银行向人工智能投入数十亿，但多数未见投资回报。本文将解析其中缘由

长期以来，银行的私人银行部门在服务超高净值人士以外的客户方面一直面临挑战。投资组合研究、客户建档和合规等任务耗时过长，导致这些服务只能提供给最富有的客户。

尽管高增长市场中的大众富裕家庭迅速扩张，这一限制依然存在。这反过来为保费银行服务创造了巨大机遇，但整个行业却未能把握住。

人工智能 (Artificial Intelligence) 辅助工具的出现，为解决这种供需失配问题提供了方案。然而，承诺与实际营收之间的差距，比大多数银行愿意承认的要大。本文将解析其中缘由。

成功案例与阻碍因素

部分银行正在其私人银行部门应用人工智能，并已实现营收增长。

例如，新加坡的DBS银行在2025年通过其人工智能项目获得了10亿新元（约合7.86亿美元）的经济价值。这一数字高于2024年的7.18亿新元（约合5.64亿美元），凸显了人工智能增强型财务建议的复合效应。

为了厘清人工智能在私人银行业务中哪些应用能转化为收入，哪些不能，一份由Dyna.Ai、GXS Partners和投资研究网络Smartkarma联合发布的报告，汇集了对东南亚、中东和拉丁美洲高管的访谈内容。

该报告指出，一家未具名的领先跨国银行发现，在与客户的实时交谈中（而非在会前简报中）提供由人工智能生成的投资组合见解，能带来更高的接受度和满意度。这种方法将客户关系经理的准备时间减少了95%，并为实现20%的销售额同比增长做出了贡献。

在财富管理领域，将人工智能用于实时客户互动和会前准备之间存在关键区别，因为该领域的收入取决于客户关系经理能否实时影响客户决策。然而，类似这样的成果仍属少数。

然而，这份报告的完整调查结果却发人深省。一个人工智能模型可以在三个月内上线，但客户关系经理可能需要九个月甚至更长时间才能建立足够的信任，并根据其建议采取行动。

最大的挑战在于企业高层（C-suite）没有亲自推动人工智能的应用。人工智能的部署必须得到高层领导的支持，才能真正产生影响。

我们的研究显示，除此之外，还存在三个关键的结构性障碍。

首先，大多数区域性银行的客户数据仍然分散在不同的产品、部门、地区和安全框架中。这造成了即使是最好的人工智能辅助工具也无法看透的盲点。

在各国标准不一的东南亚，这个问题尤为突出。因此，在一个市场验证成功的人工智能模型，在其他市场往往需要进行调整，这增加了成本并减缓了跨境推广的速度。

其次，客户关系经理倾向于避免提供他们无法向客户解释的人工智能生成建议，而客户通常也不信任这些建议。

当一个人工智能助手为同一家庭提供三个不同的“管理总资产”数据时，客户关系经理需要花费更多时间来解决数据不一致的问题，而不是服务客户。结果是，客户对人工智能工具和银行的信任度都急剧下降。

我们在报告中采访的一位全球银行业务主管分享说，尽管他们银行的人工智能模型在三个月内就已投入运行，但客户关系经理却花了九个月时间才建立起足够的信任并真正开始使用它。

根据我们的研究，当人工智能工具直接嵌入客户关系经理的工作流程并与收入仪表板挂钩时，它们比作为独立工具提供时更容易被采用。

最后，针对人工智能生成投资的治理要求可能会减缓银行的采用速度。当澳大利亚联邦银行（Commonwealth Bank of Australia）的人工智能反洗钱系统未能标记出6.24亿澳元（约合5.7亿美元）的可疑交易时，监管机构对该行处以7亿澳元的罚款，其首席执行官也因此辞职。

然而，治理不必成为人工智能应用的障碍。我们的研究表明，那些行动最迅速的银行从第一天起就将合规性视为产品内置的一部分，而不是在最后才附加的签批流程。

风险与危险

银行并非唯一使用人工智能提供财富咨询服务的公司。金融科技（Fintech）公司和数字挑战者也参与其中，但它们的表现揭示了整个行业需要克服的一个关键障碍。

数字银行可能受益于智能手机和应用程序的高渗透率，但许多客户在处理复杂产品时仍倾向于前往实体分行或求助于人工顾问。纯数字银行也难以将应用下载量转化为活跃的高价值使用量。

原因何在？关键在于信任。

例如，Echo Asia在2025年的一项研究显示，在香港，24.1%的受访者对数字银行持负面印象，而由于信任差距，只有31.7%的人将数字银行视为其主要银行服务提供商。此外，全球数据公司SAS Institute发现，只有11%的银行被认为拥有“值得信赖的人工智能”。

如果不解决这个问题，在如何使用人工智能生成的建议和工具方面存在的信任差距，可能会导致技术仅仅停留在纸面上令人印象深刻，而最终用户的实际采用率却非常有限。

对客户关系经理而言，另一个由人工智能驱动的风险是技能退化。

如果代理式人工智能系统等工具承担了更多以往由客户关系经理亲力亲为的分析工作，他们多年客户工作中积累的模式识别能力和判断力将面临逐渐丧失的真实风险。

McKinsey & Company的一项分析表明，代理式人工智能通过自动化手动活动，可以为财富顾问节省高达30%的时间。然而，节省下来的时间只有在被重新投入到深化客户关系中时才有价值，而不是用于培养对那些可能并非总是正确的系统的依赖。

真正有效的方法

我们的研究表明，在各个市场中，那些从人工智能中获得真实回报的银行都采取了类似的措施。

• 将人工智能嵌入实时客户互动。当人工智能在对话期间为客户关系经理提供支持时，能获得最大收益，因为它可以直接影响客户决策和产品接受度。将工具集成到客户管理系统和通话界面中对此有所帮助。
• 将人工智能与收入而非效率挂钩。根据转化率、交叉销售和钱包份额来追踪人工智能的表现。领先的银行更进一步，将人工智能的性能与收入仪表板相关联，在某些情况下，还将供应商合同与商业成果挂钩。
• 在洗牙前修复数据碎片化问题。没有统一的客户视图，人工智能生成的建议会缺乏准确性，也无法建立信任。这限制了其推动实际收入增长的能力。
• 将合规性融入工作流程。行动最快的机构将治理视为产品的一部分，而不是最终的检查点。这使他们能够在不拖慢一线团队的情况下部署人工智能。

DBS的成果是真实存在的，但这并非一个可以简单复制的模板。我们的研究在这一点上非常明确：成功的人工智能部署与另一个停滞不前的试点项目之间的区别在于操作层面。

这归结于数据基础、工作流程整合，以及治理的建立是为了提高效率还是阻碍发展。对于整个东南亚的银行而言，大众富裕阶层带来的机遇是巨大的，竞争压力也在不断加剧。

DBS的成果是真实存在的，但这并非一个可以简单复制的模板。我们的研究在这一点上非常明确：成功的人工智能部署与另一个停滞不前的试点项目之间的区别在于操作层面。

这归结于数据基础、工作流程整合，以及治理的建立是为了提高效率还是阻碍发展。对于整个东南亚的银行而言，大众富裕阶层带来的机遇是巨大的，竞争压力也在不断加剧。

要正确把握这个机会的窗口期正在缩小。TECH IN ASIA