生成式AI的財富管理未來

曲向軍　韓峰

2023年9月5日，中國國際服務貿易交易會（服貿會）上，高通公司展出的全球首個可以完全運行在安卓智能手機上的生成式AI大模型。圖/IC

縱觀2023年上半年國內外各大科技戰略趨勢和投資熱點領域榜單，毫無疑問，生成式人工智能（下稱“生成式AI”）是最引人注目的技術之一。伴隨ChatGPT橫空出世，這項新興技術進入了一個前所未有的熱潮之中，各行各業都在圍繞相關話題展開討論，更不必提科技巨頭和AI廠商紛紛下場，唯恐錯過此番科技盛宴，也有行業翹楚和媒體將生成式AI浪潮類比昔日的移動互聯網機遇，進一步凸顯了其潛在的巨大價值和影響力。

與傳統AI相比，生成式AI具有四大核心優勢，使其備受矚目，包括自動化和效率提升、個性化和定制化、創造性和創新能力以及可解釋性和透明度。這對于金融、醫療等需要可解釋性的領域尤為重要，有助于建立信任、滿足監管要求，并使人們更容易接受和采納系統決策。

簡而言之，生成式AI可通過提高生產效率、推動創新能力和改變競爭格局三大方式，為全球各行各業創造巨大價值。

麥肯錫預測，AI整體將為全球經濟帶來高達25.6萬億美元的正面經濟影響，而其中來自生成式AI的貢獻高達7.9萬億美元，相當于當前全球經濟總GDP（國內生產總值）體量的8%。

場景：生成式AI的金融行業新變

生成式AI之所以能吸引世界各地人們的注意力和想象力，要歸功于其廣泛的實用性——幾乎任何人都可以使用其理解自然語言和創造內容的“超能力”，這使得生成式AI在提升行業生產效率和促進產品創新方面具有顯著優勢，預期未來將顛覆全球各行各業的現有格局。

從行業來看，生成式AI產生價值最大的三個行業為高科技、銀行業及零售。麥肯錫估計，到2032年，生成式AI每年將會給全球銀行業（含資產和財富管理，下文統稱“資管”）帶來約2000億-3400億美元的新增價值，占銀行業年收入的比例高達2.8%-4.7%。加上生成式AI在保險業預期每年帶來的500億-700億美元新增價值（約占行業年收入比例為1.8%-2.0%），我們預計生成式AI用例在金融行業（銀行、保險和資管）的價值池約為2500億-4100億美元。

由此可見，無論是絕對價值還是相對增長潛力，金融行業都是生成式AI用例最具潛力的行業之一。那么，令人眼花繚亂的生成式AI究竟如何結合行業特征創造價值？麥肯錫觀察到，當前有四類最主流的應用方式，將合計貢獻生成式AI在金融業產生的總效益的75%，我們將其總結為“4C”，分別是：內容提煉/虛擬專家（Concision）、用戶互動（Customer engagement）、內容生成（Content generation）和編程加速（Coding）。

GenAI用例在不同行業和部門中具有不同規模的影響

注：由于四舍五入，數字之和可能不等于100%。1. 不包括實施成本（例如培訓、許可證）；2. 不包括軟件工程；3. 包括航空航天、國防和汽車制造；4. 包括汽車零售資料來源：比較行業服務（CIS）、IHS Markit；牛津經濟雜志；麥肯錫公司和業務職能數據庫；麥肯錫制造和供應鏈360；麥肯錫銷售導航；麥肯錫數據庫Ignite；麥肯錫分析

分行業來看，銀行業方面，在內容提煉/虛擬專家方面，金融領域重復性和繁瑣的任務能夠通過生成式AI實現自動化，從而提高金融從業人員效率、降低成本，同時釋放員工時間用于更高價值的工作，而通過虛擬專家，銀行一線人員能從非結構化數據中歸納提取洞見、解讀文本，快速訪問所有相關信息，例如產品指南和政策，以即時滿足客戶請求，工作效率能提升60%。

其他典型用例還包括：交易處理：自動化處理金融交易，包括訂單處理、結算和清算等；財務報表生成：自動收集、整理和分析金融數據，生成準確和及時的符合會計準則的財務報表，有助于減少報表準備時間和降低人工錯誤；風險評估和合規檢查：自動分析大量金融數據，識別潛在風險因素，并進行合規檢查。

在用戶互動方面，生成式AI系統通過學習和分析大量的專業知識和人工經驗，為用戶提供個性化的解決方案和支持。金融企業可以據此提供更加個性化、高效和滿意度的服務。例如使用聊天機器人完成客戶觸達和數據收集，未來5年-10年至少80%以上的客戶互動可被自動化。其他典型用例包括：智能助手、個性化推薦和定制化服務、情感分析和情緒監測。

2023年9月1日，國家會議中心內，一家銀行展臺的迎賓接待機器人。圖/新華

在內容生成方面，生成式AI通過學習和分析大量文本、圖像和音頻數據，可以生成文字和視覺圖示等新內容，加速金融業企業內容研發流程。例如可以生成金融市場分析報告和個性化投資洞察；可用來擬定合同、招標書等重要文件；還可以用來編寫銀行、保險、資管和券商等的宣傳文案和營銷材料。

金融領域尤其是量化交易以及風險管理方面，高效、準確的代碼編寫是至關重要的。在編程加速方面，生成式AI能夠解讀并生成代碼，通過自動生成代碼片段、模板和算法，實現軟件開發過程加速和人工失誤減少。

從銀行業務職能部門的角度來看，生成式AI用例對一線分銷，客戶運營，技術以及法律、風險、合規和欺詐部門這四個職能的影響最大，約占其在銀行整體價值潛力池的70%。使用生成式AI工具，能夠增強客戶滿意度，改善決策與提升員工體驗，并通過更好地監控欺詐等行為來降低風險。

從保險業來看，作為金融行業的重要組成部分，依舊按照4C的視角看，生成式AI對產險和壽險等都將帶來巨大價值。

其中包括：軟件開發速度和質量的提升、保險理賠員效率的大幅提升、保險經紀人的效率和客戶價值主張的提升、保險客戶體驗的顯著改善等。

在用例成效上，麥肯錫觀察到，復雜索賠（例如訴訟索賠）的賠付成本可節約約25%，辨別欺詐騙保的準確率可提高約18%，99%的核保流程可被生成式AI承保解決方案自動化，保險公司的承保成本有望降低10%-20%。

從資管行業來看，麥肯錫也觀察總結了生成式AI的4C應用。如在內容提煉、虛擬專家方面，基于非結構化數據生成見解并推動投資行動，例如尋找投資標的。例如美國某全球商業、金融和財經資訊的提供商，開發了自己的GPT：針對特定金融領域數據和一般數據相結合進行培訓的大模型；圍繞回答財務問題和報告分析。

再如在編程加速方面，美國某跨國投資銀行與金融服務公司在內部使用ChatGPT類型的AI工具來幫助開發人員編寫代碼；在內容生成上，某北美資管公司利用ChatGPT來加速營銷抵押品的內容創建，以及創建數據可視化或篩選工具；在用戶互動上，美國最大的基金管理公司之一推出AI輔助的注冊技術業務，允許金融機構使用專有NLP模型創建，審查和批準公共通信。上述生成式AI用例都是橫跨資管業務功能，且兼顧投資人和資管公司內部員工的需求。

追根究底，生成式AI能夠在金融業發揮巨大價值，是源于行業長期以來形成的四項特征，以銀行為例：首先，與傳統的IT架構有關，幾十年來，銀行一直在投資技術，積累了大量的“技術債務”以及孤立而復雜的IT架構；其次，從面向客戶的大型員工隊伍角度來看，銀行業依賴大量業務服務代表；第三，銀行方面的文件工作繁重，生成式AI的影響可以跨越整個組織，協助所有員工編寫電子郵件、創建業務演示文稿和其他任務；另外，作為一個受到嚴格監管的行業，銀行業有大量的風險、合規性和法律需求。

綜上所述，對于金融機構，生成式AI應用能夠通過減少人為錯誤來提高生產效率，節省時間和資源；同時增強創新能力，為終端用戶提供更優秀的產品和更良好的服務體驗。

GenAI用例創造的價值中，約75%來自“4C”領域

資料來源：麥肯錫全球研究院

投資：金融視域下的產業前景

由于生成式AI蓬勃發展，其產業規模也在高速增長，引來投資者紛紛入局。據彭博數據顯示，2022年生成式AI市場收入規模為400億美元，預計2027年及2032年將分別達到3990億美元和13040億美元。2022年-2032年復合增長率達42%。

中國市場方面，據《中國AI數字展望2021-2025》數據，2022年規模約660億元，2020年-2025年復合增速將達84%，2025年將占全球市場規模（2170億美元）的14%。由此看來，生成式AI不僅在為全球經濟創造巨大價值，其產業本身也擁有巨大的投資機會。

生成式AI價值鏈由六個環節組成，分別是專用硬件、云平臺、基礎模型、模型中心和MLOps、應用和服務。伴隨著技術的欣欣向榮，整個價值鏈都蘊藏著巨大機會，但研究表明各環節市場機會存在顯著差異，部分環節的資源投入、專業知識和先發者優勢形成的行業壁壘，成為新進入者和小型企業展業的強大阻力。

2022年到2035年全球市場規模增量主要來源于訓練側硬件、廣告應用和軟件。其中，基礎設施服務年復合增長率將達到60%，增量達2448億美元。廣告應用年復合增長率則達到125%，增量達1924億美元。

在生成式AI的價值鏈條之上，有如下市場機會值得關注：

一、專用硬件：模型訓練和推理過程所用算力基礎設施，市場壁壘較高，基本為大玩家占據算力硬件的核心是以GPU和TPU為代表的計算芯片。

二、云平臺：訪問算力基礎設施以及運行生成式AI工作負載的平臺，市場份額較為集中。

三、基礎模型：生成式AI價值鏈的核心環節，依靠專業知識和成本投入驅動，通用大模型賽道趨勢表現為頭部集中，行業大模型賽道仍有市場空白。

四、模型中心和MLOps：托管、微調和部署模型的工具，巨頭和獨立廠商形成差異化競爭模型中心和MLOps承擔在基礎模型之上構建應用的兩項必須的工作：一是模型倉庫，提供存儲和訪問基礎模型的空間；二是專門的MLOps工具用于微調和部署基礎模型至應用。

五、應用：基于大模型微調的終端應用，是初創企業擁有最大機會的賽道，約一半生成式AI獨角獸企業誕生于這個市場，我們預期，在短期內，為垂類行業和特定功能開發，基于精細微調的模型所建立的應用能夠最早脫穎而出。

六、服務：依托模型產品提供增值服務的整體解決方案提供商為大廠壟斷，但垂類領域仍有中小型玩家參與的市場空間。

部署生成式AI時，CEO需要考慮的7件事情

資料來源：麥肯錫分析

實戰：企業如何部署生成式AI

首先是運營模式的轉變。規模化推廣GenAI，需要企業進行全方位的運營模式轉型，并將AI內嵌到業務的每個環節。在規模化實施GenAI應用時，一個成功的運營模式應涵蓋六大方面：戰略路線圖、人才、運營模式、技術、數據以及技術應用與變革管理。

生成式AI在飛速演進，CEO（首席執行官）們也在探索其商業價值及潛在風險。CEO在推動企業關注生成式AI方面發揮著重要作用。CEO在踏上征途時需要熟記的策略，其中有很多與過往技術浪潮興起時企業高管應當做出的反應一致。

然而，生成式AI也帶來了獨有的挑戰，這包括其超越以往技術變革的空前發展速度及隨之而來的應對難度。

為此，我們提供一份生成式AI核心概要，供廣大CEO們參考（見上圖）。

在決策應用生成式AI之前，考慮從零開始摸索和反復試錯的大量時間及資源投入成本，企業也可適當借力專業機構的力量來加快部署生成式AI，利用第三方的技術、知識和經驗，避免繞彎路和踩坑，更快速、經濟地達到價值創造的目標。

此外，值得注意的是，生成式AI為各行各業提供了新的增長動力，卻也存在一定的負面影響，金融機構在應用生成式AI時尤其需要關注模型幻覺、惡意使用、信息泄露等三大關鍵風險。企業需要高度重視并積極采取措施進行妥善防范和管理，最小化其潛在風險，最大化釋放其價值。

（作者曲向軍為麥肯錫全球資深董事合伙人、中國區金融機構咨詢業務負責人，韓峰為麥肯錫全球董事合伙人，麥肯錫團隊成員胡藝蓉、方浩翔、方溪源、李靜瑤、宋戈、邱外山、王喆宸、蔣子翔、魯志娟等對此文亦有貢獻；《財經》研究員丁艷對此文亦有貢獻；編輯：楊芮、張威）