AI在2025年收养金融服务和金融科技：作者约翰·亚当（John Adam）

几周前，我在伦敦参加了英国金融科技周的几场活动。我听了很多演讲者和面板，并与该行业的许多人进行了交谈，这些人是在成熟的金融服务公司，规模的公司，他们的产品旅行和其他生态系统参与者的早期。

到目前为止，金融服务中预测性AI的最常见用例是KYC（了解您的客户）和AML（反洗钱）合规性。

KYC和AML Flow包含许多基于规则的重复过程，这些过程需要执行时完美的精度。罕见的错误和疏忽导致2024年罚款近240亿美元。仅美国公司就被罚款超过30亿美元。

这些过程的自动化会大大减少错误和监督，并且需要将资源的一部分作为传统KYC和AML流程。

Visa在2024年4月宣布，通过分析客户行为模式，地理位置和交易速度，其AI驱动的欺诈检测系统在一年中有助于预防410亿美元的欺诈交易。


自动AML功能的另一个引人注目的示例是SEON的交易监视模型和筛选系统，用于将客户的手动欺诈评论降低37％，或者超过1/3。

同样，Revolut发布了一项AI驱动功能，以保护客户免受应用程序（授权推动付款）骗局的侵害，这些骗局通常是洗钱的先驱。该功能使用ML（机器学习）模型通过将正常的用户交易模式与不规则性进行比较，自动识别可疑用户行为，并简化否则非常乏味的任务，从而实时标记潜在的骗局。其他一些常见用例是

• 从10-K中提取数据。
• 自动化贷款申请处理和客户数据交叉引用。
• 确定客户关系以减少KYC评论的时间和整体成本。

金融服务公司可以将预测性AI应用于目前资源密集的其他低复杂性，高影响力的流程。也有机会为具有更冒险的功能和竞争优势的客户增加额外的价值。在一个由金融巨头主导的经常拥挤的部门中，尤其是作为新人，这并不容易，这需要创新文化。

预测性AI为金融科技创新者提供了见解，以更好地预测他们在花费金钱和时间建立时间之前，如何通过不同的受众群体来接收，采用或拒绝新功能。它也可以应用于批评构想过程和原型。

预测性AI在开发过程的特征构想中的大多数步骤中都是有用的。以此为例

• 验证想法 通过将历史用户行为模式投影到特征原型上。

例如，蒙佐（Monzo）使用ML模型来识别用户行为中的模式，例如登录活动，入职流相互作用以及客户使用某些功能（例如付款）。


构建新功能时，Monzo现在可以使用此数据来预测用户如何与所提出的功能进行交互。

该模型可以显示某个用户配置文件是否会使用或忽略该功能，如果它可以增加与核心或优先服务的参与度，则无法激发有意义的参与度上升，或者以某种意外的方式向用户提供价值。

• 评估合规性含义 在充分开发和推出的新产品或功能之前。

Upstart是一项总部位于美国的AI驱动的消费者贷款金融科技，使用预测的AI工具来运行前部署前模拟，以衡量其贷款平台是否符合ECOA（同等信用机会法），通过模拟人口统计组之类的变量来衡量任何人，如果任何人均不成比例降低。

为了使模型的发现透明，Upstart使用XAI（可解释的人工智能）模型解开其逻辑，并显示决策是否符合监管标准。

许多金融服务提供商，包括新贵，都使用代理模型来模拟潜在的偏见。但是，CFPB（消费者金融保护局）尚未为代理模型设定明确的法律规则，并且缺乏清晰度确实意味着使用代理模型确实需要一定程度的合规风险。

传统上，英国监管机构更多地专注于一般决策透明度，而没有任何特别关注人口统计学。结果，金融机构通常强调为FCA（金融行为当局）解释的结果。

• 预测流失 并优先考虑某些功能而不是其他功能。

在人类分析师能够连接点之前，接受了足够的用户数据培训的ML模型可以识别潜在的标记以脱离接触。例如，通常，当大卫收到薪水时，他当天检查了他的帐户，并将其薪水分配给在帐户之间。

但是在过去的四个月中，他等待了两到三天的行动。 ML模型可以跟踪哪些帐户对诸如David's之类的财务事件的反应延迟，并在流失之前采取措施重新接触他和其他人，并建立一项新功能以满足他们的需求或通过新的运动来定位他们。

采用预测AI的阻滞剂

预测性AI模型估计公司分配资源的结果，有助于优化研发。

但是，预测结果的质量依赖于AI模型所培训的数据的丰富性和质量。如果数据已过时或不完整，则预测将不太准确。

这是针对许多较老的金融机构的阿喀琉斯高跟鞋：以多种格式结合孤立的数据。

在这种情况下，有两种解决方案是数据集成技术，例如数据结构架构和AI驱动的文档理解，可用于弥合旧系统之间的差距，并使用最少的手动干预统一文档。

在数据可访问性方面，以数字方式建造的年轻金融服务提供商具有优势，但数据比较旧的，更既定的竞争对手也更少。如果更大，成熟的金融机构可以使用其深厚的历史数据袋，那么在开发AI模型和工具时，它们的性能质量与数据量相关。

现在，一些数字本地的新提供商正在变得足够大，以便被金融服务部门的大野兽认真对待，这是最明显的例子。

金融部门和预测性AI未来

数字化使金融部门的公司能够成倍增加运营，但大多数公司仍然受到“人为因素”限制（例如时区和工作时间）的限制。

这正在开始改变。年初，高盛（Goldman Sachs）为其员工介绍了内部AI助理，BBVA发布了面向客户的AI助理。 Revolut宣布将于今年晚些时候发布其AI驱动助理。

人工智能代理人和助手的自主性质将使公司提高生产力，并超越财务可行的人类劳动力所能实现的可能性。麦肯锡的市场研究估计，通过效率提高和新的商业机会的结合，AI采用将代表每年对全球银行业的价值1万亿美元。

随着金融服务公司构建和完善其AI采用流程和法规的定义，AI的用例将继续扩展超越KYC和AML合规性自动化，并在新功能概念验证，原型测试和搅动预测等领域中变得司空见惯。

鉴于诸如Visa之类的成功案例避免了价值41B美元的欺诈性交易，以及越来越多的AI助手和代理商优先考虑的公司，AI的采用和整合是更高的股份。

诸如Visa的胜利降低了数据的访问和质量，企业属于一个类别，而Young Fintech则是另一个类别 – 一个具有数十年的数据点在各种数据库和系统之间的价值，另一个具有更稀疏的数据，但统一访问。

有趣的是，发现哪个是AI采用的最有利的起点：数据和长期经验的深度储藏，或者是数字本地系统和敏捷团队。