本文共字，预计阅读时间。

报告出品：剑桥大学替代金融中心（CCAF）、剑桥大学法官商学院和世界经济论坛（WEF）。

报告翻译：人民大学数字经济研究中心，指导教授：程华

点击查看《人工智能在金融中的应用正带来“范式革命”（第一部分）》

第三章：人工智能的业务影响

尽管当前FinTechs更加重视AI在其业务中的战略重要性，但大多数现有公司和FinTechs都期望AI在两年内成为重要的业务推动力。
类似地，尽管目前人工智能在各个关键金融服务部门之间的战略相关性存在显著差异，但调查结果表明，公司期望人工智能在两年内变得无处不在，而支付方面的增幅最大。

调查结果表明，现有金融服务机构的期望可以通过他们日益从使用AI来实现更精简，更具成本效益的运营转向通过流程创新和支持AI的客户服务解决方案追求差异化战略来解释。

另一方面，已经看到许多金融科技公司奉行基于差异化的AI策略，该策略基于利用AI来创建新产品和服务。此外，更大比例的金融科技公司正在销售支持AI的产品即服务。这被证明是一种独特的、新的、支持AI的业务模型，它通过利用更大，更多样化的数据集通过共享平台提供AI驱动的服务，从而利用了AI的规模经济。
随着某些支持AI的解决方案成为商品，企业被激励利用AI创造真正的新价值主张，以通过产品差异化建立弹性的竞争优势。

3.1 人工智能的未来业务相关性

“一个世纪前，工厂在没有重新考虑其生产线的情况下电气化，因此看不到生产力的提高。同样，没有管理和组织变革的机器学习技术也将失效。”

——麻省理工学院数字经济计划主任，麻省理工学院斯隆管理学院教授（Erik Brynjolfsson（Johnson，2019）

第1章强调了金融服务行业中许多人对AI的发展抱有的强烈期望和希望。但是，这也刺激了许多问题。人工智能对不同金融服务部门的重要性如何？组织如何利用AI作为成功的有效催化剂？就R＆D进行投资是否会在盈利能力方面获得一致的回报？此外，仍然存在一个开放的问题，即围绕培养哪些资源可以通过AI进行长期业务转型以及是否有一种“正确”的AI策略适用于所有金融服务部门。在这方面，金融服务新物理（McWaters等人（2018）等得出的结论是，人才和技术是长期业务转型的两个主要驱动力，金融机构应在当前活动的优化与不断发展的人才战略之间取得平衡。

图3.1表明，超过四分之三的受访者期望AI在两年内成为其业务不可或缺的一部分。当前，只有不到一半的参与者认为人工智能对其业务具有“高度”或“非常高”的重要性。虽然这种转变是在所有金融服务部门的现有公司和金融科技公司都可以观察到的，但其背后的推动力各不相同。本章将对此进行进一步探讨。

图3.1：随着时间的推移，人工智能的战略重要性

图3.2：按实体类型划分的人工智能在一段时间内的战略重要性

金融科技公司目前认为AI对他们的业务更为重要（54％的人称AI的重要性为“高”或“非常高”，而现有公司中的这一比例为37％）。但是，现有公司对AI的期望很高，在两年之内将达到与其业务相似的重要性（图3.2）。

尽管未来的前景应该谨慎对待，但这些期望可能是合理的。为了加快AI的采用，现有企业可能会利用其典型的规模优势，通过收集大量数据或通过专用的企业资源（如创新）更好地组织AI的监督和实施来实现大规模AI部门（第2章，图2.13）。创建这些数据流水线有可能推动现有金融服务机构采用当前正在采取的创新方法，该方法主要侧重于利用AI来增强现有产品和服务（第2章，图2.12）。

另一方面，当统计“非常高”和“高”响应时，与现有企业相比，金融科技公司期望人工智能对企业的重要性的增长会略低于现有公司（两年的增长分别为21％和41％）。总体而言，这可能意味着随着相关用例的复杂性（和业务重要性）的提高，在整个组织中采用AI变得越来越困难，这意味着以前没有AI的公司预计在两年内的重要性要比以前更高。对于已经非常重视AI的公司而言，它们的重要性有望进一步提高。

图3.3：随着时间的推移，人工智能在关键金融服务领域的战略重要性

如图3.3所示，市场基础设施和专业服务组织目前认为AI最重要，有62％的人指出AI是“高”或“非常高”的重要性。投资管理，存款和贷款行业的组织数据相似，而人工智能对支付提供商的重要性目前明显较低。

各行业中约四分之三的受访者预计，人工智能在两年内对其业务的重要性“高”或“非常高”。

因此，在短期内，人工智能将对业务转型具有重要意义。

AI重要性的相对增长在支付服务提供商中最高，有72％的人预计两年内“高”或“非常高”的重要性，而目前这一比例为23％。如第2章所述，该增长可能归因于与投资管理，存款和贷款行业相比，该行业中AI的使用范围更广。例如，Payments在实现用于流程再造和自动化的AI方面排名最高，而在采用AI通过新产品/流程产生新的收入潜力方面排名最后。

这些发现表明，目前已经大量使用自动化的用例并没有重新定义支付提供商的业务模型。但是，公司可能会在付款中认为AI的价值主张与业务产生方面的业务相关性更高并计划在短期内实施。

虽然与存款和借贷以及市场基础设施和专业服务相比，人工智能目前似乎在投资经理中的作用较小，但公司的看法表明，人工智能将成为大多数投资经理必不可少的工具。有82％的投资经理期望AI在两年内具有“高”或“非常高”的重要性，并且没有人期望人工智能低于“适度”水平。但是，很明显，那些声称“非常高”重要性的人从今天到两年后并没有增加。这可能表明，尽管人工智能技术已经取得了长足的发展，但它仍然无法替代人力投资决策。

活跃于存款和贷款业务的公司中，有74％的人认为AI在两年内具有“高”或“非常高”的重要性，而目前这一数字为43％。

第二章讨论的统计数据支持了AI相关性的上升。这些表明许多组织仍处于AI实施之前的阶段，尤其是在产生新的收入潜力，吸引客户和流程方面重新设计和自动化。但是，超过40％的受访者目前正在或计划在两年内在这些领域中实施AI。

3.2 AI如何影响现有的业务属性

从图3.4中显示的受访者看法来看，可以看出AI似乎在很大程度上对组织的盈利能力产生了积极的影响。

图3.4：人工智能对盈利能力的影响感知

总体而言，超过一半的受访者报告了AI导致的盈利能力提高（尽管只有18％的受访者表示显著提高）。

将其与AI上的R＆D支出一起进行检查后发现，在AI上投入超过R＆D的10％的所有组织中，有88％认为获利能力提高。鉴于大多数组织仍主要使用AI来降低成本并增强现有产品和服务，而不是创造新的价值主张（请参阅第2章），这些结果意味着AI提供了有利的投资机会。但是，人工智能对盈利能力的影响在现有企业和金融科技企业之间存在显著差异(图3.5)，这表明人工智能对金融科技企业盈利能力的影响似乎高于现有企业。如3.1节所述，该发现还对应于AI对组织的不同重要性。

图3.5：按实体类型划分的AI对获利能力的影响感知

如图3.6所示，人工智能对金融科技公司和现有公司的精益程度的影响非常相似。 但是，产品差异对金融科技和现有企业的影响存在明显差距，其中46％的金融科技表明显著增加，而现有企业只有18％。

这些发现如图3.7所示，并且与金融科技公司更多地利用AI来创建新产品和服务（根据3.3节）相关。

尽管现有公司确实表现出在将AI应用于流程再造和通过支持AI的数据分析中产生新见解方面的优势，但这些发现表明，与利用AI创造新的价值主张相比，现有公司更注重流程的AI战略的影响。

图3.6：按实体类型划分的AI对精度影响的感知及AI对产品差异影响的感知

相比于落后者，更多的人工智能领导者(38% vs. 10%)认为人工智能会导致产品差异化的显著提高，但AI导致的精益度提高(19% vs. 20%)几乎不存在这种差距。

在某种程度上，如果要进行运营，并且要在整个组织中扩展AI，可能就需要创建新的组织基础结构来监督和管理AI，这可能会付出巨大的前期（复杂）成本并在短期内降低精益程度。

表3.1：AI领导者和落后者对产品差异化和精度影响的感知

这些发现还提出了一个问题，即AI的扩散，特别是在仅增加精益且不构成新价值主张的用例中，是否会导致竞争优势的侵蚀。例如，越来越多的公司利用AI来提高交付水平（特别是在速度和准确性方面），他们的服务可能会导致行业范围内标准的提高，进而导致客户期望的提高。

3.3 通过支持AI的B2B产品推动新的商业价值

尽管前面的部分已经说明了AI如何通过基于新的或现有的数据集提供新颖的见解来促进流行的商业模型，但调查还发现，将AI出售为服务是企业在B2B环境中成功利用AI的独特新价值主张。

在这种情况下，将AI即服务出售定义为出售纯AI功能（即算法）或部分或全部基于AI的数字产品和平台，其中大多数真实示例都代表了AI（McWaters等人，2018）。

与AI相关的关键优势之一（可能导致组织考虑将AI作为服务出售）是通过通过多功能数字平台与客户交互收集数据来获得对新数据集的访问的可能性。

通过积累更多的数据集，企业可以实现两倍的规模经济：一方面培训AI，另一方面为新的业务领域提供服务。 随后，这推动了组织向客户甚至竞争对手提供优质服务的能力，从而促进了独特卖点的创建，形成了基于并持续不断的业务创新自我强化循环（以前称为“ AI飞轮”）。

创建和维护利用海量数据集的全行业平台所涉及的工作可能会帮助那些已经拥有丰富经验的公司以及在其整个公司中运行不同大型AI应用程序所必需的基础结构（例如，第3章中讨论的数据基础结构） 发展自己的企业。

研究结果表明，将AI作为服务来销售在各个实体类型之间，存在明显差异。调查中有更多的金融科技公司以销售支持AI的产品即服务为样本（45％对比21％的现有公司），这与金融科技公司更频繁地使用AI来创建产品这一事实相关，而现有公司则在现有产品和服务中大量使用AI（第2章，图2.12）。

图3.8：按实体类型9出售AI即服务的受访者比例

几乎所有的AI领导者采取了将AI作为服务出售的做法，而AI落后者中只有13％的人将AI出售为服务。这一发现证实了以下假设：

从B2B角度来看，人工智能的使用代表了公司的一项主要业务模型创新，这些公司将AI置于其业务的核心，并利用其在业务中利用AI的经验为其他公司提供优质的服务平台。

图3.9：出售支持AI的产品即服务的AI领导者和落后者的比例

上述动态涉及数据和产品规模，除此之外，还有其他几个方面，但最重要的方面之一（尤其是关于第3节中提到的障碍）是，设法创建这些“ AI飞轮”的组织可能会更容易吸引顶尖人才。 但是，调查结果表明，这种感知上的差异很小–在所有将AI作为服务进行销售的组织中，有72％的组织将人才的获取作为AI实施的障碍，而总体上这一比例为84％。这可能表明，虽然更多专注于B2B的公司在吸引人才方面可能略有优势，但金融服务机构可能仍处于能够通过将AI作为服务出售来建立巨大规模经济的初期阶段。

第4章：AI实施的障碍

数据助力AI的发展，使公司得以扩展其AI的应用。数据访问和数据质量仍然是所有受访者应用AI的关键障碍，人才的获取也是如此。

数据质量问题可能意味着处理步骤成本高昂，甚至于数据集无法使用；同时，对数据的访问可能受到存在基础架构缺陷的组织的限制，这一缺陷包括对数据进行收集、存储和转移的能力。

人才的获取似乎是AI领导者面临的最主要障碍，这意味着越是复杂的AI解决方案越是需要不同的员工能力。

投资经理最难以访问数据，大概归因于他们给公众留下的数据使用量大的印象。支付提供商通常很少担心AI应用的障碍，这与以下事实相关：大多数支付提供商尚未将AI用作核心价值主张，并且可能未意识到AI实施的潜在障碍。

尽管目前认为有关AI可解释性的问题要少于其他障碍，但随着采用率的提高和公司克服了实施的最初障碍，这些问题将会变得更加明显。

4.1总体实施障碍

图4.1：受访者对AI实施障碍的看法

调查结果如图4.1所示，说明数据质量、数据可获取性以及人才可获取性是主要障碍，而硬件或软件的成本以及市场的不确定性视为次要的障碍。

数据质量

机器学习算法会反复学习，但很难在对其输入的数据范围之外进行推断。因此，对于任何想要应用AI的实体而言，获得大体量的、高质量的数据集是其重大挑战。事实也的确如此，如图4.1所示，91％的受访者认为数据质量问题是AI实施的一大障碍。数据质量本身可以分为多个问题，使得AI系统的成功培训是一个复杂的整体：

• 收集的数据，尤其是文本，图像或音频数据，往往缺少结构性。此类数据通常需要大量的人工输入进行注释。
• 数据可能是高维的，通常适用于可能包含数千个独特词汇的文本，每个单词都可以解释为一个输入维度。在训练机器学习算法中使用这些稀疏的高维数据集可能会阻碍模型发现数据中有意义的模式。但是，有一些自主的机器学习技术可以解决高维问题。例如，Word2Vec将单词表示为用户定义长度的向量，从而将输入维数从词汇量本身的维度减小到用户定义的维数（Mikolov等人，2013）。
• 另一个因素是数据噪声11，由此导致的困难在一定程度上与数据集大小相关。数据噪声会在不同程度上延缓训练的进度，甚至阻碍某些人工智能技术的凝练，尤其是对于小数据集，在数据预处理中需要额外的步骤。
• 丢失的数据点也可能是数据可用性的主要障碍之一，尤其是如果间隙是非随机的（在随机性的情况下，存在用于填充间隙的简单启发式）。随着数据量的增加，处理机器学习问题中的缺失数据已成为一个活跃的研究领域（Marlin，2008）。
• 另一个方面是类平衡，指数据集中的一个类所包含的实例数量明显比另一个类多，这种非类平衡的情况对于那些用于分类的数据集来说是一个显著的问题。这里举一个简单的例子：

采用神经网络技术进行信用违约的监督分类工作。给定一组输入（即代表单个客户的一组特征），神经网络会针对所有结果进行训练，以指示该客户是否存在违约行为。然而，数据集通常会包含显著更高数量的正向例子（在上述案例中，指没有发生违约的情况），而给算法极少反面例子进行训练。这可能导致在实操中出现扭曲的结果。

数据访问

数据的可访问性被受访者认为是与数据质量几乎同等重大的障碍，数据访问可能受到成本壁垒的限制和普遍可用性。（前者举例，高频限制订单簿数据集，这样的数据集每天或许能轻松跨越数百个时间戳）

一些数据集由于在公共领域未曾被引用过，因此只能由需要它的实体自己去收集；然而，对于缺乏必要的基础架构的组织来说，这可能是一项艰巨的任务。预处理和去噪手段对于内部数据收集来说是一个挑战，像一些公共数据集，尤其是通过有偿途径获取的公共数据集，通常已经将上述数据清洗工作作为服务而提供了。内部基础设施不匹配可能带来额外的挑战——特别是在整合尚未完成的企业中，其内部的筒仓和管道断联。

另一方面，内部数据的收集可以使那些拥有完善基础架构的组织受益；因为数据源和数据生成过程对外部数据起到相应的替代作用。因此，这些公司可以利用平滑的数据管道实现资本增值，摆脱不可预测的外部影响。

人才引进

调查结果还表明，获取合适的人才在人工智能仍然是最重要的整体障碍之一，84%的受访者认为人才引进是AI应用的一个障碍。这呼应了贝克-麦肯齐在2018的1份报告中的调查结果——在这份报告中，38%的研究者发现缺乏与AI技术相关的技能和专家是实现AI实施的最重要障碍（Bschor，Budworth和Boston，2018）。

随着人工智能越来越多的采用，对于AI领域专业人士的竞争开始涉及更大范围的实体和地域。首先，未来的金融机构很可能面临“大型技术公司”的激烈竞争。大多数金融机构在这种竞争中将会处于不利地位，尤其由于旧有的基础架构和技术而执行速度迟缓的老牌公司。针对上述问题，一个可能但昂贵的解决方法是创建衍生研究实验室，这也在第三章中进行了探讨，该实验室能够提供以技术为中心的文化理念和企业敏捷性，为AI人才提供一个优渥的环境。

鉴于对AI人才的争夺日益激烈，这种发展趋势是否可持续的问题对于学术界而言是显而易见的。《自然》杂志2016的一篇文章指出，像谷歌这样的“人才攫取”行为引起了人们对下述问题的关注，即利用高薪吸引研究人员离开学术界，而这些研究人员原本是要指导博士生的进一步研究的，因此企业的“人才攫取”行为是否会毁掉AI发展的根基呢？（吉布 2016）。

解释能力

人工智能的可解释性一直是一个反复出现的研究课题，在学术界和工业研究（信息专员办公室，2019）中都受到了关注。组成AI的许多算法表现出所谓的“黑匣子”特性，这意味着很难或不可能通过其输入内容来解释模型的结果。。虽然已经探索了几种方法来解决这个问题，从基于博弈论的解决方案（Lundberg和Lee，2017）到局部模型近似（Ribeiro，Singh和Guestrin，2016），但是一种具有普适性，可扩展，与模型复杂性无关的方法至今尚未发现。

在这项研究中，可解释性问题被分成两个主要因素：

• 人工智能的信任问题和用户采纳度
• 关于人工智能支持决策的可解释性的法规要求（第7章中讨论）

图4.1显示，64%的受访者认为缺乏信任和用户采用度低是AI应用的一个主要障碍。然而，合并的数字（未在图表中显示）表明，84%的受访者感到受到以上两个可解释性缺陷中任何一个的阻碍。

此外，解释性问题似乎是一个生命周期后期的障碍，与78% 的AI落后者相比，91%的AI领导人表示关注用户/信任为导向或监管的角度。由于在缺乏高质量数据集的情况下开始构建人工智能系统是不可行的，许多公司可能还尚未面对围绕理解或解释AI系统的问题。

4.2 AI领导者和落后者的障碍

图4.2：选择AI应用的障碍取决于AI采用的成熟度

图4.2显示了对于AI领导者和落后者来说，五个最主要的实施障碍，揭示了一个有趣的场景：AI落后者将某一障碍认定是显著的倾向更高，同时有较少的AI领导者表示某些因素对AI的实施没有阻碍。

对这一发现的可能解释是：AI领导者正在使用更复杂的机器学习算法来为更复杂的用例提供动力。这可能会导致对工程师的需求增加，以及将两个更广泛的概要类型汇总在一起：具有不同STEM背景的人员可能只能使用高级机器学习库，而具有专门研究学位的人员可以构建量身定制的模块化解决方案，甚至是创建全新的解决方案。

数据质量似乎对AI落后者来说是一个更为实质性的问题（54%的AI落后者表示这是一个重大的障碍，而AI领导者的这一比例只有36%），这似乎令人惊讶，因为领导者可能会适用体量更大更多样化的数据集并因此可能会面临更高的数据质量的变异性。然而，这可能表明运行各种机器学习解决方案的AI领导者平均而言也可能拥有更多的手段来克服数据质量问题，如专门的数据工程团队。

4.3  金融服务业面临的障碍

图4.3：行业面临的AI应用障碍

尽管金融科技公司和现有公司对障碍的看法相似（因此未明确显示），但是不同的金融服务部门之间的看法存在显著差异，如图4.3所示。

总的来说，市场基础设施和专业服务公司在实施AI方面似乎是最受阻的，最显著的是数据质量，55%的受访者认为   其是一个重要的障碍。这可能与以下事实有关：调查样本中捕获的大多数公司都是FinTechs销售数据密集型B2B软件解决方案的公司。操作这些数据可能会相对容易地产生来自客户的数据集（相应地，只有31%的市场基础设施和专业服务公司因缺乏数据的访问而感到受阻）；然而，由于异质来源，该数据可能表现出质量上的缺陷。

相反，支付提供商在他们的人工智能实现中似乎并没有受到广泛的阻碍。这可能是因为普遍存在的障碍，尤其是与数据相关的障碍可能与支付提供商的使用情况不太相关；后者主要是为了在自动化中应用AI技术，而不是创造新的价值主张（如第2章和第3章所示）。

对于投资经理来说，获取数据是最大的障碍，有52%的受访者表示它是AI实施的一个重大障碍。这可能归因于以下事实：他们最常使用的AI应用程序是以数据为中心的，特别是AI支持的数据分析，以及使用新的或替代的数据形式。与其他金融服务公司相比，信任和用户采纳也被认为是对投资管理者的更高的阻碍；与其他金融服务公司相比，潜在的投资经理的客户可能对算法可解释性的问题特别敏感。

事实证明，活跃于存款和贷款的公司同样也受到围绕数据问题的阻碍。与其他行业相比，技术成熟度对他们的阻碍更大，后者占25%。

4.4 管理团队对人工智能的理解

除了前面小节中讨论的问题外，调查的最后还包括一个自由文本选项。在那里，受访者可以就AI相关方面分享他们的意见，他们认为高级管理层需要更好地了解其组织未来在AI方面的野心。

事实证明，尤其是在银行中，最经常出现的话题是围绕AI价值主张的普遍不确定性。受访者评论了识别具有吸引力的投资回报（ROI）的AI驱动的业务案例，以及向高层传达AI的潜力和有利因素。

“人工智能的影响/价值主张被低估了。人工智能计划的投入资金太低，无法证明人工智能对企业的价值。”

——一家跨国投资和零售银行的高级主管

该快照揭示了围绕AI普遍存在的不确定性，尤其是在现有公司中。这种不确定性可能源于复杂的公司结构，阻碍了信息的传播，这意味着在位者必须与关键技术决策者建立更精简的沟通渠道，并有可能创建面向技术的新角色，以提高高层管理者的管理水平。

受访者还常指出，缺乏用于AI实验的空间和资源。几位参与者表示，他们相信自己的公司应允许使用开源软件，为开发和测试支持AI的解决方案提供合理的方法，并为模型构建和实施构建平台。这些担忧增强了对高级管理人员中面向技术角色的上述需求，同时也指出了AI沙箱的重要性。由于这些要点仅由现任公司加以说明，因此它们也可能为创建衍生实体以建立较少分层和更敏捷的环境（更有利于AI开发和测试）提供明确的理由。

第5章：AI实施的市场意义

总而言之，很明显，采用AI将会给金融服务带来一些深刻的变化。虽然AI技术可能会推动金融科技行业的更多就业增长，但与运营和金融服务等其他领域的就业减少相比，相形见绌。预计现有公司将减少9％的现有总体十年的工作岗位，而在其他行业这一数字可能超过20％。

尽管AI促进了创新的主张，尤其是作为许多金融科技主张的核心，但预计对整体竞争格局的影响不会很大。

然而，“大型技术”公司部署AI技术的方式引起了现有企业，这些大型科技公司在很多方面都是AI创新的主要来源。在中国和英国，这种担忧尤其明显，而在美国却不那么普遍。

5.1 对工作的影响

在所有行业中，人工智能对就业的影响已广为人知。一项研究估计，到2020年代末，超过25％的工作机会将会因自动化和人工智能而面临风险，此后逐渐减少（Hawksworth和Berriman，2018）。在不久的将来，金融服务行业有望成为受影响最大的行业之一。到2020年代后期，自动化和人工智能对金融服务的就业影响预计将是所有行业中最大的，从长远来看只有运输行业会产生更大的影响（Hawksworth 和 Berriman，2018）。

世界经济论坛（World Economic Forum）估计，到2027年，中国金融部门23％的工作将被AI取代，或将转变为新的职位。论坛断言，剩余的77％的工作将不会被取代，但这些职位的效率将提高，约有230万人将会受人工智能的影响，占金融部门劳动力总体的23％（He 和 Guo，2018）。鉴于金融服务部门内有大量人员从事后勤职能中的劳动密集型任务，因此自动化和AI的影响将是巨大的，这已经不足为奇了，并且已经在许多领域开始了。

尽管如此，该调查表明，人们对潜在工作流失程度的担忧可能会被夸大。与其在上面进一步强调的估计有超过20％的处于危险之中的工作不同，不是所有金融服务部门收到的调查答复都表明，到2030年，人工智能技术将替代9％的工作，但幅度较小（图5.1）。通过在金融科技公司内部署AI促进了新工作的创造，在一定程度上弥补了这种失业的损失，随着AI的采用率提高，劳动力预计将增长20％。

图5.1：预期AI导致的在职人员净工作变动

当然，并非所有的金融服务领域都会受到AI的同等影响。例如，调查结果显示，到2030年，超过23％的工作机会可能会在“投资管理”中消失，这与其他其他一些分析更为一致。但是，如以下图5.2所示，AI对其他金融部门的影响估计较小。支付行业的净就业机会可能归因于以下事实：调查样本中的大多数支付提供者都是金融科技公司。

图5.2：金融技术领域AI导致的预期净工作变化

总而言之，要精确量化人工智能对就业的影响是有挑战性的，但很显然，工作将受到影响。在那些倾向于重复手动任务的金融部门中尤其如此。还应该注意的是，人工智能对许多工作内容的潜在影响可能要比收入最高的就业人数所暗示的要大。IBM Watson在Credit Mutuel处用于处理常规电子邮件的说明性示例-AI处理银行每天收到的350,000电子邮件中的50％（IBM，2019）。

5.2 竞争破坏的可能性

人工智能代表着一项重大创新，具有破坏现有企业及其价值主张的潜力。特别是金融科技公司已经开发了使用AI的平台，以提供更有效的信用分析、客户服务主张和机器人投资能力。但是，这项调查的结果表明，参与者认为AI不会像普遍认为的那样具有破坏性。现有公司和金融科技公司都认同这种观点。

下图5.3说明，42％的受访者认为目前的现状将会占上风。

图5.3：人工智能对竞争环境的预期影响金融服务内的竞争动态

但是，从AI 领导者 vs. AI 落后者的角度来看，很明显，AI 领导者肯定对刷新现有金融服务的能力抱有雄心。超过20％的AI领导者认为他们将能够进一步改革该领域。

调查还测试了哪些金融服务部门最有可能被AI所颠覆，如下图5.4所示。

或许，令人惊讶的是，与会人员认为市场基础设施和专业服务是最有可能受到干扰的行业。这可能与AI金融市场基础架构应用的预期影响有关，例如：

• 市场监督
• 基于AI的市场工具，例如用于满足KYC要求
• 在前线交易创新中使用人工智能（例如，定量投资）

如前所述，对专业服务的影响很可能是由于较低水平的订约服务已被自动化所取代（请参阅第2章）。

图5.4：人工智能对行业竞争动态的预期影响

按司法管辖区检查结果，与预期会进行更大合并的美国和中国公司相比，总部位于欧盟的公司对颠覆的期望更高（图5.5）。这个或许可以通过在欧盟许多市场以及欧盟本身对促进金融服务竞争的高度重视来解释（欧洲委员会，2015年）。

图5.5：人工智能对各地区竞争动态的预期影响

5.3 大技术的影响

调查发现，将近一半的参与者将“大技术”公司进入金融服务业视为主要的竞争威胁，如下图5.6所示。像蚂蚁金服和腾讯这样的大型中国公司已经对中国国内市场产生了巨大影响。“高科技”和类似公司进入金融服务行业的例子也很多，例如：

• Facebook宣布了天秤座以促进支付和促进金融普惠（Libra，2019）。
• Uber成立了金融服务部门（Son，2019）。

亚马逊不断发展的金融服务产品，例如支付（通过亚马逊付款）和中小企业借贷，其中亚马逊已经发行了30亿美元的贷款（CBInsights [1]，2019年）。

图5.6：总体上感知到的人工智能引发的``大技术''竞争威胁

总部位于欧盟（不包括英国）和中国12的公司通常将利用人工智能进入金融服务的“大技术”视为竞争威胁，其中分别有65％和50％的受访者认为威胁是“高”或者“很高”。鉴于中国“大技术”公司迄今为止对市场的影响以及欧盟中“大技术”方法对竞争和数据隐私的敏感性（CBInsights [2]，2019），这也许不足为奇。同样值得注意的是，英国的受访者中，认为竞争威胁的程度为“很高”的人数最多。如下图5.7所示。

图5.7：在主要辖区感知到的AI引发的``大技术''竞争威胁

（未完待续）

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！首图来自图虫创意。

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！首图来自图虫创意。

本文版权归原作者所有，如有侵权，请联系删除。首图来自图虫创意。