曾经,银行领域的CIO只需要管理硬件和软件,如今,他们正在决定一家银行未来的竞争力。AI爆发、监管碎片化、遗留系统失控、网络安全升级,让银行技术体系进入“全面重构时代”。领先的银行已不再把AI当作试验项目,而是把它嵌入产品、运营、风控和客户体验的核心。未来的银行,将由“人类+AI智能体”共同运作:AI写代码、做运营、管风控,人类负责判断与战略。真正拉开差距的,不是模型本身,而是谁能率先重构数据、组织和人才体系。CIO,也正从技术负责人,变成银行新的业务增长的操盘手。
不久之前,金融机构的CIO的核心关注点还是硬件和软件,如今,这一局面已不复存在。当今的CIO必须在宏观经济与市场环境、碎片化且多样化的监管法规、快速扩展的业务期望与目标,以及银行业技术演进(用革命一词或许更为准确)交织而成的复杂格局中运筹帷幄,今天的CIO既是战略家和业务伙伴,也是其他企业领导者赖以实现自身目标的关键职能的管理者。
这并非角色和职责的渐进式调整,它正促使顶级银行和其他金融机构的CIO以及CEO以重新校准的战略视角审视技术职能。技术既是战略的核心,也是执行的核心,而具有前瞻性的CIO已经意识到,他们需要将上述所有因素作为一个整体——一套集成的挑战——而非孤立的问题来应对。例如,如果不扩展AI和AI智能体,他们就无法提供其他职能部门所需的产品和服务,而这对数据访问与管理、供应商合作伙伴关系以及人才都有着深远影响,他们若要应对AI及其相关组件,就必须将战略适配到这个日益多极化世界中的本地市场和监管条件,两者密不可分。
大多数CIO的待办事项已经不堪重负,我们当然也无意雪上加霜,但随着技术在企业绩效中占据核心地位,CEO和董事会看到了CIO的新角色:绩效协调者。在按职能组织的银行中,能横跨整个企业的角色寥寥无几,而CIO正是其中之一,他们有能力连接系统、协调职能,并构建支撑整个组织运转的技术脊梁。诚然,复杂性无处不在,但最优秀的管理者正通过设定方向、权衡取舍、推动业务、风险、运营和合作伙伴等领域的变革来超越这种复杂性。在此过程中,他们正在打造维系持久竞争优势的能力。
我们与全球领先金融机构的合作经验,帮助我们为CIO制定了一套基于融合与聚焦的方法论,以应对企业的战略要务。
三大趋势——竞争格局、业务模式和客户期望的变化,银行技术与科技人才的演进,以及地缘政治、市场和监管的碎片化——正在重塑银行及其所依赖的技术。虽然每一趋势可以单独评估,但试图孤立应对它们是冒险的,因为它们相互交织,某一领域的变化(比如地缘政治)会影响其他领域的竞争环境。
银行对CIO寄予厚望,CEO和董事会、股东、监管机构(间接地),以及与银行有业务往来的消费者和企业,各自都有一套要求。
在组织内部,业务领导者需要技术支持新产品,任何延迟都会威胁竞争优势,以数字优先著称的创新玩家已经能比传统银行更快地扩展产品。CEO期望技术职能解决韧性和合规问题,因为监管机构正在收紧这两方面的约束。复杂的遗留技术架构是巨大的障碍,吞噬了大量管理时间和资源。
在外部,客户期望获得与大型科技公司相媲美的便利性和功能。消费者银行家协会2025年的一项研究发现,80%的银行业领导者认为自己提供了出色的客户体验,但只有24%的客户表示认同。
银行必须针对每个市场调整产品,以适应新出现的或快速变化的机遇。技术部门需要在构建、测试和推出产品方面保持敏捷,以匹配客户对敏捷性和韧性的期望。
从投资者和客户到内部利益相关方,所有人都在期待快速发展的AI带来成果。BCG的研究发现,全球43%的消费者已经在使用AI来研究品牌和产品、获取购买建议。试点和用例已成为令人反感的词汇。AI项目需要大规模部署,以解决业务或客户问题并创造真正的财务影响。有效的部署需要加强数据基础,而这又带来了需要缓释的新风险。与此同时,对稀缺人才的竞争也异常激烈。
除此之外,成本压力始终存在,而且随着AI期望的提升甚至有增无减。同时遏制成本曲线和扩展AI需要思路转变:技术职能运营成本的增加必须驱动效率提升,从而实现非技术领域的成本削减。
银行技术的演进造成了架构膨胀、加剧了复杂性,并为CIO制造了一份不断膨胀的待办清单。如果不进行简化,每一项新举措都会让技术版图更加脆弱,大多数机构都有一系列需要立即关注的优先事项。
构建。使用API和微服务进行现代化改造的尝试正在使技术架构变得更加复杂,随着业务量大幅增长,韧性面临挑战。因此,必须减少单点故障,简化复杂的架构,用于改造遗留应用和基础设施长尾的资金正在消耗技术职能的资源。银行在云服务上的支出不到其应用托管预算的20%,这意味着超过80%的支出用于遗留基础设施。随着韧性标准的提高,遗留架构可能需要大量投资进行现代化改造,因为它们在满足新的稳定性和韧性目标方面存在风险。
运营。技术运营效率(以高效的资源利用实现预期结果)依然面临挑战,随着技术架构复杂度的增加,优化运营成本的重要性也在上升,尤其是考虑到银行在云基础设施上的支出不到应用托管预算的20%,超过80%的支出用于管理和维护遗留基础设施。(这些成本从2021年到2025年增长了21%,而最基础的维持运营成本增长更快。)持续监测关键运营指标是确保服务韧性和优化的重要手段。
第三方风险管理的复杂性不断上升,需要更全面的监控以及应急和灾难恢复规划,人员流动会导致内部知识流失。为了控制复杂性,跨多个平台整合数据管理和分析工具将变得更加重要。
保护。网络安全工具必须在不断扩大的威胁范围内缓释风险,重点保护核心系统和记录台账。随着AI完善图像和语音伪造技术,并引入vibe coding等新的脆弱性,多模态威胁正在增加。问题的解决需要综合考虑多个方面,因为欺诈、网络犯罪和洗钱之间的关联日益紧密。其中也蕴含机遇:加强威胁防护的银行可以深化客户对其个人和金融数据安全的信任,这在AI驱动的环境中隐私和数据安全受到越来越多质疑的背景下,可能成为一大优势。
AI的影响。随着AI工具日趋成熟、应用不断扩展,银行需要对AI的使用和开发建立强有力的管控,以防止成本飙升。例如,利用AI加速新技术系统构建的做法正在迅速普及——但也催生了建立防护机制和确保质量的新需求,有效的成果依赖于高质量的数据和成熟度,强大的大语言模型运维职能将是管理计算和云支出的关键。
AI智能体不断扩展的能力将要求重新分配人类和智能体之间的任务,银行需要为AI原生的未来培养新的技能组合并调整招聘策略。由于缺乏经过培训的人才以及现有员工技能提升的挑战,短期内填补新岗位的能力将受到限制。
多极化趋势加剧和全球化瓦解为银行和银行技术带来了额外挑战,地缘政治的碎片化提升了韧性方面的考量,例如风险敞口的集中,这些因素日益影响银行的基础设施决策。
金融犯罪风险合规的异质性增加了复杂性,银行需要前瞻性地围绕内部和客户的AI使用实施管控措施,以缓释当前和未来的运营及监管风险。
为了在控制成本和复杂性的同时降低风险,银行需要对数据托管和处理采取务实的属地视角。数据、存储和计算方面日益增长的本地化要求,削弱了全球性银行在各市场和地区标准化技术及产品开发的努力。
当今的CIO已经有一长串关键任务,包括成本优化、监管就绪、韧性、风险管理、产品开发和人才管理——此外还有持续推进有效平台运营模式的工作。对于许多人来说,这份清单还可以加上可扩展基础设施模式、AI基础设施和实验性沙盒、供应商合作伙伴关系,以及AI驱动的工作方式、劳动者和劳动力变革等方面的行动。
根据我们的经验,确保战略一致性和应对运营复杂性的最佳方式,是聚焦于几项同时推进的关键行动,这种方法既能让复杂性变得有序,又能解决当下的问题,同时为明天的优先事项做好准备。新增能力可以在多条战线上加速进展,这是逐项线性推进各个议程项目和子项目所无法实现的。例如,用独立的交易处理和分析能力来现代化银行的数据平台,既能满足一致和准确的监管报告需求,又能提升韧性,还能为AI智能体的部署打下坚实基础,这种方法也有助于避免常见的失误和陷阱。
我们看到顶级银行正聚焦于四个领域:赋能客户旅程、构建强大的数据和AI基础、扩展AI,以及获取必要的人才。
BCG 2025年全球构建未来AI采用与价值研究发现,75%的AI价值来自核心业务职能,其中11%来自客户旅程的赋能。将消费者和企业与合适的产品和服务相匹配的关键,在于这些旅程需要现代化、灵活的架构和系统。
在现代技术架构的顶层,旅程编排层按渠道获取客户需求,并将两个关键数据平台中的客户信息连接到集中的核心记录台账,这个核心既窄又深——窄体现在它只保存关键的银行和客户数据,如交易、客户参考信息和余额,深则体现在它能随时间提供全面而准确的记录。智能体(无论是人类、确定性算法还是自主式AI)从核心获取数据,进行清洗和验证,提供上下文、标准化和结构化,并且只有在强制要求时才更新核心。
请警惕一个常见陷阱:未来状态架构指令通常被用来规划银行技术基础设施的现代化路径,但缺乏协调的执行只会导致复杂性增加。我们认为,在精益核心、数据平台搭建、选定的基础设施和运营管控等方面集中并行推进,能让银行最有效地落实各个组件,推动全面现代化。
银行应优先建设AI基础设施,包括优化的数据层和专门的工具平台,坚实的基础能实现跨多层的编排:
• 核心模型层:托管、路由、管理和编排AI,提供对传统模型和定制模型的可靠访问。
• 开发者工具层:提供框架、工作流和工具包,使团队能够设计、执行和管理AI智能体。
• 安全与管控层:内置合规保障和风险缓释机制,包括防护栏、审批、审计和注册表,并包含最新的许可模型和智能体目录。
• 运营层:编排人类和AI智能体之间的活动,提供可观测性和评估能力,确保AI系统保持可靠、高性能和成本高效,同时提供明确的模型验证和智能体监控标准。
银行需要两类数据平台:交易型和分析型。交易型平台收集、传输和分析进行中的工作和只读数据,使智能体(无论是人类还是AI)能够获取当前信息,完成的交易数据会更新到核心记录台账中。交易平台在单笔和汇总交易层面收集和传输数据,用于风险和运营分析及追踪。这消除了只读交易访问核心层的需求,并使智能体工作流在银行现代化过程中更容易与客户旅程对齐。
随着AI采用的扩展,交易型数据平台必须超越数据搬运的功能,实现与核心系统的快速、高质量交互,这需要更精细的数据治理、与记录台账更紧密的同步,以及支持智能体访问和执行的架构。在这种模式下,交易型平台既赋能AI智能体,又被智能体增强,在数据质量、系统交互和自动化之间形成反馈循环。
分析型平台针对计算密集型场景进行了优化,它们通过处理客户使用和交易历史来实现大规模的洞察和个性化,它们还支持风险和定价模型的测试与验证。分析型数据平台整合来自多个来源的数据以揭示关联关系,确保银行更好地理解客户需求,从而提供个性化的服务和优惠。
两类平台还有助于消除遗留应用和基础设施的长尾,避免点对点接口的泛滥和对核心系统的多重API更新,它们在数据结构和模式方面创造了灵活性,消除了为了适应非标准工作流而保留这些应用的必要性。
在规划中整合技术、业务和运营的输入至关重要,这样才能在转型路径上达成一致,并在客户成果、可扩展性、风险与管控以及运营工作流等方面形成共识。业务和技术领导者需要对每项技术背后的权衡和影响形成相互理解,这将使双方团队能够就未来投资的取舍进行辩论。通过将技术和业务转型项目整合为一体化努力,一家大型欧洲银行将其技术运营成本降低了5个百分点。
在大型全球性银行中,CIO面临着越来越大的压力,需要在技术运营成本方面实现30%或更高的生产力提升。AI,尤其是智能体能力,有望通过自动化事件处理、减少重复开发工作和改善复杂组织间的协调等方式,推动这一质的飞跃。
尽管AI的潜力显而易见,但由于运营模式不够清晰,银行在AI议程上的推进一直较为缓慢。确定要扩展的AI举措,需要找到同时实现多个目标的机会:重新设计工作以改善成果、降低成本、优化此前未解决的复杂性。换言之,最有前景的举措是那些在通过推进AI优先的技术部署实现投资回报最大化的同时,解决业务或客户问题的举措。关键在于重新构想未来的工作方式,以最大化智能体和其他AI工具的影响,同时在每一步中内置风险管控,而非将其作为单独的叠加层。
AI可以在适当的监督下承担大部分繁重工作(heavy lifting),帮助将产品开发生命周期重新构想为AI优先的流程。例如,银行目前正通过AI驱动的生产力提升,目标将软件开发成本降低30%至50%。在这个过程中,确定性AI建立基于规则的系统,生成式AI生成代码或文档并探索多条解决路径,智能体将目标转化为可执行的计划,协调模型和工作流,并根据结果进行迭代,人类则提供判断、治理和信任,以及定义意图、约束和升级规则。
基于AI的工作流和工具可以通过使技术职能理解、合理化和优化遗留代码库及新开发工作来提高生产力,同样,在运营和网络安全中的智能体部署可以更好地处理海量日志、过滤噪声,并改善监控和一线. 获取必要的人才
实现预期的生产力提升不仅需要重新思考工具,还需要重新思考工作的组织方式:重塑角色、减少重复、在人类和AI智能体之间重新分配精力。未来的工作将是确定性算法、判断驱动的代理式AI工作流,以及人类互动和关系管理的混合体。
这些是巨大的变化,对工作、劳动者和劳动力有着同样深远的影响。技术组织内所需的技能组合在广度上不断扩展,顶尖人才需要在多个领域(如网络安全、数据和DevOps)具备足够的深度。与此同时,随着AI的成熟,它颠覆了许多现有角色,并催生了新的关键技能组合,例如能够在智能体部署扩展时控制AI支出的大语言模型运维专家。