APP下载

生成式AI的财富管理未来

2023-09-27曲向军韩峰

财经 2023年19期
关键词:麦肯锡用例模型

曲向军 韩峰

2023年9月5日,中国国际服务贸易交易会(服贸会)上,高通公司展出的全球首个可以完全运行在安卓智能手机上的生成式AI大模型。图/IC

纵观2023年上半年国内外各大科技战略趋势和投资热点领域榜单,毫无疑问,生成式人工智能(下称“生成式AI”)是最引人注目的技术之一。伴随ChatGPT横空出世,这项新兴技术进入了一个前所未有的热潮之中,各行各业都在围绕相关话题展开讨论,更不必提科技巨头和AI厂商纷纷下场,唯恐错过此番科技盛宴,也有行业翘楚和媒体将生成式AI浪潮类比昔日的移动互联网机遇,进一步凸显了其潜在的巨大价值和影响力。

与传统AI相比,生成式AI具有四大核心优势,使其备受瞩目,包括自动化和效率提升、个性化和定制化、创造性和创新能力以及可解释性和透明度。这对于金融、医疗等需要可解释性的领域尤为重要,有助于建立信任、满足监管要求,并使人们更容易接受和采纳系统决策。

简而言之,生成式AI可通过提高生产效率、推动创新能力和改变竞争格局三大方式,为全球各行各业创造巨大价值。

麦肯锡预测,AI整体将为全球经济带来高达25.6万亿美元的正面经济影响,而其中来自生成式AI的贡献高达7.9万亿美元,相当于当前全球经济总GDP(国内生产总值)体量的8%。

场景:生成式AI的金融行业新变

生成式AI之所以能吸引世界各地人们的注意力和想象力,要归功于其广泛的实用性——几乎任何人都可以使用其理解自然语言和创造内容的“超能力”,这使得生成式AI在提升行业生产效率和促进产品创新方面具有显著优势,预期未来将颠覆全球各行各业的现有格局。

从行业来看,生成式AI产生价值最大的三个行业为高科技、银行业及零售。麦肯锡估计,到2032年,生成式AI每年将会给全球银行业(含资产和财富管理,下文统称“资管”)带来约2000亿-3400亿美元的新增价值,占银行业年收入的比例高达2.8%-4.7%。加上生成式AI在保险业预期每年带来的500亿-700亿美元新增价值(约占行业年收入比例为1.8%-2.0%),我们预计生成式AI用例在金融行业(银行、保险和资管)的价值池约为2500亿-4100亿美元。

由此可见,无论是绝对价值还是相对增长潜力,金融行业都是生成式AI用例最具潜力的行业之一。那么,令人眼花缭乱的生成式AI究竟如何结合行业特征创造价值?麦肯锡观察到,当前有四类最主流的应用方式,将合计贡献生成式AI在金融业产生的总效益的75%,我们将其总结为“4C”,分别是:内容提炼/虚拟专家(Concision)、用户互动(Customer engagement)、内容生成(Content generation)和编程加速(Coding)。

GenAI用例在不同行业和部门中具有不同规模的影响

注:由于四舍五入,数字之和可能不等于100%。1. 不包括实施成本(例如培训、许可证);2. 不包括软件工程;3. 包括航空航天、国防和汽车制造;4. 包括汽车零售资料来源:比较行业服务(CIS)、IHS Markit;牛津经济杂志;麦肯锡公司和业务职能数据库;麦肯锡制造和供应链360;麦肯锡销售导航;麦肯锡数据库Ignite;麦肯锡分析

分行业来看,银行业方面,在内容提炼/虚拟专家方面,金融领域重复性和繁琐的任务能够通过生成式AI实现自动化,从而提高金融从业人员效率、降低成本,同时释放员工时间用于更高价值的工作,而通过虚拟专家,银行一线人员能从非结构化数据中归纳提取洞见、解读文本,快速访问所有相关信息,例如产品指南和政策,以即时满足客户请求,工作效率能提升60%。

其他典型用例还包括:交易处理:自动化处理金融交易,包括订单处理、结算和清算等;财务报表生成:自动收集、整理和分析金融数据,生成准确和及时的符合会计准则的财务报表,有助于减少报表准备时间和降低人工错误;风险评估和合规检查:自动分析大量金融数据,识别潜在风险因素,并进行合规检查。

在用户互动方面,生成式AI系统通过学习和分析大量的专业知识和人工经验,为用户提供个性化的解决方案和支持。金融企业可以据此提供更加个性化、高效和满意度的服务。例如使用聊天机器人完成客户触达和数据收集,未来5年-10年至少80%以上的客户互动可被自动化。其他典型用例包括:智能助手、个性化推荐和定制化服务、情感分析和情绪监测。

2023年9月1日,国家会议中心内,一家银行展台的迎宾接待机器人。图/新华

在内容生成方面,生成式AI通过学习和分析大量文本、图像和音频数据,可以生成文字和视觉圖示等新内容,加速金融业企业内容研发流程。例如可以生成金融市场分析报告和个性化投资洞察;可用来拟定合同、招标书等重要文件;还可以用来编写银行、保险、资管和券商等的宣传文案和营销材料。

金融领域尤其是量化交易以及风险管理方面,高效、准确的代码编写是至关重要的。在编程加速方面,生成式AI能够解读并生成代码,通过自动生成代码片段、模板和算法,实现软件开发过程加速和人工失误减少。

从银行业务职能部门的角度来看,生成式AI用例对一线分销,客户运营,技术以及法律、风险、合规和欺诈部门这四个职能的影响最大,约占其在银行整体价值潜力池的70%。使用生成式AI工具,能够增强客户满意度,改善决策与提升员工体验,并通过更好地监控欺诈等行为来降低风险。

从保险业来看,作为金融行业的重要组成部分,依旧按照4C的视角看,生成式AI对产险和寿险等都将带来巨大价值。

其中包括:软件开发速度和质量的提升、保险理赔员效率的大幅提升、保险经纪人的效率和客户价值主张的提升、保险客户体验的显著改善等。

在用例成效上,麦肯锡观察到,复杂索赔(例如诉讼索赔)的赔付成本可节约约25%,辨别欺诈骗保的准确率可提高约18%,99%的核保流程可被生成式AI承保解决方案自动化,保险公司的承保成本有望降低10%-20%。

从资管行业来看,麦肯锡也观察总结了生成式AI的4C应用。如在内容提炼、虚拟专家方面,基于非结构化数据生成见解并推动投资行动,例如寻找投资标的。例如美国某全球商业、金融和财经资讯的提供商,开发了自己的GPT:针对特定金融领域数据和一般数据相结合进行培训的大模型;围绕回答财务问题和报告分析。

再如在编程加速方面,美国某跨国投资银行与金融服务公司在内部使用ChatGPT类型的AI工具来帮助开发人员编写代码;在内容生成上,某北美资管公司利用ChatGPT来加速营销抵押品的内容创建,以及创建数据可视化或筛选工具;在用户互动上,美国最大的基金管理公司之一推出AI辅助的注册技术业务,允许金融机构使用专有NLP模型创建,审查和批准公共通信。上述生成式AI用例都是横跨资管业务功能,且兼顾投资人和资管公司内部员工的需求。

追根究底,生成式AI能够在金融业发挥巨大价值,是源于行业长期以来形成的四项特征,以银行为例:首先,与传统的IT架构有关,几十年来,银行一直在投资技术,积累了大量的“技术债务”以及孤立而复杂的IT架构;其次,从面向客户的大型员工队伍角度来看,银行业依赖大量业务服务代表;第三,银行方面的文件工作繁重,生成式AI的影响可以跨越整个组织,協助所有员工编写电子邮件、创建业务演示文稿和其他任务;另外,作为一个受到严格监管的行业,银行业有大量的风险、合规性和法律需求。

综上所述,对于金融机构,生成式AI应用能够通过减少人为错误来提高生产效率,节省时间和资源;同时增强创新能力,为终端用户提供更优秀的产品和更良好的服务体验。

GenAI用例创造的价值中,约75%来自“4C”领域

资料来源:麦肯锡全球研究院

投资:金融视域下的产业前景

由于生成式AI蓬勃发展,其产业规模也在高速增长,引来投资者纷纷入局。据彭博数据显示,2022年生成式AI市场收入规模为400亿美元,预计2027年及2032年将分别达到3990亿美元和13040亿美元。2022年-2032年复合增长率达42%。

中国市场方面,据《中国AI数字展望2021-2025》数据,2022年规模约660亿元,2020年-2025年复合增速将达84%,2025年将占全球市场规模(2170亿美元)的14%。由此看来,生成式AI不仅在为全球经济创造巨大价值,其产业本身也拥有巨大的投资机会。

生成式AI价值链由六个环节组成,分别是专用硬件、云平台、基础模型、模型中心和MLOps、应用和服务。伴随着技术的欣欣向荣,整个价值链都蕴藏着巨大机会,但研究表明各环节市场机会存在显著差异,部分环节的资源投入、专业知识和先发者优势形成的行业壁垒,成为新进入者和小型企业展业的强大阻力。

2022年到2035年全球市场规模增量主要来源于训练侧硬件、广告应用和软件。其中,基础设施服务年复合增长率将达到60%,增量达2448亿美元。广告应用年复合增长率则达到125%,增量达1924亿美元。

在生成式AI的价值链条之上,有如下市场机会值得关注:

一、专用硬件:模型训练和推理过程所用算力基础设施,市场壁垒较高,基本为大玩家占据算力硬件的核心是以GPU和TPU为代表的计算芯片。

二、云平台:访问算力基础设施以及运行生成式AI工作负载的平台,市场份额较为集中。

三、基础模型:生成式AI价值链的核心环节,依靠专业知识和成本投入驱动,通用大模型赛道趋势表现为头部集中,行业大模型赛道仍有市场空白。

四、模型中心和MLOps:托管、微调和部署模型的工具,巨头和独立厂商形成差异化竞争模型中心和MLOps承担在基础模型之上构建应用的两项必须的工作:一是模型仓库,提供存储和访问基础模型的空间;二是专门的MLOps工具用于微调和部署基础模型至应用。

五、应用:基于大模型微调的终端应用,是初创企业拥有最大机会的赛道,约一半生成式AI独角兽企业诞生于这个市场,我们预期,在短期内,为垂类行业和特定功能开发,基于精细微调的模型所建立的应用能够最早脱颖而出。

六、服务:依托模型产品提供增值服务的整体解决方案提供商为大厂垄断,但垂类领域仍有中小型玩家参与的市场空间。

部署生成式AI时,CEO需要考虑的7件事情

资料来源:麦肯锡分析

实战:企业如何部署生成式AI

首先是运营模式的转变。规模化推广GenAI,需要企业进行全方位的运营模式转型,并将AI内嵌到业务的每个环节。在规模化实施GenAI应用时,一个成功的运营模式应涵盖六大方面:战略路线图、人才、运营模式、技术、数据以及技术应用与变革管理。

生成式AI在飞速演进,CEO(首席执行官)们也在探索其商业价值及潜在风险。CEO在推动企业关注生成式AI方面发挥着重要作用。CEO在踏上征途时需要熟记的策略,其中有很多与过往技术浪潮兴起时企业高管应当做出的反应一致。

然而,生成式AI也带来了独有的挑战,这包括其超越以往技术变革的空前发展速度及随之而来的应对难度。

为此,我们提供一份生成式AI核心概要,供广大CEO们参考(见上图)。

在决策应用生成式AI之前,考虑从零开始摸索和反复试错的大量时间及资源投入成本,企业也可适当借力专业机构的力量来加快部署生成式AI,利用第三方的技术、知识和经验,避免绕弯路和踩坑,更快速、经济地达到价值创造的目标。

此外,值得注意的是,生成式AI为各行各业提供了新的增长动力,却也存在一定的负面影响,金融机构在应用生成式AI时尤其需要关注模型幻觉、恶意使用、信息泄露等三大关键风险。企业需要高度重视并积极采取措施进行妥善防范和管理,最小化其潜在风险,最大化释放其价值。

(作者曲向军为麦肯锡全球资深董事合伙人、中国区金融机构咨询业务负责人,韩峰为麦肯锡全球董事合伙人,麦肯锡团队成员胡艺蓉、方浩翔、方溪源、李静瑶、宋戈、邱外山、王喆宸、蒋子翔、鲁志娟等对此文亦有贡献;《财经》研究员丁艳对此文亦有贡献;编辑:杨芮、张威)

猜你喜欢

麦肯锡用例模型
UML用例间包含关系与泛化关系的比较与分析
UML用例模型中依赖关系的比较与分析
重要模型『一线三等角』
重尾非线性自回归模型自加权M-估计的渐近分布
联锁软件详细设计的测试需求分析和用例编写
從出土文獻用例看王氏父子校讀古書的得失
企业固定资产管理创新——基于麦肯锡7S模型的视角
3D打印中的模型分割与打包
FLUKA几何模型到CAD几何模型转换方法初步研究
麦肯锡模式对我国中小管理咨询公司营销策略的启示