the-ai-in-fintech
the-ai-in-fintech

在AI行业应用中,金融科技是倍受关注的火热赛道,不单因为离钱很近,还因为金融和数据高度相关,历来就是科技最受青睐的行业之一。美国风险投资机构Emergence Capital日前发表博客,梳理在金融服务领域、有哪些AI改造和升级的机会?具体来看看:

为什么是金融服务? 

金融服务是数据驱动决策、大宗交易、风险管理要求和复杂监管环境的独特组合,使其成为应用人工智能的最引人注目的行业之一。在过去几年中,我们看到消费者和企业采用金融数字解决方案的人数急剧增加,金融相关数据的可用性也呈爆炸式增长。以 Plaid 和 Finicity 等平台为首的开放银行业务的出现为这场数据革命奠定了基础。我们现在正在见证“Plaid for X”模式的进一步发展,Finch、Codat、Rutter、Merge、Pinwheel 和 Argyle 等公司正在为传统银行业务以外的各种金融相关业务提供开放数据访问。

我们相信,大量的金融相关数据以及金融服务行业对速度和个性化日益增长的需求将催生新一代以人工智能为先的金融科技公司,从而显著改变整个行业的运作方式。 

然而,金融服务行业并非所有子行业都能以同样的速度受益于并接受人工智能。为此我们将分享本机构内部开发的评估框架,以指导我们在这种快速变化的环境中思考。

我们的框架:评估人工智能在金融服务领域的机会

我们将金融服务行业进行了分类:包括财务管理、贷款、保险、支付、交易和财富管理、风险管理等。对于每个类别,我们选择了其中最重要的功能(例如,在保险领域,我们确定了保险承保、分销以及索赔和客户服务)。然后我们深入研究了每个功能,与用户交谈以了解他们的痛点,并设想了每项“待完成的工作”将如何随着人工智能而改变。 

检查完所有功能后,我们根据以下三个标准对它们进行排名:

增量式 AI 功能解锁

此类别旨在评估 AI 增强现有解决方案、流程或业务模型的程度。使用第一性原理方法,我们考虑了 AI 技术读取或写入基于文本的数据的能力将如何影响关键功能,以及其查找模式、分类和理解大量数据的能力。

在此过程中,我们考虑了可以从潜在 AI 功能解锁中受益的“待完成工作”的所有方面。AI 如何显著提升最终客户的体验?回到保险承保的例子,A​​I 驱动的承保解决方案是否可以帮助 CEO 更有效地为其公司购买网络保险单?或者,AI 如何改善保险公司内用户的体验(在本例中为网络保险单的承保人?)潜在的增量式 AI 功能解锁越多,可以创造的企业价值就越多,这使得它成为企业家关注的有吸引力的功能。

客户痛点的紧迫性

客户痛点越紧迫,AI功能就越有价值。虽然以前的标准侧重于人工智能可以提供的技术优势,但在这里我们评估了市场现实和给定解决方案的需求。现有的强烈而紧迫的客户痛点通常与更高的支付意愿和更短的销售周期有关,这两者都是企业家所希望的市场要素。我们还考虑了是否有任何趋势,在监管或技术变革的支持下,将在短期内改变客户痛点的紧迫性。例如,随着人工智能技术的进步,我们预见到由于其潜在的滥用,在欺诈预防领域将面临重大挑战。我们预计不道德的行为者会利用人工智能进行邪恶的用途,从而增加欺诈活动的复杂性和普遍性,因此需要更复杂的解决方案来打击它。

另一个支持人工智能趋势的例子是FedNow ,这次是在支付领域,这是美联储的一项举措,旨在建立一个实时支付系统,旨在促进全天候的即时货币交易。当金融机构参与这一计划时,他们将不得不重新考虑他们的一些技术堆栈,以便能够立即处理交易。

风险承受能力

我们考虑的最后一个标准是风险承受能力。换句话说,每个AI功能的风险有多高?为了确定这一点,我们考虑了如果人工智能在我们的框架中错误地执行功能,会产生什么影响和结果。例如,如果银行内部的反洗钱 (AML) 功能被人工智能错误地执行,即使只有一次,对金融机构来说,影响也可能是灾难性的,因为他们可能会失去执照或被迫支付高额罚款。因此,反洗钱是一项本质上具有较低风险承受能力的功能。另一方面,如果人工智能错误地个性化金融服务或错误地回答客户服务查询,这将损害品牌和客户,但对公司的风险不会是存在的。因此,分销或客户支持是具有更高风险承受能力的功能。 

我们认为,在其他条件相同的情况下,风险承受能力较高的职能部门可能会更快地采用下一代人工智能解决方案,而对于风险较低的职能部门,买家将希望看到更多关于模型性能和准确性的证明点。值得注意的是,这一类别与前一类别之间可能存在一些矛盾:即使某个职能部门的风险承受能力较低,但由于存在大量等待解决的痛点,它仍然是建立公司的理想场所。KYC、AML 和合规等职能部门就是这种情况。

基于此框架,我们确定了几个领域,我们认为这些领域对于寻求创建 AI 优先型公司的创始人来说,在短期内具有特别有吸引力的机会:

欺诈(入职、KYC/KYB、反洗钱、欺诈监控和合规性)

  • 风险团队经常需要解析大量文本和非结构化数据。通过人工智能增强的读写能力,风险团队可以做出更准确的决策并更快地生成报告(如反洗钱报告)。
  • 生成式人工智能增强了欺诈者的社会工程能力,因此需要构建专注于检测人工智能增强欺诈的新一代工具。
  • 鉴于金融服务领域中现有的(且仍在不断增长的)欺诈问题,该领域已经出现了许多初创企业,它们提供欺诈解决方案和风险编排层,例如 Sardine、Alloy、Oscilar、Sandbar 等。

会计

  • 由于人工智能可以更准确地对交易和实体数据进行分类,因此有机会帮助会计团队进行交易分类、异常检测和报告(如通量解释)。 
  • 会计领域最近推出的一些值得注意的人工智能产品是 Ramp 的最新 Ramp Intelligence 产品套件、Numeric 和 Basis。

保险 

保险业本质上是一个数据驱动的行业,其前提是能够准确评估风险,因此非常适合采用人工智能解决方案。以下是几个例子。 

  • 承保:通过整理和分析大量数据点,人工智能可以优化承保流程,简化数据解释并提高决策效率。在此背景下,像Federato这样的初创公司率先使用人工智能将承保决策与更广泛的企业目标相结合,而像 Taktile 这样的其他公司则正在构建基础设施以支持由机器学习驱动的承保。
  • 索赔:人工智能可以大大改善索赔处理流程,使其更快、更轻松、更客观。Hi Marley、Tractable 和 EvolutionIQ 等公司正在利用人工智能和机器学习来加快索赔处理速度、减少人为错误并检测欺诈性索赔。这可以提高客户满意度并降低运营成本。  
  • 分销:人工智能使保险产品高度个性化,可以根据个人需求和情况量身定制保单。这可能会彻底改变传统上难以分销的保险产品线,例如个人人寿保险。通过利用人工智能,保险公司可以优化产品供应、增强客户参与度,并最终改善业务成果。

付款风险

  • LLM 能够更好地辨别文本背后的含义和关系(如交易描述),从而显著改善支付风险,减少退款、欺诈交易和资金不足的风险。Slope 等先行者已经取得了成功,他们分享了将 LLM 纳入内部支付风险模型后取得的令人印象深刻的成果 
  • 其他一些应用人工智能来改善支付风险模型的著名初创公司包括 Sardine、Spade 和 Coris.ai。

金融研究

  • LLM能够准确、快速地解析、分析大量数据并从中得出见解,因此将对金融研究产生巨大影响。通过自动从公开来源(例如财务报告、新闻文章和市场更新)中提取关键数据点,它们可以大大加快研究过程,减少数据收集所花费的时间,并使金融分析师能够更加专注于战略决策。此外,LLM还可以帮助识别人类研究人员可能错过的趋势、模式和相关性,从而为财务分析增加新的复杂程度。
  • 该领域的下一代 AI 优先公司包括 Hebbia、Brightwave、Brox、Fintool、Quill、Portrait Analytics、Alphawatch 和 Stratosphere 等。

展望未来

当我们思考这个领域如何演变时,仍有几个悬而未决的问题: 

首先,需要哪些金融服务专用的基础设施来促进这些工具的进一步开发和采用?对 Plaid、Codat 或 Finch 等金融相关数据提供商的需求是否会更大,以帮助建立更好的模型?组织将如何考虑在内部数据和外部数据上训练模型?

其次,随着人工智能系统越来越深入我们的金融生活,建立和维持信任将至关重要。这些人工智能解决方案将如何随着时间的推移证明其可靠性、准确性和透明度,以激发买家和客户的信心?  

此外,他们能否在个性化和隐私之间找到平衡,实现当今数字时代的微妙平衡? 

最后,监管环境方面仍有许多未知数。当前和未来的监管环境是否允许人工智能在金融领域广泛使用?可能存在哪些限制?监管机构将如何确保这些人工智能应用是公平的,防止歧视性做法,并确保日益自动化的金融世界中的公平性?

我们对人工智能在重塑金融服务行业、为企业提供前所未有的效率以及全面提升用户体验方面所具有的潜力感到兴奋。随着行业格局继续快速发展,我们将继续关注新的变化以及它们如何影响金融服务行业。