金融科技发展迅速。新闻无处不在，但清晰却难觅。
FinTech Weekly将关键故事与事件汇聚于一处。
点击此处订阅FinTech Weekly的新闻简报
由摩根大通、Coinbase、BlackRock、Klarna等公司的高管阅读。
多年来，围绕金融领域人工智能的讨论一直令人沮丧地模糊不清。尽管高管们谈论着颠覆，咨询公司不断推出充满承诺的幻灯片，但大多数金融团队仍在以老方式行事。然而，在过去18个月左右的时间里，情况发生了变化。工具得到了改进，用例变得更清晰，先前持怀疑态度的部门开始在那些真正重要的领域看到了切实成果。
并非所有人都以相同方式或在相同时间受到这种变化的影响。金融的某些领域比其他领域更快采用人工智能，而其中的原因值得关注。财务规划与分析（FP&A）团队是最早行动的群体之一，很大程度上是因为痛点太过明显。大家都知道，花两周时间从彼此割裂的系统里抽取数据，仅仅为了构建一份季度预测，是不可持续的。当出现能够自动化数据采集、并在数小时内而非数天内揭示趋势的平台时，采用率便迅速提升。
这一波浪潮得以持续的关键在于，它解决了那些人们早已厌倦处理的棘手问题。金融领域的人工智能早已超越实验阶段。团队正在用它更快地完成结账、生成滚动预测而不把分析师用到精疲力尽，以及运行那些原本需要花上数周手工组装的情景模型。价值不再是抽象概念。它体现在更短的报送周期，以及董事会会议前更少的熬夜。
鉴于工作流程手动且重复的程度，预测与预算编制自然是最先下手的领域。但当团队看到了可能性之后，这项技术开始向相邻职能扩散。方差分析就是一个很好的例子。为了弄清为何实际结果与计划不一致，分析师通常需要花上数小时逐项排查。人工智能工具可以在几分钟内标记这些差异，更重要的是，指向根本原因。
另一个正在获得关注的领域是收入确认。过去，对于处理复杂合同结构或多要素安排的企业来说，电子表格和丰富的机构性知识曾是常态。该流程的部分环节可以实现自动化，以降低风险并释放时间，让真正需要人类智慧的决策获得更多专注。凡是财务团队在重复性、基于规则的工作上花费过多时间的地方，人工智能都在介入并更快完成。
如果说FP&A是切入点，那么风险管理可能正是人工智能能够带来最持久影响的领域。监管合规、欺诈检测和信用风险建模都需要复杂的模式识别以及大型数据集。而这恰恰是机器学习在人工分析之外表现更优的条件。
保险公司和银行最先意识到这一点。但更“新”的变化，是中端市场（mid-market）企业开始采用，而这些企业从未拥有专门的风险分析团队。基于云端的平台使得一家只有几百名员工的公司能够开展过去需要一整支量化（quants）团队才能完成的风险评估。这些工具能够自行进行监控，在异常发生时及时捕捉，并自动整理出可供审计的报告。对日常的财务流程管理而言，这确实是一个实实在在的提升。
目前，合规可能是整个转变中最具吸引力的部分。监管环境不断变化，在不同司法辖区之间规则频繁切换的情况下，仅仅保持合规本身就是一项工作量巨大的任务。尽管人工智能无法取代合规官，但它可以扫描监管更新，将其与现行政策进行对照，并在其演变成问题之前识别出任何漏洞。过去，只有规模最大的机构才负担得起这种主动监控。
并非所有金融部门都以相同的节奏运转，而导致犹豫的两个主要原因通常是人才与信任。信任来自于：金融从业者需要理解一个模型是如何得出结论的，只有这样，他们才会愿意把自己的声誉押注在输出结果上。人才则来自于：要把这些工具用好，需要既懂技术又了解财务业务语境的人，而这种组合依然十分稀缺。
另一个没被给予足够关注的瓶颈是数据质量。由于人工智能的效果取决于喂给它的数据，许多企业仍在混乱、割裂的系统上运行；而在不同部门里，同一个指标可能会有三种不同的定义。尽管把这些问题清理干净并不是一项“体面”的工作，但这对从任何人工智能落地中获得最大收益来说都是必要的。
已经迈出这一步的财务团队正在扩展用例，而不是收缩回去。FP&A领域的早期成功建立了足够的内部可信度，从而推动进一步进入风险、合规和资金（treasury）运营等环节。高校也开始把数据素养融入金融课程，这应当有助于在未来逐步缩小人才差距。与此同时，供应商也在持续推出更专业的工具。
对于尚未开始行动的团队来说，每个季度难度都在加大。启用人工智能的财务部门与传统部门之间的竞争差距正在拉大，而在更晚的时候去弥合这种差距，成本总是高于现在就跟上步伐。技术并不完美，也不该假装它完美。但等待“完美”本身就是一种风险，而这种风险并不是所有组织都承担得起。
479.95万 热度
105.96万 热度
21.58万 热度
1.52亿 热度
140.89万 热度
当下AI在金融领域真正发挥作用的地方
金融科技发展迅速。新闻无处不在，但清晰却难觅。
FinTech Weekly将关键故事与事件汇聚于一处。
点击此处订阅FinTech Weekly的新闻简报
由摩根大通、Coinbase、BlackRock、Klarna等公司的高管阅读。
多年来，围绕金融领域人工智能的讨论一直令人沮丧地模糊不清。尽管高管们谈论着颠覆，咨询公司不断推出充满承诺的幻灯片，但大多数金融团队仍在以老方式行事。然而，在过去18个月左右的时间里，情况发生了变化。工具得到了改进，用例变得更清晰，先前持怀疑态度的部门开始在那些真正重要的领域看到了切实成果。
并非所有人都以相同方式或在相同时间受到这种变化的影响。金融的某些领域比其他领域更快采用人工智能，而其中的原因值得关注。财务规划与分析（FP&A）团队是最早行动的群体之一，很大程度上是因为痛点太过明显。大家都知道，花两周时间从彼此割裂的系统里抽取数据，仅仅为了构建一份季度预测，是不可持续的。当出现能够自动化数据采集、并在数小时内而非数天内揭示趋势的平台时，采用率便迅速提升。
这一波浪潮得以持续的关键在于，它解决了那些人们早已厌倦处理的棘手问题。金融领域的人工智能早已超越实验阶段。团队正在用它更快地完成结账、生成滚动预测而不把分析师用到精疲力尽，以及运行那些原本需要花上数周手工组装的情景模型。价值不再是抽象概念。它体现在更短的报送周期，以及董事会会议前更少的熬夜。
FP&A率先起步，但并未止步于此
鉴于工作流程手动且重复的程度，预测与预算编制自然是最先下手的领域。但当团队看到了可能性之后，这项技术开始向相邻职能扩散。方差分析就是一个很好的例子。为了弄清为何实际结果与计划不一致，分析师通常需要花上数小时逐项排查。人工智能工具可以在几分钟内标记这些差异，更重要的是，指向根本原因。
另一个正在获得关注的领域是收入确认。过去，对于处理复杂合同结构或多要素安排的企业来说，电子表格和丰富的机构性知识曾是常态。该流程的部分环节可以实现自动化，以降低风险并释放时间，让真正需要人类智慧的决策获得更多专注。凡是财务团队在重复性、基于规则的工作上花费过多时间的地方，人工智能都在介入并更快完成。
风险管理才是更大的主线
如果说FP&A是切入点，那么风险管理可能正是人工智能能够带来最持久影响的领域。监管合规、欺诈检测和信用风险建模都需要复杂的模式识别以及大型数据集。而这恰恰是机器学习在人工分析之外表现更优的条件。
保险公司和银行最先意识到这一点。但更“新”的变化，是中端市场（mid-market）企业开始采用，而这些企业从未拥有专门的风险分析团队。基于云端的平台使得一家只有几百名员工的公司能够开展过去需要一整支量化（quants）团队才能完成的风险评估。这些工具能够自行进行监控，在异常发生时及时捕捉，并自动整理出可供审计的报告。对日常的财务流程管理而言，这确实是一个实实在在的提升。
目前，合规可能是整个转变中最具吸引力的部分。监管环境不断变化，在不同司法辖区之间规则频繁切换的情况下，仅仅保持合规本身就是一项工作量巨大的任务。尽管人工智能无法取代合规官，但它可以扫描监管更新，将其与现行政策进行对照，并在其演变成问题之前识别出任何漏洞。过去，只有规模最大的机构才负担得起这种主动监控。
哪些因素在拖住部分团队的脚步
并非所有金融部门都以相同的节奏运转，而导致犹豫的两个主要原因通常是人才与信任。信任来自于：金融从业者需要理解一个模型是如何得出结论的，只有这样，他们才会愿意把自己的声誉押注在输出结果上。人才则来自于：要把这些工具用好，需要既懂技术又了解财务业务语境的人，而这种组合依然十分稀缺。
另一个没被给予足够关注的瓶颈是数据质量。由于人工智能的效果取决于喂给它的数据，许多企业仍在混乱、割裂的系统上运行；而在不同部门里，同一个指标可能会有三种不同的定义。尽管把这些问题清理干净并不是一项“体面”的工作，但这对从任何人工智能落地中获得最大收益来说都是必要的。
整体趋势相当清晰
已经迈出这一步的财务团队正在扩展用例，而不是收缩回去。FP&A领域的早期成功建立了足够的内部可信度，从而推动进一步进入风险、合规和资金（treasury）运营等环节。高校也开始把数据素养融入金融课程，这应当有助于在未来逐步缩小人才差距。与此同时，供应商也在持续推出更专业的工具。
对于尚未开始行动的团队来说，每个季度难度都在加大。启用人工智能的财务部门与传统部门之间的竞争差距正在拉大，而在更晚的时候去弥合这种差距，成本总是高于现在就跟上步伐。技术并不完美，也不该假装它完美。但等待“完美”本身就是一种风险，而这种风险并不是所有组织都承担得起。