盘点到2030年：由AI驱动的银行可能是啥样子？

展望2030年，银行可能不再只是会用AI，而是被AI彻底接管流程。以摩根大通为例，它正把每位员工配上AI代理，从后台合规到客户服务全自动运转，目标是把银行变成会思考的系统。麦肯锡估算，这样一年或能多赚数千亿美元，但代价也不小：老系统要推倒重来，监管规则仍在摸索，就业结构也会被改写。AI银行不是噱头，更像一场高风险、但很诱人的金融进化。

定义AI银行：超越表层自动化

短语“AI银行”风险因过度使用而变得毫无意义。每个金融机构都合适用某种形式的机器学习用于信用评分、欺诈检测或客户细分。这些应用代表了重要的技术进步，但它们并不构成根本的转变。要了解什么真正区分AI驱动的银行与传统机构带有AI工具，我们必须检查几个定义特征。

首先，AI银行在其整个运营堆栈中整合了人工智能，而不仅仅是在特定接触点。传统银行在孤立的口袋内部署AI：这里是欺诈检测系统，那里是聊天机器人，也许在特定市场中进行一些算法交易。这些实现很少相互沟通或在整个机构中共享学习。相反，真正的AI银行构建一个统一的智能层，将每个系统、数据库和流程连接起来。摩根大通的LLM Suite就体现了这种方法，创建了一个门户，利用来自OpenAI和Anthropic的大型语言模型，每八周更新一次，因为银行向其提供更多来自其广泛数据库和主要业务的软件应用的数据。

第二，AI银行采用能够在最少的人类监督下执行复杂的多步骤任务的代理系统。这超越了早期的自动化，代表了一种质的飞跃。早期几代银行技术自动化了特定的、狭义定义的过程——发布交易、生成标准报告、基于预定规则标记可疑活动。然而，代理AI能够在模糊情况下推理、做出情境依赖的决策，并协调工作流程，之前这些工作流程需要人类判断。摩根大通已开始部署代理AI为员工处理复杂的多步骤任务，随着代理在整个机构中变得越来越强大和互联，它们可以承担更多责任。

第三，真正的AI银行围绕AI能力从根本上重新组织工作，而不是简单地增强现有角色。这意味着重新构想工作职能、报告结构和操作过程，以充分利用AI而不是强迫新技术进入旧的组织模式。区分非常重要。一个将AI支持的分析工具提供给交易员的银行是在增强传统角色。一个部署AI交易代理并在人工监督下运作的银行是在转型交易工作的本质。

第四，AI银行实施通过与真实操作数据的互动而不断学习的系统。不同于无限期以同样方式工作的静态软件，AI系统在演化。它们从每个客户互动、每个交易模式、每个市场运动和每个操作结果中学习。随着系统积累经验并完善对复杂模式的理解，这创造了复合优势。

最后，AI银行实施了传统上需要在多个决策点进行人类干预的流程的端到端自动化。这并不一定排除人类的参与，但确实从根本上改变了他们的角色，从执行任务变为监督和指导AI系统。人类变成了协调机器智能的指挥家，而不是执行任务的工人。

这些特征区分了真正的变革与渐进的改进。今天的大多数银行都在传统机构和真正的AI银行之间的光谱上某个点徘徊。摩根大通当前的举措代表了向光谱后一个极端推动的最雄心勃勃的尝试之一。 以下是内容翻译：

内容：和客户满意度。这解决了消费者银行中一个持久的挑战：客户服务代表必须浏览大量的产品信息、监管要求和程序指南。能够即时提供相关信息的人工智能大大提升了他们的工作效率。

Skip translation for markdown links.

对于技术团队，JPMorgan 部署了一种编码助手，在提高软件开发效率方面发挥了重要作用，银行的生产率提高了10%到20%。考虑到高盛为其12,000名开发人员配备了生成式AI，并报告了显著的生产力提升，这一应用代表了广泛的行业趋势。软件开发是人工智能的一个特别强大的用例，因为编码涉及将需求转换为逻辑指令序列——这正是语言模型擅长的模式匹配和生成任务。

JPMorgan 计划中最雄心勃勃的方面涉及从生成内容的AI向执行流程的主体AI的过渡。根据内部规划，JPMorgan 现在处于其AI蓝图的下一个阶段的早期，已经开始部署主体AI来处理员工的复杂多步骤任务，这些主体的功能和连接性在整个机构内变得越来越强。这一转变代表了AI角色的根本性升级，从协助人类转向自主执行任务。

愿景延伸到完整的组织整合。JPMorgan 的宏伟愿景是银行成为一个全面AI连接的企业，为每位员工提供AI代理，自动化所有幕后过程，通过AI礼宾服务策划每个客户体验。然而，实现这一愿景面临着巨大的障碍。即使拥有180亿美元的年度技术预算，JPMorgan 需要数年时间来实现AI的潜力，将AI模型的认知能力与银行的专有数据和软件程序结合在一起，成千上万的不同应用程序需要大量工作才能连接到一个AI生态系统中。

JPMorgan 在AI投资上的财务影响已经开始显现。该银行在2025年第一季度的收益显示了这些创新的战略重要性，实现了146亿美元的净收入，同比增长9%，AI和技术投资被认为是这一业绩的主要贡献者之一。这验证了AI转型的商业案例，表明这项技术交付了可衡量的价值，而不仅仅是在追求投机利益的过程中消耗资源。

JPMorgan 的方法为大规模AI转型提供了重要的经验教训。首先，该银行优先考虑了面向员工的内部应用程序，然后才推出面向客户的AI产品。这一战略允许机构在捕获即时效率增益的同时，在可控的、低风险的环境中测试技术。其次，利用多个外部模型同时保护专有数据的门户架构为其他受监管机构处理类似的安全和合规要求提供了模板。第三，对全面整合的重视而不是孤立的试点项目反映了认识到AI的最大价值体现在全系统部署而不是点解决方案中。

银行业域的转型

理解AI如何重塑银行需要检查技术影响最显著的特定领域。每个银行运营领域都为AI转型呈现出不同的挑战和机会。

投资银行：从分析师军团到AI增强

投资银行传统上通过等级制度运营，初级分析师执行繁重工作——建立财务模型、制作演示文稿、进行研究——而高级银行家则专注于客户关系和交易结构。AI从根本上颠覆了这种模式，自动化了许多分析性沉重工作，同时增强了战略决策。

JPMorgan 演示了在30秒内创建投资银行演示文稿，这表明了这种转型。影响不仅限于简单的时间节省。投资银行长期以来因艰苦的初级分析师工作条件而受到批评，80到100小时的工作周对入门级员工来说很常见。如果AI能够处理以前占用分析师数千小时的任务，银行就须就员工数量和传统学徒模式做出决策，在这种模式中，初级分析师通过执行大量分析工作进行学习。

AI在这一领域的能力正在不断扩大。系统现在可以分析收益报告，合成市场研究，构建可比公司分析，并生成推销材料的初稿。他们可以扫描新闻源以获取有关客户和潜在客户的相关信息，监控监管备案的重大变更，并根据对大量数据集的模式识别标记潜在交易机会。

其战略影响超越了效率。投资银行主要靠其行业知识的深度、分析的复杂程度以及响应客户需求的速度进行竞争。AI能够快速合成来自多个来源的信息并生成复杂的分析，有望压缩交易流程时间，提高分析质量，并使较小的团队能够与传统上通过分析师军团拥有优势的大型机构竞争。

然而，投资银行也展示了AI的当前局限性。交易制作从根本上涉及对估值、时间、竞争动态和客户关系的判断。虽然AI可以通过分析相关数据并生成选项来为这些决策提供信息，但最终的选择需要由经验、直觉和人际理解塑造的人类判断，这些是当前AI系统所缺乏的。最成功的公司可能是那些最有效地将AI的分析能力与人类的战略洞见相结合的公司。

零售和消费者银行：规模化个性化

零售银行面临的挑战与投资银行不同。消费银行不支持少量高价值交易，而是处理数百万个相对标准化的互动。在大规模交付个性化体验的能力使AI在该领域特别强大。

欺诈检测是消费者银行中最成熟的AI应用之一。传统的基于规则的系统会标记符合预定可疑模式的交易——大额现金提取，国际采购，快速交易序列。这些系统产生了许多误报，同时错过了复杂的欺诈方案。现代AI系统同时分析大量变量，识别出指示欺诈的微妙模式，并不断从新的欺诈技术中学习。JPMorgan使用AI来遏制欺诈，类似系统现在已经在整个行业运行。

客户服务是另一个主要应用领域。像汇丰银行这样的银行使用生成式AI根据个人消费习惯创造定制的产品推荐。AI分析个人交易历史，识别模式，并建议与特定金融行为和需求相符的产品，而不是向所有客户提供相同的信用卡或储蓄账户。这种个性化还延伸到时间——AI可以确定最佳时机来提出建议，当客户最有可能参与时。

传统上需要广泛人力参与的账户管理流程越来越多地通过AI系统流动。开设账户、验证身份、评估信用度和解决常规问题都可以通过AI支持的系统处理，仅在边缘情况和复杂情况下才需要人工干预。这大大降低了运营成本，同时通过更快的处理和全天候的可用性提高了客户体验。

愿景延伸到提供跨整个客户群的个性化指导的AI驱动金融顾问。银行利用AI驱动的洞见更深入地了解客户行为，其中算法分析消费模式和财务行为以提供个性化建议，高级机器学习模型通过传统问卷和行为数据评估风险承受能力。内容：产生了大量需要人工审核的警报。大多数被证明是误报，占用了合规人员的时间，同时增加了真正可疑活动可能被噪音掩盖的风险。AI系统应用更复杂的模式识别，学习哪些警报有意义的反馈，并显著提高信噪比。

信用风险评估展示了AI如何实现更多细致的评估。信用风险评估已从分析8到10个变量演变为一个能够同时处理超过100个不同因素的复杂系统。这使得银行能够向可能被传统评分模型拒绝的客户提供信贷，同时更准确地识别高风险借款人。对金融包容性的影响是重大的——许多历史上因不符合标准资料而被拒贷的个人和小企业可能会通过AI系统获得信贷，因为这些系统可以通过替代数据和更复杂的分析来识别信誉。

市场风险管理受益于AI实时处理海量市场数据、新闻和社交媒体情绪的能力，识别相关性并预测波动模式，从而为交易仓位和对冲策略提供信息。AI分析工具比人类更快、更准确地处理市场数据，能够以更高的精确度发现趋势并预测行为。

监管合规越来越依赖于AI来应对金融监管的复杂性。投资如BBVA在Parcha的股份，Parcha构建企业级AI代理，自动化手动合规和操作任务，包括审查文件、提取数据以及就入职、合规和风险管理做出决策，表明银行认可AI对管理监管负担至关重要。监管要求的数量、更新的频率以及需要在数千笔交易中一致应用规则使得合规成为AI的自然适配。

财资运营和交易：速度与精度

交易是AI在银行业中最早应用且应用最为广泛的领域之一。多年来，算法交易一直主导着股票市场，AI驱动的系统以微秒速度执行交易，管理复杂的投资组合，并比任何人类交易员更快地识别套利机会。

当前的AI浪潮超越了传统算法交易进入更复杂的应用。AI系统现在结合自然语言处理来分析财报会议记录、新闻文章和社交媒体的情绪信号，这些信号可能会影响市场。他们采用机器学习来识别订单流中表明机构仓位的模式。他们基于市场微结构分析优化交易执行策略，考虑多个场所的流动性、波动性和交易成本。

财资运营受益于AI优化流动性管理的能力，预测整个机构的现金流，确定资本的最佳部署，并高效管理抵押品需求。这些后台职能缺乏前台交易的魅力，但却代表着巨大的操作复杂性和显著的优化机会。

以AI为动力的交易中的竞争动态创造了一场技术军备竞赛。部署更复杂AI的机构、获取更好数据或实现更快执行速度获得的优势直接转化为盈利能力。这推动了对AI能力和基础设施的持续投资，预计银行在AI计划上的支出将从2024年的60亿美元增加到2025年的90亿美元，到2030年可能高达850亿美元。

运营：无形的转型

银行运营——这一幕后功能包括交易结算、账户对账、支付处理和系统维护——代表了AI驱动的效率提升的最大单一机会。这些功能雇佣了大量人从事重复且基于规则的工作，这些工作AI越来越能够处理。

AI驱动的自动化已使得像富国银行这样的机构的日常银行运营成本降低了25%到30%，富国银行利用AI使抵押贷款处理自动化，每年节省数百万的运营成本，而花旗银行则报告AI使得文件处理时间减少了60%，从而带来显著的成本节约。这些效率提升不仅体现在降低的成本上，还体现在更快的处理时间、较少的错误以及改进的客户体验上。

对银行运营就业的影响是深远的。这些岗位正是AI系统擅长自动化的工作类型——高强度、基于规则、重复的任务需要准确性，但不需要创造性解决问题或复杂判断力。银行面临如何管理劳动力过渡的艰难问题，因为自动化消除了当前雇佣数十万人的岗位。

主动AI：决定性的技术转变

要理解当前AI转型与以往银行自动化波动根本不同的原因，我们需要研究主动AI——能够以最少的人类监督进行自主多步推理和行动的系统。这代表了对早期AI应用的质的飞跃。

传统的银行自动化通过预定规则运作。一个系统可能会自动标记超过特定阈值的交易，但由人决定如何响应。它可能将客户询问引导至相关部门，但人类处理实际互动。它可能生成标准报告，但由人进行解释并做出决定。这些系统遵循脚本，偏离这些脚本需要人工介入。

主动AI不同地运作。这些系统可以通过自己决定的行动序列追求目标。他们在关于如何完成目标的必要步骤推理，每个阶段做出决定，并根据结果调整其方法。它们的运作更像是接受高层次指示后自行弄清如何执行的人类员工，而不像传统软件那样遵循明确指令。

Content: 因为这些代理做出更重要的决定，需要健全的治理框架、持续的监控和道德护栏来管理风险和合规性。银行在部署自主 AI 时，必须开发新的治理框架，以便在保持责任和监管合规性的同时，考虑到自主 AI 的决策。

劳动力变革：超越自动化焦虑

Content: AI 在银行业转型中的就业影响远远超出了简单的自动化取代工人。影响体现在涉及劳动力构成变化、技能需求转变、地域劳动力分布等复杂动态，以及关于银行业未来就业性质的基本问题。

替代现实

Content: 花旗集团发布的一份研究报告预测，人工智能将在银行业中取代 54% 的职位，这一比例高于任何其他行业。彭博情报的报告则发现，全球银行预计将在未来三到五年内裁员多达 20 万人，因为 AI 承担了更多的任务。这些预测反映了这样一种现实：银行业雇用了大量从事信息处理、分析和决策的人——正是这些任务 AI 系统展示出越来越强的能力。

Content: 摩根大通的消费者银行主管告诉投资者，运营员工将至少减少 10%，这为即便是领先机构也预期的劳动力减少规模提供了明确信号。影响在各个角色之间分布不均。需要寻找新角色的风险主要面临于那些主要处理机械化流程的运营和支持人员，如开户、欺诈检测或交易结算，而转变则倾向于直接与客户合作的人员，如拥有富裕投资者名册的私人银行家、迎合对冲基金和养老金经理的交易员，或与《财富》500 强公司首席执行官有关系的投资银行家。

Content: 这在银行业的就业中造成了一种二元化。需要关系管理、战略判断和人际交往技能的高技能、面向客户的角色保持珍贵，甚至随着 AI 处理支持性分析工作可能变得更有价值。涉及标准化信息处理和分析的中技能角色面临最大的替代风险。传统上作为银行业职业训练场的入门级职位可能大大减少，由此引发了关于机构如何培养未来高级人才的问题。

Content: AI 公司 Anthropic 的首席执行官 Dario Amodei 表示，科技、金融、法律和咨询行业中近一半的入门级白领职位可能被 AI 取代或消除。这一预测直接挑战了职业服务中通过初级员工在高级监督下完成常规任务来学习的传统职业发展模式。如果 AI 消除了这些入门级角色，机构必须开发其他途径来培养专业技能和推进职业生涯。

再培训：承诺与限制

Content: 纽约联邦储备银行的一项调查发现，许多采用 AI 的公司并没有裁员，而是对其员工进行再培训以使用新技术，AI 更可能导致对已雇用人员的再培训而不是失业，尽管 AI 正在影响招聘，一些公司因 AI 而缩减招聘规模，一些公司则增加了熟练使用 AI 的员工。这说明机构认识到保留经验丰富的员工并帮助他们适应新角色的价值，而不是简单地用 AI 取代他们。

Content: 然而，对于再培训效果的研究呈现出一个较为冷静的画面。根据《劳动力创新与机会法案》的工作培训计划，失业工人的收入普遍增加，但进入 AI 高暴露职业的工人，收入增幅比目标低暴露角色的小得多——约低 25% 到 29%，只有特定领域如法律、计算和艺术表现出较高的再培训潜力可获得高薪的 AI 暴露职位。这表明，尽管再培训有帮助，但可能无法完全补偿那些因 AI 消除角色而被替代的工人。

Content: 挑战超越了个人能力，涉及系统能力。《世界经济论坛》预测，到 2030 年将有 9200 万个工作岗位被取代，但将创造 1.7 亿个需要新技能的新工作。即便这一净积极的情景成为现实，转型仍然会造成巨大的摩擦，因为被替代的劳工要掌握新技能，地区劳动市场要调整，机构也要适应新的劳动力模型。时间线是关键——如果替代速度快于工作创造和再培训，干扰期可能既痛苦又持续较长时间。

Content: 麦肯锡全球研究院估计，到 2030 年，全球约 3.75 亿工人——约占总劳动力的 14% ——将需要显著再培训以保持经济生存能力，目前替代速度甚至超越了这些预测。这一重新技能培训的规模挑战一切现代经济历史上所尝试的行动，提出了严峻的问题：现有的培训基础设施是否能够满足这一需求。

地理再分配

Content: AI 对银行业就业的影响扩展到了工作的地理分布。银行越来越多地将后台运营集中在成本较低的地区——班加罗尔、海德拉巴、广州、马尼拉以及其他离岸中心。汇丰银行在班加罗尔、海德拉巴和广州等技术人员和后台人员工作的地方面临近 10,000 个办公桌的短缺，银行正在与公司谈判以自动化后台职能并降低成本基础。如果 AI 能够完成先前离岸的工作，银行业就业的地理分布可能会显著变化，对发达和发展中经济体都产生影响。

Content: 这造成了复杂的动态。发展中经济体已构建了为跨国银行提供服务的实质性部门。如果 AI 取代了这些工作，则会消除使数百万人达到中产阶级繁荣的就业机会。同时，如果物理人力数量变得不那么相关，银行可能会将运营合并到更靠近总部，可能会逆转离岸趋势，但也会形成规模较小的绝对劳动力。

新角色和技能

Content: 职位替代仅仅代表了就业故事的一部分。AI 还创造了以前不存在的新角色。随着 AI 系统越来越多地嵌入银行业务中，一支平行的劳动力正在出现，以管理、监控和改进这些技术，AI 审计师确保算法在监管和道德界限内运作，道德官员评估 AI 模型的偏见和意外后果，人工智能培训师则根据客户行为持续向机器学习模型提供数据并调整结果。

Content: 这些角色需要领域专业知识和技术理解的结合。一个在贷款领域工作的 AI 审计师必须同时理解信用风险评估和机器学习模型的行为。一个道德官员必须同时理解监管合规性和算法偏见。这些混合角色要求有高额的薪酬但需要的技能很少有现有员工具备，即使 AI 取代工人从其他银行角色中转移，也会造成人才短缺。

Content: 生成型 AI 的出现就像微软 Excel 在 1980 年问世时的影响，当时每个人都说它会消除金融人员，但实际上它改变了他们的工作方式。这一历史类比表明，AI 可能最终会扩展银行的能力，而不仅仅是替代工人。Excel 没有消除财务分析师;它让他们能够更快地进行更复杂的分析，提高了对分析深度的期望，并创造了对能够有效利用该工具的分析师的需求。AI 可能会遵循类似的模式，如果银行能有效地部署 AI，则能提供更复杂的服务、服务更多客户，并最终在重新配置的角色中雇用大量劳动力。

Content: 就业转型最终取决于机构如何管理变革。投资于全面再培训计划、为被替代的工人创造转向新角色的路径并将 AI 部署视为增强而非替代人的银行可能会最大限度减少干扰。那些主要通过劳动力减少来追求 AI 作为削减成本措施的银行将为员工创造更痛苦的过渡，同时可能会牺牲仅凭 AI 难以复制的机构知识和专业技能。

竞争动态与战略优势

Content: 如果摩根大通能够在整合 AI 时先于其他银行行动，它将在整个行业赶上来之前享受一段时间的高利润率。此观察揭示了推动银行业大规模AI投资的竞争动态。先行公司获得了临时优势，但随着竞争对手采用类似能力，这些优势会逐渐消失，最终推动整个行业达到成为新基准的更高性能水平。

Content: 这一模式反映了以往银行技术转型。自动取款机(ATM)出现时，早期采用者获得了成本优势和客户便利的好处。但 ATM 很快变得无处不在，优势转向那些部署最广泛并最有效地将其与更广泛的服务整合的银行。在线银行遵循了类似的动态——先行者获得了客户获取优势，但几年之内，每家银行都需要在线能力来竞争。AI 似乎正在遵循这一轨迹，但可能产生更显著的效果。

Content: Several factors determine which institutions gain the most from AI investments. First, scale matters enormously. JPMorgan's $18 billion annual技术预算使得小型机构难以匹敌的投资成为可能。建立复杂的AI系统、汇集专业人才以及在庞大的运营基础设施中整合AI都需要资源，这些资源倾向于有利于最大的银行。这可能加速行业的整合，因为较小的银行难以跟上由AI推动的竞争对手的步伐。

其次，数据优势产生复合收益。AI系统通过暴露于更多数据中来改进，而大银行处理更多的交易，服务更多的客户，且在更多的市场中运营，而不是小型机构。这种数据丰富性使得更复杂的AI能够提供更好的客户体验，吸引更多的客户，并产生更多的数据——这是一种强化的循环，对拥有既定客户基础的在位者有利于进入者。

第三，遗留基础设施既限制也塑造AI部署。银行在多年来积累的技术堆栈上运营，关键系统在主机上运行，与现代云应用程序并存。在企业中，技术的潜力与完全捕获这种潜力的能力之间存在价值差距，公司在成千上万的不同应用程序中工作，需要大量的工作将这些应用程序连接到AI生态系统中并使其可消费。拥有更现代基础设施的机构可以比那些与复杂遗留系统斗争的机构更快速和全面地部署AI。

第四，合规能力日益重要。银行在高度受监管的环境中运营，因为部署新技术需要证明其符合透明性、公平性、安全性和可靠性的监管要求。拥有复杂的合规框架和强大监管关系的机构可以比合规能力较弱的机构更有效地应对AI部署挑战。

行业结构影响AI优势的体现。在高度商品化的银行服务中——支付处理、基本存款账户、简单贷款——AI驱动的效率优势主要转化为成本降低，从而提高利润或实现价格竞争。在差异化服务中——财富管理、投资银行、复杂的公司银行业务——AI 可以实现服务增强，从而支持溢价定价和市场份额增长。

花旗银行为30,000名开发人员提供了生成式AI编码工具，并向其更广泛的员工队伍推出了两对生成式AI驱动的生产力提高平台，而高盛银行为大约10,000名员工配备了AI助手，预计将在年底完成全公司范围内推行。摩根大通的主要竞争对手的这些部署表明，AI 转型已成为整个行业的迫切要求。没有哪家大银行能够忽视AI，竞争动态确保AI投资将继续加速。

竞争的地理维度增加了复杂性。美国银行(Bank of America)将在2025年花费40亿美元用于AI和新技术计划，占其130亿美元技术成本线的近三分之一。美国银行不仅面临彼此间的竞争，还面临着来自欧洲机构、亚洲银行以及可能扩展到金融服务领域的大型科技公司的竞争。中国银行在移动支付和贷款方面广泛部署AI，欧洲银行面临监管压力，这些压力既限制又塑造AI的部署，而一些亚洲机构，如DBS和汇丰银行，追求积极的数字化战略。

大型科技公司代表了一种特别有趣的竞争动态。像谷歌、亚马逊和微软这样的公司拥有世界领先的AI能力、庞大的计算资源和庞大的用户群。虽然监管限制历来限制了它们进入核心银行业务的扩展，它们越来越多地在边缘提供金融服务——支付、贷款、理财规划。如果监管机构允许更深的大型科技公司参与银行业务，由科技巨头运营的AI驱动平台可能从根本上颠覆传统的银行业务模型。

最终的竞争结果仍然不确定。AI可能会放大由最大、最复杂的机构所持有的优势，导致行业整合。或者，AI可能通过使较小的机构在没有庞大人力资源的情况下提供复杂的服务而降低进入壁垒，促进竞争。最有可能的是行业将分化，少数庞大、AI驱动的全能银行与利用AI在特定细分市场中表现优异的专业机构竞争。

实施现实：价值差距挑战

企业内部有技术的能力与完全捕获这种能力之间存在价值差距，公司在成千上万的不同应用程序中运作，需要大量工作才能将这些应用程序连接到AI生态系统中并使其易于使用。摩根大通的首席分析官的这一观察总结了AI银行转型的核心挑战：技术的潜力远远超过了机构目前能够实现的。

多种因素造成了这一价值差距。首先，遗留基础设施提出了巨大的集成挑战。银行在1960年代和1970年代开发的用COBOL编写的主机上运营关键系统。这些系统处理账户管理、交易处理和支付结算等功能，任何故障都可能是灾难性的。将它们连接到AI系统上需要广泛的接口开发、严格的测试和谨慎的风险管理。

复杂性倍增是因为银行不是在统一平台上运行，而是在经过几十年有机发展、并购和技术演变中积累的成百上千个独特应用程序上运行。每个应用程序都有其自己的数据格式、业务逻辑和接口。创建一个可以与所有这些系统进行一致交互的AI层是一个巨大的工程挑战。

其次，数据质量和可访问性问题限制了 AI 的有效性。AI系统需要干净、结构化、一致的数据才能良好运作。银行的数据散布在无数系统中，格式不兼容，定义不一致，记录不完整，并且积累了数十年的质量问题。在AI能够发挥其潜力之前，机构必须进行大规模的数据修复努力——标准化格式、解决不一致、建立数据治理，并构建使数据可被AI系统访问的管道。

第三，组织抵制减缓了实施速度。AI转型需要改变人们的工作方式、业务流程流动、以及谁拥有决策权。这些变化威胁到现有的权力结构，需要学习新技能，并且带来了关于工作安全的不确定性。即使领导层承诺进行AI转型，中层管理层的抵制、员工的焦虑以及简单的惯性也可以显著减缓实施速度。

第四，人才稀缺限制了部署速度。摩根大通雇用的AI研究人员比接下来的七家大银行加起来还多，但即使是摩根大通也面临人才约束。理解高级AI和银行运营的人数相对于行业需求来说仍然有限。这种人才短缺提高了薪酬成本，并限制了机构扩展AI能力的速度。

第五，监管不确定性使计划复杂化。银行必须让监管机构相信它们的AI系统安全、公平、和透明地运行。然而，银行中AI的监管框架仍在开发中，产生不确定性关于机构必须满足哪些要求。这种不确定性使银行对可能后来证明不合规的AI部署保持谨慎，从而减缓采纳速度。

摩根大通在AWS上建立其AI基础，推动AWS SageMaker机器学习平台和AWS Bedrock生成式AI平台超越实验应用于生产应用，5,000名公司员工使用SageMaker，超过200,000名员工现在使用LLM Suite。这种合作伙伴关系——利用科技提供商的云基础设施和AI平台，而非一切内部构建——通过提供可扩展基础设施和减少维护AI开发平台的负担，帮助解决了一些实施挑战。

实施的组织维度可能是最大的挑战。Chase采用“通过做来学习”的方法应用生成式AI，期望通过让员工实际使用工具并相信没有比这更好的学习方式。据信银行正在进行450个概念验证，预计这一数字将增至1,000个。这种自下而上的方法认识到，成功的AI转型需要文化变革，而不仅仅是技术部署。员工必须了解AI的能力，识别应用机会，并将AI集成到日常工作流程中。这种通过实践进行学习的方法需要时间，但能够建立可持续的能力。

财务方面复杂了实施过程。预测银行对AI计划的支出将从2024年的60亿美元增加到2025年的90亿美元，2030年可能高达850亿美元。这些投资必须通过明确的投资回报案例证明其合理性，但AI的好处通常在于几年后的累积效率提升、决策改进和客户体验增强，这些好处很难准确量化。机构面临的压力内容：为了在追求需要持续投资才能在全面收益出现前转型的同时展示结果。

AI系统的测试和验证挑战超过了传统软件。传统软件遵循确定性逻辑 - 在给出相同输入时，会产生相同的输出，使得测试变得简单。AI系统，尤其是那些使用先进机器学习的系统，表现出概率性，可以为相同输入生成不同的输出。测试必须不仅评估系统是否在已知情况下正常工作，还要评估系统是否能适当地推广到新情况中，安全处理极端情况，并在遇到训练分布之外的输入时优雅地降级。

这些实施挑战解释了为什么尽管AI银行转型具有巨大潜力，却仍然逐步推进。机构必须在足够快地捕捉竞争优势和足够仔细地管理风险以确保可靠操作之间取得平衡。速度与谨慎之间的紧张关系塑造了部署策略，大多数银行通过将AI能力逐步叠加在现有系统上，而不是尝试从零开始重建核心银行基础设施来追求并行方式。

风险、伦理与监管空隙

AI银行转型提出了关于安全性、公平性、问责性和社会影响的深刻问题，监管机构、银行和社会必须解决。这些问题涉及技术、伦理、法律和政治维度。

算法偏见与公平

银行业中使用的AI系统，特别是那些用于帮助做出信用决策的系统，可能会无意中歧视受保护群体，因为使用诸如教育或地点等替代数据的AI模型可能依赖于受保护特征的代理，从而导致不同的影响或待遇。此挑战出现是因为AI系统从可能反映过去歧视的历史数据中学习模式。如果历史贷款数据表明，某些社区的申请者或具有特定特征的申请者被拒绝贷款，AI系统可能会学会复制这些模式，即使这些潜在因素不是合法信用风险指标。

问题不仅仅在于简单复制历史偏见。AI可以通过反馈循环放大偏见，即算法决策以某种方式影响未来数据，从而强化最初的模式。例如，如果AI系统拒绝给某一特定群体成员提供信用，这些个人就不能建立可能后来证明信用良好的信用历史， perpetuating the cycle.

解决算法偏见需要技术解决方案、政策框架和机构承诺。金融机构必须持续监控和审核AI模型，以确保它们不生成偏见结果，决策过程中的透明性对避免不同影响至关重要。这种监控必须延伸到对AI系统用于决策的因素进行审查，确保不依赖于受保护特征的代理。

随着AI系统变得更加复杂，挑战加剧。使用有限变量的简单模型可以直接进行审核 - 分析人员可以检查每个因素并评估它是否代表合法业务考虑或受保护特征的问题代理。通过多个隐藏层处理数百个变量的复杂神经网络抵制这种直接分析。它们可能实现更好的预测精度，但代价是透明度降低。

数据隐私与安全

银行拥有大量敏感的个人信息 - 财务交易、账户余额、投资状况、个人识别码、行为模式。AI系统需要访问这些数据才能有效运作，造成AI的数据需求与隐私需求之间的矛盾。数据量的增加和使用非传统来源(如社交媒体个人资料)进行信用决策引发了如何存储、访问和保护敏感信息免受侵害的重大关切，而消费者并不总是了解或同意他们数据的使用。

隐私挑战超越了传统数据安全，扩展到数据使用的问题。客户可能同意银行使用他们的交易数据进行欺诈检测，但不预期同样的数据用于营销算法或与第三方共享。随着AI系统在从数据中提取洞察方面变得更加复杂，客户所期望和批准的用途与他们觉得侵入性的使用之间的界限变得越来越重要。

隐私保护AI的技术挑战仍 largely unsolved. 如联邦学习(即AI在不集中化数据的情况下跨分布式数据进行训练)和差分隐私(通过向数据添加噪声以保护个人隐私同时保留整体模式)等技术显示出前景，但尚未成熟到可以广泛应用于银行业的部署。大多数AI系统仍需要访问详细的个人数据才能实现最佳性能。

模型不透明性和可解释性

德国监管机构BaFin表示，在监督层面上可接受的黑箱程度取决于该模型在银行风险管理中的处理方式，期望金融服务提供商能够解释模型输出以及识别和管理AI模型的性能和行为变化。此监管观点捕捉了AI银行业的根本紧张关系：功能最强大的AI系统往往是最不可解释的。

传统信用评分模型使用线性回归及少数变量，使得解释任何特定申请人获得特定分数相对简单。现代AI系统可能使用多模型组合的集成方法、具有隐藏层的神经网络或其他不易解释的方法。银行可能可以在统计上证明这种系统比简单的替代方案表现更好，但很难解释它为什么作出任何具体决策。

这种不透明性对希望理解为何被拒绝贷款或收取较高利率的消费者造成了问题。对试图评估模型是否公平并适当的监管者而言，这是个问题。对试图管理模型风险并确保其系统表现得当的银行而言，也构成了问题。缺乏可解释性在AI系统做出影响人们财务生活的重大决策时尤为严重。

对可解释性的监管方法各不相同。证监会实施了市场准入规则，规定严格的交易前风险控制，以防止市场操纵和错误交易，并由OCC、联邦储备、CFPB和FTC发布的联合指导中强调了可解释性、偏见缓解和消费者透明度的要求。这些框架为AI透明性建立了原则，但通常缺乏具体的技术要求，留下银行来决定如何使监管者信服他们的系统是适当的。

系统风险和稳定性

AI对金融稳定性的影响提出的问题不仅限于个别机构。如果许多银行部署类似受训于相似数据的AI系统，它们的行为可能会以放大市场波动或创造系统漏洞的方式变得相关联。在市场压力期，AI交易系统可能会同时试图出售相同的资产或对冲相同的风险，放大价格波动，可能引发跨金融市场的级联效应。

AI系统的复杂性也产生操作风险。银行在关键功能上依赖AI，故障或失灵可能会以影响客户、对手方和市场的方式破坏操作。金融机构的互联性意味着AI故障在一家银行可能会传播整个金融系统。

花旗预测，到2030年全球市场交易量的10%将通过代币化资产进行，以银行发行的稳定币为主要推动力，调查显示86%的公司为客户获取和交易后专门试验生成性AI。AI和代币化的融合在金融资产迁移到AI代理可以自主执行交易的区块链基础设施时引入了新的系统风险考虑。

责任与法律

当AI系统做出的决策导致伤害 - 歧视性贷款、不当交易、隐私侵犯 - 问责问题变复杂。传统责任框架假设由人类决策者承担责任。AI以某种方式分摊人机系统中的决策，模糊了责任。

如果AI驱动的贷款系统系统性地歧视受保护的群体谁应承担责任?是构建模型的数据科学家?部署模型的业务经理?批准AI战略的高管?作为机构的银行?这些问题在当前法律框架下没有明确答案，给银行和消费者带来了不确定性。

监管格局

欧盟AI法案，预计于2025年中生效，按风险对AI系统分类，金融领域的高风险应用如信用评估和保险定价需要透明度、人类监管和偏见缓解，要求金融公司记录和证明AI决策，设定了全球负责任AI标准。欧洲的方法建立了专门应对AI风险的全面监管框架。

相比之下，美国的监管仍然分散。特朗普总统于2025年1月23日签署了第14179号行政命令，撤销拜登总统的全面AI计划。内容: 行政命令中，特朗普政府推进放宽人工智能使用的管制。这导致了监管方面的不确定性，因为联邦框架被撤回，留下州级监管者介入，通过专注于偏见、透明性和人工智能驱动的决策合规性立法以应用于放贷和就业，几个州明确表示，歧视性人工智能行为将根据其不公平或欺骗性行为法律进行评估，这创造了一种监管交错的情况。

国家信用联盟管理局缺少详细的模型风险管理指导，解释信用联盟应如何管理模型风险，包括人工智能模型，及其审查技术服务提供商的权限，尽管信用联盟越来越依赖这些提供商提供的人工智能驱动服务。这一监管空缺说明了人工智能超出了监管能力的挑战，机构部署复杂系统的速度快于监管框架的适应能力。

监管机构应要求银行指出它们是否使用人工智能来遵循社区再投资法规定，要求这些系统具有可解释性，为所有机构要求第三方人工智能审计，并要求银行定期审查其银行保密法系统以确保准确性和可解释性。这些建议反映出对银行业中人工智能需求新的监督形式的逐渐认知，但将原则转化为可执行要求仍在进行中。

全球维度使监管发展复杂化。银行在多个司法管辖区经营，各地对人工智能的监管方式不同。机构必须遵循欧盟人工智能法案、亚洲的不同国家框架、美国的州级要求，以及来自诸如国际清算银行等国际机构的新兴标准。这种监管碎片化创造了合规复杂性可能会减缓人工智能在跨境银行业务中的部署。

智能银行与自主金融: 去中心化金融比较

人工智能驱动的传统银行业的出现与去中心化金融的成熟相辅相成，对技术驱动金融转型的两种不同愿景形成了有趣的对比。人工智能驱动的银行通过智能与自动化提升了传统机构，而去中心化金融通过基于区块链的协议追求无传统中介的金融服务。这些方法的融合与竞争塑造了金融未来的轨迹。

稳定币和代币化

稳定币在过去18个月中流通量增长了一倍，但每天仅促进约300亿美元的交易—不到全球资金流动的1%，倡导者表示该技术可以超越银行营业时间和全球边界，提供对当前支付基础设施的改进，包括速度、成本、透明度、可用性和对未受银行体系服务人群的包容性增加。这些数字资产代表区块链基础设施上的现金等价物，实现不需要传统银行中介的24/7结算。

预计到2030年，代币化将把高达16万亿美元的真实世界资产带到链上，改变全球金融运作方式，像贝莱德、摩根大通和高盛这样的华尔街领导者已经开始试点代币化债券、国债和存款。这一发展表明，传统金融机构越来越多地将区块链基础设施看作是对其业务的补充而非竞争。

当机构部署人工智能来管理代币化资产时，人工智能银行与代币化之间的关系变得尤其有趣。花旗集团预计到2030年全球市场10%的交易额将被代币化，以银行发行的稳定币领导，帮助提高抵押效率和资金代币化，86%的受访公司测试人工智能用于客户入驻资产管理者，保管人和经纪交易商的关键使用案例。这种融合表明未来人工智能系统将跨越传统银行基础设施和区块链基础上的代币化资产运作。

自主协议与人工智能代理

去中心化金融协议通过智能合约执行金融操作——部署在区块链上的代码，它根据预定规则自动执行交易。这些协议处理贷款、交易、衍生品及其他金融功能而无需人类中介。愿景是金融服务作为软件运行在去中心化网络上，而非由机构执行的操作。

银行中的人工智能代理执行类似功能，但在机构框架内运行。它们不是替代银行，而是使银行更高效和有能力。基本区别在于治理和控制。去中心化金融协议一旦部署，将根据其代码自主运作，治理有时分散于代持者间。人工智能代理在机构权威下运作，银行保留对其行为的控制并对其动作负责。

这导致不同的风险与回报概况。去中心化金融提供审查抵制性、24/7可用性、透明的代码，减少对传统中介依赖。然而，它也涉及智能合约风险、事态出错时的补救限制、监管不确定性以及扩展到主流采用的挑战。人工智能驱动的传统银行提供监管合规、消费者保护、已建立的纠纷解决方案，以及与传统金融基础设施的集成，但维持把关者角色、监管限制以及可能比去中心化选择更高的成本。

监管处理

全球多部法规旨在确保代币化现金的稳定与安全运行，涵盖储备、披露、反洗钱及KYC合规，以及适当的许可，比如2025年通过美国参议院的美国稳定币全国创新指引与建立法案，其规定储备、稳定性和监管的条件。这些监管发展表明稳定币与代币化正在从监管灰色地带向更清晰的框架移动。

美联储委员会举办了一场聚焦于支付创新的会议，探索包括稳定币、去中心化金融、人工智能和代币化等主题，主席Christopher Waller表示这些技术可以简化支付操作并增强私营部门的合作。这一官方关注表明中央银行认可这些技术的潜在影响，正积极研究其如何与货币政策及金融稳定交汇。

监管动态为银行创造有趣的战略问题。它们是否应在传统银行基础设施内专门构建人工智能能力?或也应开发能力以在区块链基础的去中心化金融协议中部署人工智能?是否应发行自己的稳定币以与私营发行者竞争，或将现有稳定币整合入其运营中?如何在区块链结算的效率优势与监管复杂性及技术风险之间取得平衡?

混合架构

最可能的结果涉及混合方法，结合传统银行、人工智能能力及区块链基础设施。银行可能发行由传统储备支持的代币化存款或稳定币，使区块链结算能够进行，同时保持机构担保。人工智能系统可以在传统支付轨道与区块链网络中运行，基于成本、速度及其他因素优化路由。

共识2025讨论中强调去中心化金融的快速增长，方案主要集中于去中心化交易所的采用，稳定币使用的激增，代币化真实资产的兴趣增加，以及围绕产生收益的协议的动量，这是在通过立法确立的监管清晰度的背景下发生的。这种机构参与表明传统金融与去中心化金融之间的界限正在变得更加渗透。

人工智能和区块链的整合创造了有趣的技术可能性。智能合约可以整合人工智能决策，通过自主协议根据市场状况适应行为。人工智能系统可以监控区块链交易以防止欺诈，分析去中心化金融协议的健康，或跨多个协议优化收益农业策略。银行可以部署人工智能代理，在传统银行基础设施和去中心化金融协议中运作，为客户提供统一访问权限。

这种融合提出了关于金融中介未来的哲学问题。如果人工智能可以自动化大部分银行功能，而区块链可以提供执行交易的基础设施而无需传统中介，我们是否仍需要银行作为机构?还是金融朝向一个模式演变，以此模式中人工智能代理在去中心化协议中代表用户 operates，而传统银行要么适应以在新版图中提供服务，要么逐渐失去相关性?

答案可能取决于监管演进、消费者偏好和技术成熟。如果监管者成功建立允许基于区块链的金融服务同时保护消费者的框架，我们可能会看到向混合模型的实质迁移。如果区块链扩展性问题仍存或监管者强加限制以偏向传统机构，人工智能驱动的银行可能保持主导。最可能的结果是多元化的结果，其中传统银行、人工智能增强机构和去中心化协议并存，服务于不同的需求与偏好。

2030年的真实智能银行愿景

推测 текущие趋势将内容从英文翻译为中文，并按照以下格式进行翻译：

对于用于 markdown 的链接，请跳过翻译。

内容：使我们可以展望一个真正的 AI 银行在实现成熟转型时的样子，可能会在 2030 年代初期。这种愿景有助于澄清根本性转型的含义，并提出深刻的问题，即这样的机构是否仍然代表任何传统意义上的“银行”。

通用 AI 助手

在一个真正的 AI 银行中，每位员工都配备了深度整合到所有工作流程中的个人 AI 助手。投资银行家会命令他们的 AI 准备客户会议材料、分析潜在收购目标或起草条款单。交易员则指示 AI 代理监控市场、执行策略并优化投资组合。合规官则将 AI 用于监控交易中的可疑模式、生成监管报告和研究监管变更。技术团队则使用 AI 进行软件开发、基础设施管理和系统优化。

这些 AI 助手并不仅仅是像当前的聊天机器人那样回应单一的询问。它们在会话中保持上下文，主动识别需要完成的任务，与其他 AI 助手安排会议协调工作，并从互动中不断学习以更好地预测需求。人类的职责转向策略的制定、高层次决策以及处理 AI 所缺乏的判断力、创造力或人际交往技能所需的情况。

自主运营流程

核心银行业务——开户、支付处理、交易结算、对账和合规报告——在 AI 系统中以最小的人为干预流转。这些系统不遵循严格的脚本，而是根据上下文调整行为。它们检测异常情况并决定是否标记出来供人工审核或自动解决。它们动态优化资源分配而不是遵循静态规则。它们识别工艺改进并在获得适当批准后实施更改。

传统的操作员工队伍基本消失，取而代之的是一小部分工程师、分析师和监督专家组成的团队，他们负责监控 AI 系统、处理边缘案例并不断改进自动化流程。效率的提升是惊人的——以前需要上千名员工的流程现在通过几十人完成，处理时间从以天计算压缩到以秒计算。

AI 定制客户体验

每一次客户互动——无论是通过移动应用程序、网站、电话还是线下分行——都通过 AI 个性化设计，基于对客户财务状况、偏好、目标和行为模式的综合理解。AI 不提供通用产品，而是根据个人情况设计解决方案。

对于零售客户，AI 提供可与人类顾问媲美的财务规划指导，监控消费模式以发现储蓄机会，主动建议改善财务状况的措施。它检测到生活事件——新工作、购房、孩子出生——并相应调整建议。对于企业客户，AI 分析业务操作，识别金融优化机会，并设计量身定制的银行解决方案。

人类顾问角色并未消失，而是演变。对于高净值个人和复杂企业客户，人类提供策略咨询、关系管理和在复杂财务决策中进行判断。对于常规需求和标准产品，AI 完全处理互动。

智能风险管理

风险管理变得连续、全面和自适应，而不是周期性和基于规则的。AI 系统一分钟不落地监控每笔交易、每个职位、每个交易对手风险敞口。它们检测到细微的模式，提示风险初露端倪时还没变成实质损失。它们对成百上千个潜在的未来进行情景分析，识别漏洞并建议缓解措施。他们优化资本配置以在保持合规的同时最大化风险调整后的回报。

信用决策即时通过 AI 分析完成，考虑的因素远多于传统的承销，涵盖交易模式、行为信号、外部数据来源以及人类分析师永远无法检测到的微妙关联。这一结果不仅是更准确的风险评估，也是更大的金融包容性，因为 AI 可以为缺乏传统信用历史但通过替代指标展示信用价值的客户提供信贷。

代理交易和资金管理

交易从人类决策加 AI 协助演化到人类监督下 AI 代理执行策略。这些代理不仅仅是执行指示，而是根据市场条件动态调整策略。它们识别机会、评估风险，并在多个市场和资产类别中同时执行交易。

资金管理的操作基本上变得自主，AI 管理流动性、优化筹资成本、有效部署资本并管理监管资本要求。这些系统不断从结果中学习并精炼策略，达成超越人类交易员的表现，同时以人为团队无法达到的规模运营。

无缝的跨境运营

AI 银行以一个统一的机构在全球运作，而不是一系列地区性操作的集合。AI 系统处理跨境交易，驾驭不同的监管体制，管理多种货币，并优化全球操作。语言障碍随着 AI 实时翻译的提供而消失。时区差异变得无关紧要，因为 AI 翘首以盼 24/7 运营。通过 AI 管理的监管复杂性，它跟踪各地的要求确保合规。

预测与主动银行

AI 银行不再对客户请求做出反应，而是预见需求。它识别客户何时可能需要信贷并提前提供。它检测到商业客户可能面临现金流挑战并在危机出现前提出解决方案。它识别客户可能从投资组合调整中获益的市场条件并建议行动。

这种主动方法还延伸到风控管理，AI 预测潜在欺诈在发生之前，识别不断出现的网络威胁，并发现操作漏洞。该机构从问题管理转变为问题预防。

组织架构

真正的 AI 银行业务的组织架构与传统银行有天壤之别。传统银行的大规模层级结构——管理层监督大批工人执行专门职能——让位于更加扁平的组织，迫使小型专家团队监管 AI 系统进行工作。

工作类别从操作者转向组织者，从执行者转向战略家，从处理者转向问题解决者。该机构变成了人机混合组织，其中定义人机贡献者之间的边界变得困难。

类别问题

这就提出了一个深刻的问题：这样的机构仍然是一个“银行”吗，还是它代表一种从本质上新的东西——一种恰好以公司形式组织的智能金融系统?传统银行是提供金融服务的人的组织。AI 银行是由人类管理的提供金融服务的人工智能系统。这一区别似乎只是语言上的，但它对监管、责任、公司治理以及我们如何看待金融机构在社会中的角色都有影响。 关于算法公平性、问责制以及人类判断在金融决策中的作用。

监管挑战极为艰巨。欧盟的《人工智能法案》通过对人工智能系统按风险进行分类，并要求高风险金融应用的透明度、人为监督以及偏见缓解，从而设定了全球标准。然而，大多数司法管辖区的综合框架仍在发展中，技术变革的速度已超越了监管适应。这给那些在人工智能能力上投资数十亿美元的机构带来了不确定性，因为他们没有明确的未来要求的了解。

AI 银行与基于区块链的金融的融合为这场变革增添了另一维度。预计到2030年，代币化将把多达16万亿美元的真实资产带到链上，主要银行已在试行代币化债券和存款。人工智能、传统银行业务和去中心化协议的交叉可能产生混合架构，结合自动化的效率、区块链的透明度和受监管机构的稳定性。

AI 驱动的银行是否不可避免，取决于对“AI 驱动”的定义。大多数大型银行将部署大量AI能力几乎是确定的——竞争压力确保了这一点。然而，银行是否会成为摩根大通设想的全面AI连接企业仍不确定，这将取决于是否成功应对技术挑战、监管演变和组织变革管理。

最明显的是，2030年的银行业务将与今天的银行业务有着深刻的不同。通过这场变革而出现的机构可能仅在表面上与其前身相似，因为它们已围绕人工智能从根本上进行了重构。我们将这些实体称为“AI 银行”、“智能金融机构”还是简单的“银行”并不那么重要，重要的是认识到我们正处于一个拐点，技术从根本上重新定义了银行业务的含义以及金融服务的运作方式。

这次转型带来风险的同时也带来了机遇。它可能会巩固大型机构的优势，加剧如果AI系统延续偏见所引发的金融排斥，产生新的系统性风险，并使数十万工人失业。在捕捉AI带来的好处的同时管理这些风险，是行业、监管机构和政策制定者面临的关键挑战。

最终的问题可能是，与传统机构相比，AI驱动的银行是否能更好地服务客户和社会。如果AI能够实现更易获得的金融服务、更公平的信用决策、更好的风险管理以及更高效的运营，从而转化为更低的成本和更好的客户体验，那么尽管存在干扰，这一变革仍值得支持。如果AI聚集了权力、放大了偏见、减少了问责制并主要服务于股东而非更广泛的利益相关者，那么需要保持谨慎。

答案将不来自技术本身，而是来自机构和监管者在如何部署和管理银行业中的人工智能的选择。技术能够实现转型，但人类决定这次转型是服务于广泛的社会利益还是狭隘的私人利益。在我们驾驭这个拐点时，这些选择将塑造未来数十年的金融。

真正的 AI 驱动银行即将到来。问题是什么样的机构将会出现，它将服务于谁的利益。深思熟虑地回答这个问题将决定这次转型是代表进步还是仅仅是变化。