金融领域人工智能早期应用者的经验教训

核心观点与关键数据

• AI 采用速度滞后预期：尽管金融领域是 AI 的早期采用者，但实际实施速度普遍慢于预期。近一半的金融领导者报告 AI 采用进度落后于预期。
• 人才与协作是关键差异化因素：早期采用者更频繁地使用数据科学家，并更深入地参与企业级 AI 治理工作。数据科学家在早期采用者中占比达 61%，而非采用者为 27%。60% 的金融 AI 用户参与企业级 AI 治理，而非采用者仅为 16%。
• 战略目标与治理结构可逐步完善：早期采用者并非在开始时就明确 AI 的整体雄心与治理结构。仅 51% 的早期采用者明确讨论了 AI 雄心，37% 至 57% 在开始前建立了常见的治理结构。
• ROI 评估仍是挑战：即使早期采用者也难以具体衡量 AI 投资的 ROI，仅 14% 成功衡量，29% 尝试失败，57% 尚未尝试。近三分之二认为具体衡量 ROI 对投资辩护至关重要。

研究结论与行动建议

• 人才与协作的重要性：建议培养内部公民数据科学家，并争取在企业级 AI 治理中发挥更强作用，强调金融领域在数据与投资评估方面的支持。
• 战略与治理的灵活性：建议通过试点与实验来逐步完善 AI 计划，初期治理应聚焦于避免关键风险，而非全面建立治理结构。
• ROI 评估的调整：建议将 AI 评估重点放在生产力、效率与利益相关者成果上，并调整组织对 AI 投资的认知，将其视为与传统技术投资不同的领域。

数据亮点

• AI 采用率提升：金融领域 AI 采用率从 2023 年的 37% 显著提升至 2024 年的 58%。
• 数据科学家来源：早期采用者中 33% 从外部招聘，51% 内部培养，44% 利用公司其他部门人才，30% 委托第三方。
• ROI 评估困境：57% 的金融 AI 用户尚未尝试衡量 ROI，29% 尝试失败，仅 14% 成功。