川海智库

报告概述

本报告基于对全球超过1250名高管的调查及200多个AI转型项目的经验，聚焦银行业如何将生成式AI（GenAI）和代理式AI（Agentic AI）从潜力转化为实际利润。报告覆盖全球及印度尼西亚银行业，分析了AI在客户关系、客户服务、营销等核心职能的价值分布，识别了导致AI潜力与绩效差距的五大关键因素：领导层支持不足、AI想象力局限、数据基础薄弱、技术栈碎片化及AI人才稀缺。报告同时提出了“思考大、起步小、安全规模化”的行动框架，并提供了印尼银行可借鉴的全球最佳实践。

报告的核心结论

未来型银行在AI价值创造上已大幅领先同行

全球仅3%的金融机构实现了AI的规模化价值，这些“未来型”银行在近三年取得了3.5倍的收入增长和2.2倍的总股东回报，而49%的银行仍未从AI投资中获得可衡量回报。领先银行正将AI收益再投资于能力建设，形成正向循环。

大多数银行的AI投资仍聚焦个人效率而非转型

44%的AI资金被用于提升个人生产力（如知识合成、创意任务），而非重塑企业级流程或发明新业务模式。这限制了AI的潜在价值，银行需要转向“部署、重塑、发明”三管齐下的战略，优先推动端到端的流程变革。

领导层深度参与是银行AI成功的最关键因素

未来型银行的C级管理层几乎100%深度参与AI项目，而落后银行仅11%。高管作为AI倡议的联合创造者和赞助人，能打破业务与技术之间的壁垒，建立跨职能问责机制，并推动系统性的数据、技术和人才投资。

数据与技术基础薄弱是规模化AI的核心障碍

仅20%的金融机构建立了健全的数据质量框架，10%拥有完全文档化的可用数据。银行需要在推进AI解决方案的同时并行强化数据治理、采用云就绪的混合技术栈，并利用检索增强生成（RAG）等工具确保合规与准确性。

报告回答的关键问题

银行如何从生成式AI中实现盈利？

报告指出，领先银行通过聚焦高价值用例（如私人银行个性化、客服自动化、营销内容生成）实现了平均2.4%的收入增长和4.2%的成本降低。关键在于从个人效率转向流程重塑和业务创新，同时建立可衡量的KPI（如收入提升、成本节约、投资回报率），并确保C级管理层深度参与。

为什么大多数银行的AI项目难以规模化？

报告识别了五大差距：领导层参与不足（落后银行C级参与仅11%）、AI想象力局限（44%资金投向个人效率）、数据基础薄弱（仅10%银行有完整文档化数据）、技术栈碎片化（六成IT支出用于维持运行而非创新）、以及AI人才稀缺（三分之二银行招聘困难）。这些障碍导致许多项目停留在试点阶段。

代理式AI（Agentic AI）将如何改变银行业？

代理式AI通过自主执行复杂多步骤任务（如保险索赔处理、反洗钱调查），将AI从分析扩展到行动。目前占银行业AI总价值的17%，预计到2028年翻倍至29%。银行需建立模块化的代理体系架构，包括工具调用、多步骤工作流、人类审核节点，并确保通过RAG和防护栏实现合规与安全。

印尼银行在AI部署中面临哪些独特挑战？

印尼银行除全球共性挑战外，还面临数据主权法规（如PDP法）、人才稀缺（本土数据科学家不足）、云迁移谨慎（受制于运营支出效率优先）以及缺乏行业AI信任基础。报告建议印尼银行通过战略合作“借用”能力，同时在本地高价值场景（如巴哈萨语处理）中验证AI价值。

银行如何快速构建AI-ready的人才与组织？

报告提出“买、借、建”组合策略：短期内通过合作伙伴（如云平台和服务商）获取成熟能力；中期投资内部人员技能提升（包括业务与技术团队的AI素养）；长期打造持续吸引和培养AI人才的环境。关键是为AI团队提供高管支持、现代工具和高质量数据，避免人才被低效工作消耗。

报告中的代表性数据

仅3%的金融机构实现了AI的规模化价值

银行AI价值实现水平

2025年调查，基于BCG 2025年全球高管调查（147家金融机构），未来型银行（成熟度评分75-100）占3%，另有48%处于规模化阶段，49%为落后银行。

收入增长2.4%，成本降低4.2%

领先银行AI带来的收入与成本影响

2024年，全球AI领先银行（未来型）在2024年通过AI实现的平均营收增长和运营成本节约，几乎是落后银行的两倍。

收入增长9.3%，成本降低12.3%

到2028年未来型银行的预期AI价值

2028年（预测），未来型银行预测到2028年AI带来的收入增长和成本降低幅度，显著高于AI成熟度较低的银行。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 全球银行AI成熟度图谱：详细数据展示3%未来型银行、48%规模化银行与49%落后银行在收入增长、股东回报及AI投资上的差异，以及亚太区银行的分布。
  • 五大AI价值差距深度分析：从领导力、想象力、数据、技术栈和人才五个维度，结合印尼银行访谈，解释银行从潜力到绩效脱节的根本原因。
  • 未来型银行成功策略详解：包括C级驱动的AI治理、跨职能业务与技术协作、以“部署-重塑-发明”为框架的变革议程，以及并行建设数据基础与AI解决方案的方法。
  • GenAI与Agentic AI技术参考架构：涵盖银行就绪的AI基础设施（云计算、混合架构）、统一MLOps平台（模型管理、RAG、防护栏与评估）、以及自主代理系统的设计模式（工具调用、多步骤工作流、人类审核）。
  • 印尼银行本地化洞察：基于对10余位印尼银行高管的访谈，分析数据主权、人才市场、监管环境（PDP法）等独有挑战，并提供因地制宜的行动建议。
  • 安全与合规控制框架：包括机密计算、私有网络、身份感知访问、不可篡改审计日志等银行级安全特性，以及跨核心系统集成的事件驱动架构（EDA）。
  • 规模化AI行动指南：从定义集中化AI战略、动员团队与资本，到系统性优先排序、借用与构建能力，提供可立即执行的四步路线图。
  • 全球200+AI转型项目经验总结：涵盖零售银行、私人银行、反洗钱、客户服务等多个业务域的具体用例与效果量化基准。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告