Accelerating the Path from GenAI Potential to Profit in Banking

Boston Consulting Group (BCG) 与 Google Cloud 合作2026-02-1528 页

人工智能/ChatGPT/AIGC/生成式AI 全球科技公司银行/开放银行/开放金融/智慧银行生成式AI 银行业代理AI AI价值数字化转型

报告概述

本报告由BCG与Google Cloud联合发布，基于对全球1250位高管及200多个AI转型项目的调研，聚焦银行业如何从生成式AI和代理AI的潜力转向实际盈利。报告分析了金融机构在AI价值实现上的差距，识别了五大关键障碍（领导力、想象力、数据、技术栈、人才），并提出了从顶层领导、转型议程、数据基础、技术架构到人才策略的系统性行动方案，旨在帮助银行通过部署、重塑和发明三种战略，构建未来型机构。

报告的核心结论

仅3%的金融机构实现了AI规模化价值

全球范围内，只有3%的金融机构（未来建成型）通过AI获得可量化的收入增长和成本降低。这些机构在过去三年实现了3.5倍更快的收入增长和2.2倍更高的股东回报，而其余49%的机构尚未取得显著回报。

C级高层深度参与是AI成功的关键不同

未来建成型银行的C级高层几乎100%深度参与AI项目，而落后银行仅有11%。领导层缺乏技术知识和主动性，导致治理薄弱、预算分散和跨部门协作缺失，是阻碍AI规模化应用的首要因素。

AI投资过度聚焦个体效率，忽视转型性变革

当前44%的AI资金用于提升个体生产力，而非重塑端到端流程或创造新业务模式。未来建成型银行将68%的精力放在“重塑”和23%放在“发明”上，通过AI重构关键职能，实现更大价值。

数据和技术基础薄弱是规模化AI的核心瓶颈

仅20%的银行有稳健的数据质量框架，10%的银行拥有完整可用的文档化数据。大多数银行依赖碎片化的遗留系统，云采用缓慢，导致AI部署成本高、速度慢。未来建成型银行通过并行推进数据治理和AI开发，建立良性循环。

AI人才短缺需通过“借、买、建”组合策略应对

全球三分之二的金融机构难以招聘AI人才。领先银行通过战略合作伙伴快速获取能力，同时逐步建立内部技能，如与平台提供商合作，使代理AI实验概率提升2倍以上。

报告回答的关键问题

生成式AI和代理AI在银行业的主要应用场景有哪些？

报告指出，生成式AI在私人银行中可将生产率提高25%，用于生成个性化投资材料和客户沟通；在客服中减少15%-20%的通话时长，降低30%运营成本；在营销中提升25%-35%的内容制作效率。代理AI则能自动化处理保险理赔、反洗钱调查等复杂多步骤任务。

银行为什么难以从AI中实现价值？

报告识别五大原因：1) 高层领导者缺乏深度参与和AI知识；2) 投资过于集中在个体效率提升，而非流程重塑；3) 数据质量差、可追溯性弱，仅20%的银行有稳健数据框架；4) 技术栈碎片化，云采用不足；5) 严重缺乏AI人才，全球三分之二金融机构招人困难。

未来建成型银行与落后银行在AI策略上有何区别？

未来建成型银行有三大特点：1) 高层领导亲自推动，设立集中式AI战略和跨职能团队；2) 聚焦“重塑”和“发明”型用例，而非单纯“部署”个体工具；3) 并行建设数据和AI技术基础，利用合作伙伴弥补人才短板，并持续跟踪ROI而非试点数量。

印尼银行在AI落地中面临哪些特有挑战？

报告通过访谈10余位印尼银行业领袖指出：印尼银行普遍采取“观望”态度，高层对AI投入谨慎；数据主权和合规要求（如PDP法）限制云迁移；本地AI人才极度稀缺，且现有技术团队缺乏云经验；大部分银行尚未设立专门的AI预算和绩效指标。

银行如何从AI试点走向规模化部署？

报告提出“规模化AI行动手册”：1) 由CEO/董事会层制定统一的AI战略和KPI；2) 组建业务与技术的联合团队，并设立专项实验预算；3) 优先选择少数高影响力的用例（“大石块”），加速深度而非广度；4) 同步强化数据和云基础设施，而非等待“完美”后再启动；5) 系统性地与成熟生态伙伴合作，边“借”能力边“建”内部队伍。