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

图片来源：由无界 AI 工具生成

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。

01 引导消费者财务决策

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

02 提高运营的成本效益

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。