数据平台赌局：金融 AI 计划为何停滞不前，赢家如何扩大规模

金融服务公司对 AI 并不陌生，但生成式 AI 和智能体 AI 的需求暴露了传统基础设施的深层缺陷。如今引领市场的公司早在多年前就开始修复其数据架构，而依赖批量处理和分散数据存储的组织正逐渐落后。

“超过 40% 的金融服务机构仍使用电子表格来管理数据，”Pylarinou 解释道。“超过 50% 的数据被锁定在生成这些数据的系统中。”

当数据被困在孤岛中时，AI 模型将缺乏做出准确决策所需的上下文。这迫使团队花费过多时间手动清理和路由数据。这对业务的影响非常严重。缓慢的数据访问速度阻碍了实时欺诈检测，延误了客户服务响应，并带来了巨大的合规风险。

许多组织认为其现有的数据湖或工作流自动化工具足以满足 AI 的需求。这些系统用于分析和报告，但并非为现代 AI 智能体的即时需求而构建。数据湖存储历史记录信息，而 AI 则需要即时的上下文。

Pylarinou 指出，这些系统无法解决以合规方式向正确模型提供正确数据这一核心问题。要支持高级 AI，统一数据平台必须具备以下功能：

• 以毫秒而不是秒为单位快速访问数据

• 为每个查询提供相关背景的上下文检索

• 跨系统能力，可跨越不同的传统数据架构

• 内置治理功能，维护审计记录并确保正确的访问控制

当一个平台将从入职、交易和行为信号中获得的见解统一起来时，它就能让组织即时应对市场变化。这一转变使企业从被动报告转向主动、机器速度级的决策。

“数据是任何 AI 成功的支柱，”Sisk 补充道。“没有稳固的基础设施，即使是最好的模型也无法取得成果。”

传统系统拥有数十年的独特数据结构。对于大型组织而言，拆解并替换这些核心系统通常难以实现。相反，组织必须引入一个增强层，以整合不同来源的数据。

统一的架构必须了解上下文的重要性。元数据不仅能帮助用户了解数据的用途，还能提供驱动智能体或大型语言模型 (LLM) 决策所需的上下文。

为了在不影响运营的情况下实现这种统一，领导者应关注：

1. 对现有系统进行增强，而非尝试全面替换

2. 创建人类和大型语言模型均可读取的通用架构

3. 优先选择能够实现极快速数据检索的搜索引擎

通过应用这种方法，金融服务公司可以从主机中提取交易记录，并为其添加上下文信息。这些丰富的数据可即时提供欺诈预防和客户行为分析的见解。

随着 AI 模型变得越来越自主，传统的风险管理框架已不再适用。组织不能依赖基于规则的监测来应对非确定性模型。必须将信任直接融入数据平台。

“市场上最大的差距显然是治理，”Pylarinou 指出。

这一点凸显了组织在每一步都需要实施日志记录。这使得每一次 AI 操作都可审计和解释。当一家公司能够证明 AI 模型是如何做出决策的，就能赢得监管机构和客户的信任。治理从合规负担转变为竞争优势。为未来的扩展奠定基础。

在 AI 领域取得成功的公司不仅仅是采用了更好的模型。他们正在做出更好的长期平台和数据架构决策。统一、灵活和实时的数据平台是摆脱试点困境的唯一途径。

通过优先考虑数据统一、开放标准和严格的治理，金融服务公司可以安全地运营 AI。必须首先集中精力解决数据问题。