要推动银行业的人工智能采用，您需要了解员工的技能

伯纳多·努内斯是Workera专注于人工智能转型的数据科学家。

发现顶级金融科技新闻和事件！

订阅《金融科技周刊》的新闻简报

由摩根大通、Coinbase、黑石、Klarna等高管阅读

人工智能不再仅仅是一个实验。根据麦肯锡最新的全球AI调查，78%的组织现在在至少一个业务职能中使用AI。

银行业正在快速追赶。最近一项EY-Parthenon的调查发现，77%的银行已经推出或试点生成式AI应用，比2023年的约61%有所增加。然而，只有31%的银行已实现全面部署。

与此同时，尽管银行业普遍投资于AI，但只有少数将这些能力融入其战略规划中。一项BCG调查显示，只有25%的银行如此——其余75%的银行仍停留在孤立的试点和概念验证阶段，面临随着数字优先竞争者的推进而变得无关紧要的风险。

银行业以严格的监管和审慎的策略著称。这段历史带来了AI的风险与机遇。虽然其他行业已先行一步，但现在行动的银行仍有机会获得先发优势。成功实施AI需要基础设施、模型、数据管道和合规策略。然而，将AI的潜力转化为商业价值的最关键因素在于人力资本。

赢得的金融机构将是那些能够让员工不仅临时使用AI工具，而是将其作为日常工作流程一部分的机构。这意味着培养真正经过验证的技能，使员工能够理解、利用并引领AI创新。

为什么员工是AI创新的驱动力

AI有潜力在生产力、客户体验和风险管理方面带来巨大提升。但归根结底，AI只是一个工具——它需要人类的创造力和专业知识才能创造真正的商业价值。技术本身不能推动创新；人类才是关键。在银行业，信任、监管和判断至关重要，这使得人机互动变得尤为重要。

如今，每位员工都必须在不同程度上成为AI赋能的员工。有些人将是深度技术人员——数据科学家、工程师和模型构建者，负责设计和维护支撑AI运营的系统。另一些人，如出纳、核保员或客户服务代表，可能永远不会触碰代码，但仍可以使用AI驱动的工具来简化工作流程、做出更好的决策。在这些极端之间，是“AI+X”员工。这些人拥有信用风险、合规或欺诈检测等领域的深厚专业知识，并具备足够的AI素养，以利用技术增强其专业能力。

AI+X员工将是推动真正创新的人。他们可以帮助弥合业务需求与技术可能性之间的差距，将复杂的银行挑战转化为AI实现的具体成果。例如，具有AI流利度的合规官可以与数据团队合作，设计更公平、更透明的KYC和AML模型。使用生成式AI进行原型设计的产品经理可以重新构想客户互动，提供个性化的财务建议或改善入职流程。在所有这些案例中，AI都在放大人类的洞察力，而不是取代它。

在监管严格、风险规避的银行业，这个人类层面至关重要。技术可能识别异常或提出建议，但由人类来解释、情境化，并确保决策符合伦理、法律和声誉标准。这也是为什么在AI采用方面领先的银行不仅投资于系统和模型，还投资于员工的技能和理解。

用验证技能推动发展

打造AI赋能的员工队伍，首先要了解现有技能和差距。要成功扩展AI，银行不仅需要热情和培训预算，更需要一套经过验证、可衡量的技能数据基础。没有清晰的员工能力视图，领导者无法做出明智的人员发展或最有效部署AI的决策。

自我评估并不可靠。员工往往高估或低估自己的能力，导致培训效率低下。通过客观评估验证的技能，可以帮助组织准确绘制当前的优势和不足。凭借这些信息，银行可以设计针对特定流程和目标的学习路径，无论是为一线团队提供入门级AI素养，还是为数据专业人员提供深度技术知识，或为合规官提供治理方面的专业培训。

一旦员工了解自己的水平，就可以进行有针对性的技能提升，并在周期性评估中验证技能，以衡量进展并对人才投入负责。这种学习与验证的循环，营造出持续改进的文化，确保技能随着行业发展保持最新。这在AI领域尤为重要，因为技能的半衰期比以往任何时候都短。今天被视为前沿的技术，可能在一年内就会过时，快速学习能力比任何具体技术能力都更有价值。

对于银行来说，这意味着要优先考虑技能增长速度——员工获取和应用新技能的速度。培养这种适应能力的机构，将在应对新法规、客户期望和技术变革时保持竞争优势。验证技能还能加强治理，确保员工不仅懂得如何使用AI，还能负责任地使用它，关注公平性、透明度和风险。

最终目标是实现对齐。当技能情报指导学习策略——而学习策略支持业务优先级——银行就能自信地加速AI转型。验证的技能数据让领导者知道投资方向、如何调动人才，以及何时安全地扩大创新。

打造胜利的员工队伍

这是银行业的关键时刻。建立创新基础的机构将领先一步，而犹豫不决的机构则有被甩在后面的风险。前进的道路很明确：那些在员工中建立广泛AI能力——尤其是融合技术与专业知识的验证技能——的银行，将处于最有利的位置。

当每位员工都能使用AI——无论是作为创造者、强力用户还是领域专家——整个银行都将变得更加敏捷、具有韧性，并能推动战略价值，而不仅仅是实现效率提升。现在是从试验阶段转向赋能的时刻。在AI领域，领导者与落后者的区别不在于你构建的模型或投入的研发，而在于你培养的技能。