生成式 AI 為投銀帶來新變局

金融業+AI，你會想到什麼應用呢？比起最常被聯想到的客服機器人、風險評估等商業銀行的應用，投資銀行早在十幾年就有使用AI的案例！如今華爾街的投行巨頭們摩根士丹利、摩根大通、高盛等巨頭也領先採用，透過策略路線、人才與數據整合，創造佳績！一起看看華爾街投行的AI實際應用情境跟案例吧～！

人工智慧將為投資銀行業務帶來新變局

（一）投資銀行比商業銀行更早使用AI，用於股票與債券交易、風險評估、數據分析等。

想到金融業的AI，大家可能會想到客服機器人、風險評估、營運流程優化等，偏向商業銀行的範疇。但可能很少人知道，企業投資銀行業務在數十年前就已經首次採用人工智慧和機器學習，遠早於其他金融業務。投資銀行結合 AI 的常用情境像是用機器學習模型預測股票與債券的交易模式，或是用自然語言處理 (NLP) 抓取證券或企業公開資料中數萬頁的非結構化數據，找出公司或金融商品可能所處的合理價格。

（二）一些投資銀行AI 應用發展成功，但業內成效差距大。

如今一些投資銀行大規模使用 AI，獲得巨大收益，但業內成效落差很大。另外員工經常認為前中後台領域過於複雜，無法透過使用機器學習整合，認為沒必要使用太先進的技術。反之，領先的投資銀行業者在一些領域獲得 AI 進展，包括關係經理（RM）支援和諮詢、法遵合規、風險決策以及複雜客製化產品的服務（遠期商品的外匯對沖交易、其他衍生性金融商品等）。

圖、投資銀行能使用的應用場景相當多元

（資料來源：麥肯錫， Been there, doing that: How corporate and investment banks are tacklin...。）

（三）生成式 AI 增加自然語言處理，給投銀新的發展機會。

生成式 AI 增加自然語言理解 (NLU) 的新元素，將自然語言處理（NLP）的應用程式提升到更高的應用水平。

投銀應用舉例來說：
1、法遵人員能利用生成式 AI 排序監管機構的報告，自動閱讀、找到最相關的資料，再編寫給高級法遵人員做決策，強化法遵精確性。
2、業者能用生成式 AI 編寫手工文檔，提升客戶服務競爭力。
3、業務部門善用 Broadridge 的 BondGPT 等工具，提供債券相關答案和即時洞見。

現實中投銀業者的行動：
1、摩根大通提交一項 gen AI 服務的專利申請，幫助投資者選擇股票。
2、摩根士丹利開發一款數位工具，幫助客戶經理向客戶即時傳達相關想法。
但是也有很多業者仍躊躇不前，因考量成本過高、找不到應用場域，或是技術需求太高導致無法導入新科技。

實際上的應用情境包含哪些？

投資銀行正在將生成式 AI 用於整個業務系統，並在三個領域取得相當進展：新產品開發、客戶營運，以及行銷/銷售。

（一）新產品開發

1、用 AI 程式碼工具，可轉換程式碼（.NET 到 Java）、修改過去的程式碼，讓他更可讀跟被檢測，加速軟體開發。
2、紀錄結果後針對交易所和資訊提供者、支付公司和對沖基金定期發布程式碼，縮短程式碼發布的上市時間。
3、技術堆疊升級在清算系統等後台關鍵領域可以實現。
4、降低員工的工作時間。

（二）對內客戶營運

1、銀行使用生成式人工智慧提取、搜尋和匯總非結構化服務訊息，轉換為機器可讀的指令。
2、以自然語言理解評估企業行為對客戶和產品的影響。
3、中台業務開始自動化手動任務提升效率（原高達 60% 的投資銀行服務用電子郵件與手動文件完成）。
4、撰寫財務技術文件（如 ESG 報告、審計報告、貸款合約等），節省客戶關係經理的時間。

應用：
一家亞洲企業銀行遇到一個問題：其客戶經理花太多時間寫銀行的永續報告跟回答 B2B 客戶調查問卷。為了解決這個冗長流程，這家銀行開始用生成式 AI 提取企業知識，將客戶經理通常會提出的問題變成語言模型的提示工程。過程中AI 做的是先整合各種來源的資訊，再交由分析師檢查，他們發現生成式AI 的答案正確率高達 90% ，也代表客戶關係經理能夠節省 90% 的時間來完成這項任務。

（三）對外行銷/銷售

1、最大潛力是分析客戶的語音和文字互動，協助客戶關係管理。
2、客戶關係經理助理工具幫助完成投資想法、銷售和產品政策等任務。
3、模擬客製化建議幫助客戶經理更好回應客戶，回應時間也從幾小時幾天縮短到幾秒鐘。
4、用新工具自動總結銀行的知識，建立可行的行銷內容，例如市場回顧、研究報告和簡報。

應用：
有家領先的投資銀行已經建立一個生成式人工智慧工具幫助分析師撰寫簡報草稿，分析師只要 (1)上傳所有相關文檔(2) 查詢聊天機器人確保擁有所需的素材 (3)指示工具生成所需投影片內容，就可節省三成時間建立宣傳手冊。

除了新產品開發、客戶營運、行銷和銷售，人工智慧也可應用在其他功能，例如貸款的發放和決策。這些工具可以提取跟客戶互動、貸款文件和新聞，的文字內容，提高信用模型和預警指標的準確性。

大型投資銀行應用案例

（一）摩根士丹利推出生成式人工智慧助手

摩根士丹利針對高淨值資產客戶推出生成式人工智慧助手，它能夠監聽客戶與財務顧問的對話，顧問管理可以使用它找研究資料、整理文件，起草建議和會議摘要，也能協助稅收、退休儲蓄和遺產等方面的財務狀況，提供更高效的客戶服務。

AI 計畫讓摩根士丹利第二季淨收入飆升 16%，創歷史新高，新客戶資產成長 900 億美元。銀行已經使用人工智慧來處理數據、偵測詐欺和分析客戶交易，未來也可期華爾街金融巨頭們開發能夠產生文字、圖像等更複雜的AI 應用。

（二）摩根大通的 IndexGPT 服務

摩根大通是另一家美國綜合性銀行，他們也致力於人工智慧應用。公司正在開發類似 ChatGPT 的軟體服務，2023年5月月申請名為 IndexGPT，分析適合客戶需求的證券。摩根大通已經提出商標申請，必須在獲得批准後約三年內推出 IndexGPT 才能獲得該商標，可推論在2020年公司可能就開始注意到這個趨勢。全球技術主管Lori Beer表示，大通銀行擁有 1,500 名資料科學家和機器學習工程師，正在測試 GPT 技術的「許多應用案例」。

（三）摩根大通的技術投資

摩根大通對技術的投資非常充分，他們擁有大量的資料科學家、機器學習工程師和資料管理人員，並專注於人工智慧的應用。公司在2023年投入了153億美元的技術預算，有一個用於行動和管理資料的內部平台 JADE（摩根大通高級資料生態系統），以及一個為資料科學家提供的名為 Infinite AI 的平台，並積極測試GPT技術的多個應用案例。人工智慧正在幫助摩根大通為客戶提供更個人化的產品和體驗，並在2022年帶來 2.2 億美元的收益。

圖、摩根大通大力投入人工智慧技術
（資料來源：摩根大通，JPM Global Technology 2023）

（四）高盛的生成式人工智慧

高盛是華爾街三大投行之一，2019 年從 Amazon Web Services 技術總裁轉入高盛的Marco Argenti，首要嘗試解決如何透過co-pilot和類似工具提高開發人員的工作效率，自動化程式碼的前置作業，以更專注於客戶服務和金融業務。高盛的生成式人工智慧投入尚未具體明瞭，但金融業對於這項技術的重視仍在不斷增長。

人工智慧應用取得大規模成功的要素

大多數投資銀行都從新一代人工智慧應用的概念驗證開始，為了越過該階段，銀行將希望在人工智慧和機器學習方面現有的能力和技術的基礎上發展，以確保以下要素要到位。

（一）策略路線圖

1、制定明確的策略，說明人工智慧如何整合到業務流程中。
2、確定生成式人工智慧是否改變核心業務（如市場和股權研究支援）或提供增長和生產力機會。
3、透過價值熱圖評估成本，確保準確性和永續績效，找到潛在的價值創造機會。

（二）人才

1、利用現有人工智慧人才，如量化分析師、投資策略分析師、建模人員、翻譯員、模型解釋人員等，考慮是否需要新的技能和能力，並有效組織專業人才。
2、市場領導者正在根據先前經過測試且非常成功的人工智慧交付模型，建立跨產品領域和 IT 業務的跨職能團隊，業者遇到的另一個問題是新用戶需要知道如何使用他們獲得的人工智慧工具。

（三）數據

1、整合和優化市場、參考和客戶數據。
2、確保具備處理非結構化數據的策略，如文字、圖像和客戶文件等。要為整個公司的人員建立基礎設施，以便從其平台上的任何位置存取非結構化資料。

（四）技術

1、構建現代化基礎設施跟系統環境，確保能夠高效使用和接收人工智慧建立的指令。
2、考慮混合基礎設施方法，平衡敏感資料的私有模型和公有雲功能的利用。

人工智慧應用的風險

當然，在享受人工智慧帶來的便利時，業者也需要注意並仔細規劃與擴展生成人工智慧相關的風險。以下是投資銀行需要面對的一些主要問題：

（一）公平性受損

由於開發和部署階段的訓練資料或工程決策不完善，生成式人工智慧可能會出現演算法偏差。

（二）隱私問題

生成式人工智慧可能會在模型訓練中無意使用客戶敏感資訊，從而加劇隱私問題，從而產生潛在的敏感結果。

（三）安全威脅

新應用程式可能會受到安全漏洞和操縱的影響，例如，使用者或不良行為者可能會透過混淆、有效負載分割和虛擬化來繞過安全過濾器。

（四）ESG 影響

基礎模型的培訓和部署可能會增加碳排放，從而超出承諾或預期，新一代人工智慧可能會擾亂或在某些情況下取代工人，從而帶來聲譽風險和潛在的人才短缺。

（五）運算成本

大規模使用新一代人工智慧將需要使用專用硬體或顯著增加雲端工作負荷，每一家業者對於IT預算編列金額與使用方式不一定相同，部分業者可能因為過高的運算成本卻步。

（延伸閱讀：生成式AI 威脅與隱憂 - by Mark Lin - 馬克解讀金融科技 | MarkReadFintech）

馬克碎念

投資銀行業界對於人工智慧的採用雖顯出巨大的潛力和前景，但我們也必須認清楚，AI的成功運用並非一蹴而就。它需要不斷的創新、技術的持續改進，以及策略上的細緻規劃。特別是在金融科技迅速演進的時代，投資銀行必須在擁抱AI 所帶來的高效率和新機遇的同時，也要嚴密監控可能出現的風險和挑戰。這包括數據隱私、安全性問題，以及維持對客戶服務的人性化觸感。未來可以預期更多投資銀行會尋找平衡點，同時保持對創新的追求與對風險的敏感度。

從廣泛的應用案例來看，生成式人工智慧無疑為投資銀行業開辟了新的發展方向。但這並不意味著傳統的投資策略和人工判斷就此過時。相反地，最佳的策略可能在於人工智慧與人類智慧的融合——利用AI 處理和分析大量數據，而人類專家則負責解釋這些數據並制定策略。這種協同作業不僅提高了效率和準確性，同時也確保了對市場的深刻理解和靈活應變。投資銀行在這個數據驅動和技術先進的時代中，將不斷地被挑戰，也將不斷地創新和進步。