 億小時，犯了1200 萬次錯誤，並且經常遺漏收入或放棄他們不知道的福利，例如可能扣除工作旅行花費。
LLMs 為這些問題提供了一個整潔的解決方案，從而更好地引導消費者的財務決策。這些系統可以回答問題（“為什麼我的投資組合的一部分是市政債券？”），評估權衡（“我應該如何考慮久期風險與收益率？”），並最終將人類背景因素納入決策制定（“你能建立一個足夠靈活的計劃，可以在未來某個時候幫助我年邁的父母提供經濟支持？”）。這些功能應該將消費者金融科技從一個高價值但范圍狹窄的用例集轉變為另一個應用程序可以幫助消費者優化其整個金融生活的用例集。
– Anish Acharya 和Sumeet Singh
02
在生成式AI 工具可以滲透到銀行的世界裡，Sally 應該得到持續的承保，以便在她決定買房的那一刻，她就有了預先批准的抵押貸款。
不幸的是，這個世界還不存在，主要原因有三：
- 首先，消費者信息存在於多個不同的數據庫中。這使得交叉銷售和預測消費者需求變得極具挑戰性。
- 其次，金融服務被高度認為是情感購買，通常具有復雜且難以自動化的決策樹。這意味著銀行必須僱用龐大的客戶服務團隊，根據客戶的具體情況，回答客戶關於哪種金融產品最適合他們的問題。
- 第三，金融服務受到高度監管。這意味著像信貸員和處理員這樣的員工必須了解每一種可用的產品（例如抵押貸款），以確保遵守複雜但非結構化的法律。
生成式AI 將使從多個位置提取數據、理解非結構化個性化情況和非結構化合規性法律等勞動密集型功能的效率，提高1000 倍。例如：
- 客戶服務代理：在每家銀行，數以千計的客戶服務代理必須進行艱苦的培訓，了解銀行的產品和相關的合規要求，以便能夠回答客戶的問題。現在想像一個新的客戶服務代表開始工作，他們有機會接觸到一個LLM，該LLM 在過去10 年裡對銀行所有部門的客戶服務電話接受過培訓。代表可以使用該模型快速生成任何問題的正確答案，幫助他們更智能地談論更廣泛的產品，同時減少培訓他們所需的時間。現有企業希望確保他們的專有數據和客戶特定的PII 不被用於改進其他公司可以使用的通用LLM。初創企業必須在如何引導數據集方面具有創造性。
- 信貸員：信貸員目前從近十幾個不同的系統中提取數據以生成貸款文件。生成式人工智能模型可以根據來自所有這些系統的數據進行訓練，這樣信貸員只需提供客戶姓名，貸款文件就會立即為他們生成。信貸員可能仍需要確保100% 的準確性，但他們的數據收集過程將更加高效和準確。
- 質量保證：銀行和金融科技公司的大部分質量保證都涉及確保完全遵守眾多監管機構。生成式人工智能可以顯著加快這一過程。例如，Vesta可以結合使用Fannie Mae 銷售指南訓練的生成式AI 模型，以立即提醒抵押貸款官員注意合規問題。由於許多監管指南都是公開的，這可能會為新的市場進入者提供一個有趣的契機。然而，真正的價值仍將歸屬於擁有工作流程引擎的公司。
這些步驟都將通向一個世界，在這個世界中，Sally 可以立即獲得潛在的抵押貸款。
– Angela Strange、Alex Rampell 和Marc Andrusko
03
未來採用生成式AI 的合規部門可能會阻止全球每年8000 億至2 萬億美元的非法洗錢。販毒、有組織犯罪和其他非法活動都將在幾十年內大幅減少。
目前，花費在合規上的數十億美元僅能有效阻止洗錢犯罪活動的3%。合規軟件主要建立在“硬編碼”規則之上。例如，反洗錢系統使合規官能夠運行諸如“標記任何超過1 萬美元的交易”之類的規則，或掃描其他預定義的可疑活動。應用此類規則可能是一門不完善的科學，導致大多數金融機構充斥著法律要求他們進行調查的誤報。合規員工花費大量時間從不同的系統和部門收集客戶信息，以調查每個標記的交易。為了避免巨額罰款，他們僱用了數千人，通常佔銀行員工總數的10% 以上。
一個具有生成式AI 的未來可以實現：
高效的篩選： 生成式AI 模型可以將不同系統中關於任何個人的關鍵信息匯總，迅速送到合規官員的指尖——讓合規官員更快得出關於某項交易是否有問題的答案。
- 高效篩選：生成式AI 模型可以將不同系統中關於任何個人的關鍵信息摘要，快速帶到合規官的指尖——讓合規官能夠更快地檢查交易是否存在問題。
- 更好地預測洗錢者：現在想像一個根據過去10 年的可疑活動報告（SAR）訓練的模型。無需具體告訴模型什麼是洗錢者，人工智能可用於檢測報告中的新模式，並創建自己的洗錢者定義。
- 更快的文件分析：合規部門負責確保遵守公司的內部政策和程序，並遵守監管要求。生成式AI 可以分析大量文檔，例如合同、報告和電子郵件，並標記需要進一步調查的潛在問題或關注領域。
- 培訓和教育：生成式人工智能可用於開發培訓材料和模擬真實場景，以教育合規官最佳實踐以及如何識別潛在風險和不合規行為。
初創企業可以利用來自數十家機構的公開合規數據進行引導，並使搜索和綜合更快、更容易獲得。較大的現有企業受益於多年收集的數據，但他們需要設計適當的隱私功能。長期以來，合規性一直被認為是一個由過時技術支持的不斷增長的成本中心。生成式AI 將改變這種情況。
–Angela Strange 和Joe Schmidt
04
Archegos（希臘語，領導者）和“倫敦鯨”聽起來像是希臘神話中的生物，但兩者都代表了非常真實的風險管理失敗，這些失敗使世界上幾家最大的銀行蒙受了數十億美元的損失。以矽谷銀行最近的例子為例，很明顯風險管理仍然是我們許多領先金融機構面臨的挑戰。
雖然人工智能的進步無法完全消除信貸、市場、流動性和運營風險，但我們相信這項技術可以在幫助金融機構更快地識別、規劃和應對這些不可避免的風險方面發揮重要作用。從戰術上講，我們認為人工智能可以在以下幾個領域幫助推動更有效的風險管理：
- 自然語言處理：像ChatGPT 這樣的LLM 模型可以幫助處理大量非結構化數據，例如新聞文章、市場報告和分析師研究，提供更完整的市場和交易對手風險視圖。
- 實時洞察：對市場狀況、地緣政治事件和其他風險因素的即時可見性，可以讓公司更快地適應不斷變化的環境。
- 預測分析：運行複雜得多的場景並提供早期預警的能力，可以幫助公司更主動地管理風險敞口。
- 集成：集成不同的系統並使用AI 來合成信息，可以幫助提供更完整的風險敞口視圖並簡化風險管理流程。
-David Haber 和Marc Andrusko
05
除了能夠幫助回答金融問題外，法學碩士還可以幫助金融服務團隊改進他們自己的內部流程，簡化他們財務團隊的日常工作流程。儘管財務的幾乎所有其他方面都取得了進步，但現代財務團隊的日常工作流程仍然由手動流程驅動，例如Excel、電子郵件和需要人工輸入的商業智能工具。
由於缺乏數據科學資源，基本任務尚未實現自動化，首席財務官及其直接下屬因此在耗時的記錄保存和報告任務上花費了太多時間，而他們本應專注於金字塔頂端的戰略決定。
從廣義上講，生成式人工智能可以幫助這些團隊從更多來源獲取數據，並自動化突出趨勢和生成預測和報告的過程。一些例子包括：
- 預測：生成式AI 可以幫助在Excel、SQL 和BI 工具中編寫可以自動分析的公式和查詢。此外，此類工具可以幫助揭示模式，並根據更廣泛的數據集和更複雜的場景（即宏觀經濟因素）提出預測輸入建議，並建議如何更輕鬆地調整這些模型，為公司決策提供信息。
- 報告：無需花時間手動將數據和分析納入外部和內部報告（例如董事會會議、投資者報告、每週儀表板），生成式人工智能可以幫助自動創建文本、圖表、圖形等，並根據不同的例子調整這種報告。
- 會計和稅務：會計和稅務團隊都花時間查閱規則並了解如何應用它們。生成式AI 可以幫助綜合、總結和建議有關稅法和潛在扣除的潛在答案。
- 採購和應付賬款：生成式人工智能可以幫助自動生成和調整合同、採購訂單和發票以及提醒。
也就是說，重要的是要注意生成式AI 輸出的當前局限性——特別是在需要判斷或精確答案的領域，這是財務團隊經常需要的。生成式AI 模型在計算方面不斷改進，但還不能完全依賴它們的準確性，或者至少需要人工審查。隨著模型的快速改進、額外的訓練數據和增強數學模塊的能力，為它的使用開闢了新的可能性。
-Seema Amble
挑戰
在這五個趨勢中，初創企業和現有企業在使這種生成式AI 的未來成為現實方面面臨兩個主要挑戰。
用金融數據培訓法學碩士：法學碩士目前在互聯網上接受培訓。金融服務用例將需要使用特定於用例的財務數據對這些模型進行微調。初創企業可能會開始使用上市公司財務、監管文件和其他易於獲取的公共財務數據來源來改進他們的模型，然後最終使用他們自己收集的數據。現有參與者，如銀行或擁有金融服務業務的大型平台（例如Lyft），可以利用他們現有的和專有的數據，這可能會給他們帶來初步的優勢。然而，現有的金融服務公司在接受大型平台轉移時往往過於保守。我們認為，這為不受阻礙的初創公司提供了競爭優勢。
模型輸出準確性：考慮到金融問題的答案可能對個人、公司和社會產生的影響，這些新的AI 模型需要盡可能準確。他們不能憑空想出或編造錯誤但聽起來自信的答案，來回答關於一個人的稅收或財務健康的關鍵問題，而且他們需要比流行文化查詢或普通高中論文的近似答案準確得多。首先，循環中通常會有一個人作為AI 生成答案的最終驗證。
生成式AI 的出現對金融服務公司來說是一個巨大的平台變化，有可能帶來個性化的客戶解決方案、更具成本效益的運營、更好的合規性、改進的風險管理，以及更動態的預測和報告。現有企業和初創企業將為我們上文概述的兩個關鍵挑戰而戰鬥。雖然我們還不知道誰會成為勝利者，但我們知道已經有一個明顯的贏家：未來金融服務的消費者。
展開全文打開碳鏈價值APP 查看更多精彩資訊
