非结构化数据：金融银行业生成式人工智能战略中缺失的环节

一 概述

随着生成式人工智能 (GenAI) 迅速重新定义金融服务的未来，许多金融银行业竞相部署人工智能用例，却忽视了一个关键的推动因素：非结构化数据。从电子邮件、通话记录到文档、聊天记录和社交媒体，非结构化数据占金融银行业生成的所有新信息的 80% 到 90%，但这些数据仍然大部分尚未开发、未得到监管且利用率不足。

这些非结构化数据并非噪音——而是GenAI的价值与 GenAI 成功之间的缺失环节。如果无法获得高质量且管理良好的数据源访问，GenAI 模型就无法提供可靠的洞察、精准的自动化或有意义的转型。

对金融银行业而言，其影响具有战略意义。非结构化数据不再是后台IT部门的关注点，而是与财务数据和客户数据同等重要的核心企业资产。能够有效管理和调动这些数据的组织将在以下方面取得领先：

提供差异化的客户体验

增强风险与合规情报

释放运营效率

满足对负责任的人工智能日益增长的监管期望

本文为金融银行业高管提供了一个战略框架，以解决非结构化数据准备不足的问题。框架概述如下：

为什么非结构化数据是 GenAI 价值实现的基础

现实世界的金融银行业用例展示了切实的投资回报率和风险缓解

数据质量、治理和人工监督方面的关键挑战

不作为的风险——从监管风险和声誉损害到决策失误

将非结构化数据策略嵌入企业 AI 转型的可行建议

随着 GenAI 从实验阶段发展到企业部署，金融银行业必须将非结构化数据准备工作视为董事会层面的优先事项。那些果断行动的企业将化隐性负债为战略优势，从而在金融服务领域 AI 驱动的转型中占据领先地位。

二非结构化数据日益增长的战略重要性

随着数据量持续呈指数级增长，非结构化数据的战略重要性也显著提升。Gartner预测，到 2025 年，全球数据总量将达到约 175 ZB，其中非结构化数据约占所有新增信息的 80% 至 90%。这些海量数据集（涵盖电子邮件、聊天记录、语音记录、社交媒体互动、文档、图像和视频）与基于行列式数据库的传统结构化数据管理系统本质上是不兼容的。

目前，非结构化数据的增长速度显著超过结构化数据，这反映了当今全球经济的快速数字化和互联互通。每一次客户互动、内部沟通或运营叙述都蕴含着宝贵的背景信息和洞见。过去，金融机构主要分析来自传统数据仓库中交易系统的结构化数据。然而，近期的战略转变越来越青睐功能更丰富的数据生态系统，例如基于云的数据湖和“数据网格”架构，使金融银行业能够高效地利用非结构化数据的复杂性、多样性和海量性。这些现代架构有助于消除数据孤岛，并实现更集成、更敏捷的分析能力。

利用非结构化数据可带来巨大的战略优势。金融机构可以通过分析社交媒体和客户服务互动中的情绪，或整合物联网传感器数据，获得更深入的客户洞察，从而进行更精准的风险评估和个性化产品服务。例如，将基于位置的数据与交易模式相结合，可以帮助金融银行业和保险公司提供定制化的保险产品或提高欺诈检测的准确性。在运营方面，分析非结构化文本数据（例如贷款员记录、监管备案文件和事件报告）可以识别出有助于提升运营效率、风险管理流程和合规性的模式。此外，非结构化数据还能提供新的洞察来源和开发差异化产品和竞争战略的机会，从而推动创新。

尽管非结构化数据具有诸多优势，但其利用率仍然严重不足。行业估计，仅有约10%的企业非结构化数据得到有效利用。此外，约95%的组织认为非结构化数据管理是一项重大挑战或风险领域。对于高级管理人员而言，弥合这一差距是一项至关重要的战略重点：积极主动地将非结构化数据作为战略资产进行管理和利用的企业，将能够释放巨大的商业价值，增强竞争优势，并推动创新。相反，忽视非结构化数据则会带来巨大的风险，可能使组织在日益以数据为中心的市场中处于竞争劣势。

三生成式人工智能：从非结构化数据中释放战略价值

生成式人工智能正在成为一种变革性的能力，使金融银行业能够从此前未开发的非结构化数据中提取巨大的战略价值。其核心功能——上下文摘要、智能虚拟助手、合成内容生成和快速洞察提取——正在显著提升运营效率、增强客户体验并提升竞争优势。

总结与情境理解：摩根士丹利和摩根大通等领先机构利用 GenAI 实现复杂信息合成的自动化，显著提高了生产力。摩根士丹利的财富管理部门使用 GPT-4 驱动的助手，可以自动处理会议记录、总结关键客户讨论并起草后续沟通，从而显著减少了顾问此前在这些任务上花费的时间。同样，该公司的AskResearchGPT工具可以整合来自超过 10 万份研究文档的洞察，在几秒钟内提供全面的响应——这项任务此前需要大量的人工操作。摩根大通已为数万名员工部署了生成式 AI 助手，预计其生产力提升将与 Zoom 等广泛采用的协作工具相媲美。

1.虚拟助理 (VA)：富国金融银行业和美国金融银行业等金融银行业正在利用 GenAI 驱动的虚拟助理，显著简化客户互动。富国金融银行业的人工智能助理Fargo在 2024 年解决了超过 2.45 亿次客户互动，有效地通过语音或文本处理账单支付、资金转账和交易查询等日常任务。此功能显著提高了客户响应速度，同时降低了运营成本，使人工客服代表能够专注于复杂的客户问题。

2.合成内容生成：生成式人工智能能够快速创建高质量的定制内容——从客户沟通、财务报告到软件代码和营销材料，不一而足。例如，一家试点 GenAI 的亚洲金融银行业报告称，其写作、翻译和研究等任务的效率显著提升了 50%，使员工能够重新专注于更高价值的战略计划。这些功能展现了 GenAI 大幅简化内部工作流程和外部客户互动的潜力。

3.洞察提取与决策支持：GenAI 赋能金融银行业快速解读海量非结构化数据，显著加快监管合规和欺诈检测流程。花旗集团的风险与合规团队应用生成式人工智能，快速分析并总结了超过 1,000 页的美国新资本监管法规，将数周的人工分析转化为数天内可操作的洞察。同样，汇丰金融银行业也与 Google Cloud 合作，部署生成式人工智能来识别海量电子邮件、聊天记录和交易记录中的可疑活动，显著提升了欺诈检测的有效性。

4.现实世界的金融用例：万事达卡、荷兰国际集团 (ING)、摩根大通 (JPMorgan) 和摩根士丹利 (Morgan Stanley)提供了GenAI 显著运营影响的明确证据。万事达卡的生成式人工智能解决方案每年分析 1250 亿笔交易，将欺诈检测率提高了 20%，某些欺诈类型的检测率甚至可提高 300%。荷兰国际集团 (ING) 在荷兰部署的生成式人工智能聊天机器人将人工支持需求减少了 20%，从而提高了客户满意度和运营效率。摩根大通的IndexGPT利用生成式人工智能生成主题投资洞察，为投资组合经理提供创新的数据驱动理念。摩根士丹利的顾问使用人工智能工具，可以即时检索相关研究并自动化日常沟通，从而腾出更多时间进行战略性客户互动。

通过这些案例，生成性人工智能的战略整合将非结构化数据转化为可操作的情报，在效率、客户体验和风险管理方面带来可衡量的改进——明确地使金融银行业在快速发展的环境中占据竞争优势。

四生成式人工智能非结构化数据管理的挑战

要通过生成式人工智能释放非结构化数据的战略价值，需要解决数据管理、治理和运营监督方面的重大挑战。高管必须谨慎应对这些复杂问题，以确保负责任且有效地部署生成式人工智能：

1.数据质量与准备：非结构化数据本质上复杂且异构，在确保数据质量和为人工智能应用做好准备方面面临重大挑战。与结构化金融银行业数据不同，非结构化数据（例如电子邮件、文字记录和文档）通常存在不一致，格式、术语和准确性存在差异。语音日志中的转录错误、电子邮件中不相关的主题或不一致的术语（例如，“纽约”与“纽约市”）等问题使数据准备工作变得复杂。

研究表明，数据专业人员通常将大约 70% 到 80% 的时间用于准备和清理数据以供分析。非结构化数据加剧了这一挑战，需要强大的流程和先进的工具来有效地管理数据、实现标准化和元数据丰富。此外，AI 模型训练通常需要大量的数据注释，需要专家的人工输入或复杂的自动化标记工具才能高效地大规模管理这一过程。如果没有严格的数据准备，GenAI 的有效性就会受到影响，这也解释了为什么超过95% 的组织将非结构化数据管理视为一项重大的运营挑战。

2.治理、隐私与合规：大规模利用非结构化数据会带来复杂的治理考量，尤其考虑到客户互动和个人财务信息的敏感性。金融银行业必须严格控制数据访问权限，以降低隐私泄露和数据泄漏的风险。遵守数据保护法规（例如 个人信息保护法、GDPR）和内部隐私政策至关重要，尤其是在采用第三方 AI 解决方案时。例如，早期对数据隐私的担忧促使花旗集团和高盛等机构限制员工使用 ChatGPT 等公共 AI 工具。

健全的治理框架，包括数据匿名化、加密和清晰明确的使用政策，是负责任地部署 GenAI 的必要前提。此外，金融银行业必须将传统的模型风险管理实践扩展到 GenAI，纳入验证、审计和持续监控机制。与监管机构和内部利益相关者的积极合作，确保机构在不断变化的监管环境中设置适当的护栏，涵盖知识产权和人工智能生成结果问责等关键领域。

3.人工监督与协作工作流程：生成式人工智能解决方案离不开人工监督，尤其是在金融银行业业等高风险领域。人工智能生成的输出结果有时可能不准确、存在偏差或不恰当，因此需要人工的严格监督。领先的金融银行业将生成式人工智能视为一种协作工具，将人工智能驱动的洞察与人工判断和审批工作流程相结合。

例如，荷兰国际集团（ING）从一开始就主动在其人工智能聊天机器人项目中整合风险管理监督，明确界定运营边界，防止聊天机器人提供未经授权的财务建议。这种人机交互策略，结合了审查和批准步骤，有效降低了与不正确或误导性人工智能输出相关的风险。

实施有效的协作工作流程需要促进数据科学家、业务主管、合规团队和一线员工之间的跨职能合作。许多金融银行业采用分阶段部署的方式——在低风险场景下启动试点项目，随着组织对人工智能成果的信任和信心不断增长，逐步扩大应用范围。保持人工监督不仅可以最大限度地减少错误和人工智能产生的不准确性（通常被称为“幻觉”），还能增强组织对 GenAI 的接受度和有效整合。因此，高管必须确保人机协作框架战略性地融入组织文化和培训计划，并在技术进步与审慎的管理实践之间取得平衡。

五非结构化数据管理不善的风险

如果不能有效管理非结构化数据或为 GenAI 建立强大的治理框架，将带来巨大的风险，直接影响金融银行业的战略定位、监管合规性、品牌声誉和运营完整性。高管必须谨慎应对以下关键风险：

创新滞后，竞争劣势：无法有效利用非结构化数据的机构面临巨大的竞争风险。GenAI的有效性从根本上取决于数据质量；未经处理的客户洞察和被忽视的风险指标会抑制 AI 的性能，延缓创新并降低竞争敏捷性。汇丰金融银行业生成式 AI 主管强调，一些肤浅的 AI 计划（即所谓的“成功剧场”）盛行，这些计划仓促部署，缺乏基础数据准备，导致投资无法实现，进展停滞。美联储官员强调，有效部署 GenAI 将很快成为金融银行业竞争力的关键。未能充分准备数据的金融银行业可能会落后于同行，错失关键的市场机遇，也无法满足不断变化的客户期望。

监管与合规风险：非结构化数据管理不善可能直接导致合规违规。根据《通用数据保护条例》(GDPR)、消费者保护法或反歧视法规等框架，敏感信息处理不当（例如无意中使用受保护的个人数据）可能面临严厉的监管处罚。即使没有明确的人工智能专项法规，监管机构也越来越期待严格的监管。人工智能模型的任何错误，例如监管分析不准确或与客户沟通不当，都可能升级为代价高昂的合规问题。鉴于金融服务受到严格监管的性质，治理不力的后果可能导致巨额罚款、人工智能项目被迫停止运营以及严重的声誉损害。

声誉损害：信任是金融服务的基石，训练不足的人工智能模型可能会严重损害客户信任和品牌声誉。涉及人工智能生成的带有偏见或不当互动的公共事件（例如带有偏见的信贷决策或误导性的聊天机器人回复）可能会迅速损害公众信心。人工智能生成的不准确信息或“幻觉”（看似自信却错误的输出）会带来额外的声誉风险。鉴于此类错误在社交媒体上传播的可能性，金融银行业必须建立严格的验证和监督程序，以防止声誉受损。数十年来建立的信任可能会因一次引人注目的人工智能失误而迅速毁于一旦。

决策缺陷和运营风险：在内部，对非结构化数据的管控不足会显著增加战略和运营决策失误的风险。高管依赖人工智能基于不完整或低质量数据生成的洞察，可能会在不知不觉中使机构面临未识别的风险或误导性的战略决策。此外，信用承保、风险评估或交易等关键职能中的模型错误可能会在未被发现的情况下传播，导致财务损失或违反合规规定。人工智能驱动的欺诈行为日益复杂，例如高级合成身份或文件伪造，进一步凸显了强大的非结构化数据分析能力的必要性。无法有效识别和缓解这些威胁的金融银行业可能会面临运营漏洞和财务影响的风险。行业专家警告称，生成式人工智能的强大功能也伴随着数据偏见和安全漏洞等固有风险，因此需要制定全面的风险缓解策略。

总而言之，非结构化数据管理不善和GenAI治理薄弱会带来巨大的战略、合规、声誉和运营风险。企业高管必须优先考虑严格的数据管理和积极主动的治理实践，才能安全地利用人工智能机遇，保持竞争领先地位。

六切实可行的建议

为了充分发挥 GenAI 的潜力，同时主动管理相关风险，金融银行业必须优先考虑非结构化数据和 AI 治理的战略管理。以下建议概述了必要的行动：

1.将非结构化数据优先视为战略资产：金融银行业应倡导全企业范围内的系统化编目、整合和挖掘非结构化数据价值的举措，打破部门数据孤岛，实现安全且易于访问的分析。必须明确战略目标，利用此前未得到充分利用的资源（例如电子邮件、文档、通话记录和多媒体数据），增强与传统结构化财务数据相当的分析能力。近期行业趋势凸显了这一优先事项，超过80%的受访金融银行业计划在三年内进行重大数据架构升级，强调将数据“视为产品”，以更好地满足监管和分析要求。高管支持对于确保必要资金和培育数据驱动的组织文化至关重要。董事会和高级管理层对非结构化数据计划的定期监督将强化其关键的战略重要性。

2.投资可扩展的治理、基础设施和智能数据工具：金融银行业必须建立强大的技术基础设施和治理框架，能够安全高效地处理大量非结构化数据。投资应侧重于先进的基于云的数据湖、数据网格或数据结构架构，以促进特定领域的数据管理和跨企业数据的无缝访问。例如，摩根大通已成功实施战略性数据网格模型，从而实现全面的数据管理和利用。

全面的治理框架，包括明确界定的数据所有权角色、数据质量标准以及专门针对人工智能生成结果的审查流程，对于确保合规性和维护信任至关重要。鉴于不断变化的监管环境，强大的内部治理（可能通过人工智能卓越中心或专门的数据治理委员会来实现）必须积极主动地管理隐私、道德考量、模型验证和合规性。金融银行业应投资人工智能驱动的工具，以帮助对非结构化数据进行分类和注释（例如，能够自动标记文档中的实体、检测消息中的情绪或转录和汇总通话的软件）。这些工具可以加速准备工作，并持续监控数据质量。此外，还需要 可扩展的合规性控制 ：部署系统来记录和追踪非结构化数据在人工智能模型中的使用情况，以便进行审计并满足监管机构的要求。简而言之，要像对待核心金融银行业系统一样严格地对待非结构化数据的管道和规则。目标是创建一个环境，让数据安全地流向需要它的人，并且这些数据产生的每个人工智能输出都是可追溯且值得信赖的。

3.构建跨职能数据和人工智能团队，并采用人机交互实践：GenAI 计划必须采用超越传统 IT 或数据科学领域的多学科方法。高层领导应积极培育跨职能团队，整合数据工程、人工智能建模、业务部门、合规性和风险管理方面的专业知识。这种协作结构可确保人工智能解决方案从一开始就符合战略要求、合规且有效。汇丰金融银行业广泛的人工智能部署——涵盖多个业务职能领域的 550 多个用例——凸显了多元化专家协作的关键价值。

建立“融合团队”，将合规和业务利益相关者直接纳入人工智能项目团队，以确保人工智能输出结果准确无误且符合监管规定。应将“人机交互”策略明确纳入设计和运营工作流程，清晰划分需要人工监督的流程和适合自动化的流程。建立培训计划，使员工掌握有效使用人工智能工具所需的技能和判断力，并强化人工智能增强而非取代人类能力的原则。

此外，高层领导应考虑设立专门的人工智能治理职位或委员会，负责监督整个企业的人工智能部署，类似于传统的风险监督职位。通过整合多元化的专业知识、严格的监督和清晰的问责结构，金融银行业可以建立可持续、有效的人机协作框架，推动人工智能能力的持续改进和审慎管理。

小结

给金融银行业的信息很明确：做好管理和利用非结构化数据的准备，如今已成为 GenAI 成功的基础，并进而影响着金融银行业未来的竞争力。在当今快速发展的环境中，海量文档、通信和其他非结构化信息库不应再被视为闲置负债，而应成为高价值的战略资产。然而，要释放这些价值，需要立即采取深思熟虑的行动，建立必要的数据基础设施、治理框架和组织协调。

果断行动的金融银行业将获得显著优势——通过更智能的虚拟助手和个性化服务提供卓越的客户体验，通过更快、更深入的洞察增强风险情报，并通过自动化提升运营效率。这些机构从一开始就嵌入了负责任的人工智能实践和合规控制，也将更有能力满足日益增长的监管要求。相反，随着 GenAI 能力日益成为竞争优势，那些拖延或缺乏明确战略而着手非结构化数据管理的机构则面临落后的风险。

随着GenAI的推进，一条新的鸿沟正在形成：一边是数据就绪的金融银行业，它们拥有高质量、治理良好的数据，能够为可靠的AI模型提供动力；另一边是那些苦苦挣扎于管理碎片化、低质量信息生态系统的金融银行业。前者将更快地创新，自信地部署AI驱动的洞察，并扩展竞争对手难以复制的新服务。后者可能会受到数据基础薄弱的阻碍，无法信任AI输出，并面临更高的监管或声誉风险。追赶的成本——无论是财务上还是战略上——只会随着时间的推移而增加。

因此，高层领导必须将非结构化数据管理视为一项核心业务能力。这需要投资于强大的数据架构、严格的数据质量流程和全面的治理机制，其紧迫性和可视性与面向客户的数字化计划相同。此外，还需要培育一种文化，将基于数据的决策贯穿整个组织，并由人工智能系统提供支持，将非结构化输入转化为可操作的情报。

成功实现这一点的回报是巨大的：一家能够深刻理解客户、高效运营、并借助 GenAI 的力量进行负责任创新的金融银行业。这样的机构将在人工智能驱动转型的时代确立行业领导力。

总而言之，非结构化数据就绪性是 GenAI 成功的基础。立即行动——将非结构化数据视为 AI 的命脉，嵌入强大的治理，并赋能团队有效利用数据——金融银行业领导者能够脱颖而出。在数据领域领先的企业，将在 AI 领域引领潮流。在这个新时代，精通数据的领导者将成为行业领先者与落后者之间的决定性因素。

本文来自微信公众号“数据驱动智能”（ID：Data_0101），作者：晓晓，36氪经授权发布。