在金融服务领域扩展 AI 从治理和架构开始
作者：来自 Elastic Karen Mcdermott
金融服务公司正面临部署 AI 的真实压力。其承诺非常明确：更好的客户体验、更低的风险以及更高的运营效率。根据 IDC 的研究，42% 的金融服务组织计划在 2026 年显著增加对 AI agent 的投入，¹ 并且无论经济环境如何，AI 计划都是最不容易受到预算削减影响的单一领域。²
然而，许多技术领导者发现，目标与执行之间的差距令人沮丧地巨大。试点项目成功了。企业级推广却停滞了。
障碍很少是 AI 模型本身。
为什么金融服务领域的 AI 在开始之前就会失败
在 金融服务 领域扩展 AI 的真正挑战，在于底层的数据基础。组织难以统一分散的数据、实施严格的治理，并在已经运行数十年的遗留系统中保持可观测性。
Microsoft 金融服务行业云高级总监 Thomas Mathew 直截了当地指出：“大多数组织在 AI 领域失败，并不是因为缺少数据，而是因为它们无法充分信任和理解已经拥有的数据。”
糟糕的数据质量不仅会产生不准确的输出。它还会破坏用户信任，引发监管审查，并使整个 AI 投资难以证明其合理性。对于在高度监管环境中工作的 CIO、CTO 和 CDO 来说，这是无法接受的风险。
从前台炒作转向基础设施现实
金融服务领域早期的 AI 采用浪潮主要集中在面向客户的应用上：聊天机器人、个性化服务和数字助手。组织很快发现，在缺乏稳固后端架构的情况下部署这些工具，会导致幻觉、合规违规 和不断增加的成本。
此后，重点已经发生转变。IDC 数据证实了这一点：企业如今更重视基础设施、数据和治理，而不是前台创新。客户体验 在仅仅一年前的预算抗削减能力排名中还处于最后位置，如今已经有所提升，但这只是在组织意识到必须先修复后端之后才发生的。
IDC 金融洞察副总裁 Jerry Silva 将其描述为一项战略必需：“将 AI 视为一种企业能力，而不是一种技术。确保所有治理措施都已到位，然后寻找能够帮助你实现 AI 所驱动实际业务价值的专家。”
这是区分真正取得进展的组织与仍在运行孤立实验的组织的关键转折点。
在金融服务领域扩展 AI 的 7 个步骤
1. 构建可信的数据基础
金融服务公司拥有大量信息，但这些信息通常存在数据孤岛、非结构化或过时的问题。要解决这一问题，需要一个统一的平台，从整个企业中采集并组织信息。
当组织实施强大的搜索能力（例如语义搜索）时，其模型可以从准确、相关且最新的数据源中获取信息。这会将原始日志和文档转化为可执行的智能。
2. 将治理嵌入每个工作流程
在受监管环境中，你不能将治理视为事后补救措施。你的架构必须自动执行关于数据主权、访问控制和隐私的规则。有效的 AI 治理需要基于角色的访问控制和完整的审计追踪。这种控制能够保护组织，同时支持安全创新。
3. 优先考虑整个企业的可观测性
碎片化是规模化的敌人。当不同团队使用独立的工具时，盲点就会出现，调查欺诈或系统故障会变成缓慢的人工过程。将指标、日志和追踪统一到单一平台中，可以帮助团队开发健康预测和异常检测模型。
例如，美国最大的财产和意外保险公司之一与 Kyndryl、Elastic 和 Microsoft 合作，实现了这种统一方法。结果非常显著：他们每年减少了约 5,000 起事件，并发现过去 90% 的中断本可以被预防。
4. 安全地迈向 agentic AI
金融服务领域的 AI 战略正在从生成式系统转向 agentic 系统。这些自主 agent 不仅回答问题；它们还会观察、推理并执行复杂工作流程，例如自动处理理赔或调查安全威胁。
然而，自主性也带来了新的风险。agentic 系统需要实时上下文、严格的防护措施，以及在高风险决策中由人参与的升级机制。金融服务领域很少有 agentic 实现能够完全脱离人工监督运行，尤其是在涉及敏感客户数据、潜在财务损失、大额信贷决策或监管可解释性的情况下。
Elastic 首席解决方案架构师 Tim Brophy 提出了一个务实的起点：“从小处开始。让我们从一个小项目和一个小用例开始，然后不断迭代，直到它变大……因为这个用例的强度取决于所提供的上下文。”
高度可观测的 AI 架构——能够追踪 agent 如何做出决策以及访问哪些数据——对于安全地大规模部署至关重要。
5. 在单一平台上统一搜索、可观测性和安全
Elastic 的 Search AI Lake 将来自整个企业的数据汇集在一起。它利用机器学习加速根本原因分析，并发现人类可能遗漏的模式。当所有遥测数据集中在一个地方时，AI 可以在重大中断或安全事件发生之前发现异常。
这种统一方法还支持不同的使用场景。正如 Brophy 所解释的，一旦数据为了可观测性而被整合，同一个基础平台还可以支持安全分析、欺诈检测和 AI 辅助搜索。这消除了进行完整架构重建的需求。
6. 促进跨职能协作
在金融服务领域扩展 AI 不仅仅是 IT 项目；它需要业务、数据、安全和合规团队之间的协作。孤立的项目经常失败，因为它们没有考虑更广泛组织的需求。
Kyndryl 金融服务现代化负责人副总裁 Niloy Sengupta 这样描述：“如果组织中的一方试图单独完成某件事情，那么整个企业采用它的可能性，会低于所有人共同参与的情况。”
成功的公司会建立团队共同创建解决方案的环境。通过使用共享平台，它们打破数据孤岛，并确保 AI 项目符合业务目标和监管要求。
7. 为长期成功寻找合作伙伴
现代金融架构的复杂性意味着，很少有组织能够完全依靠内部力量构建所有能力。从新的 agent-to-agent 协议到不断变化的监管框架，变化速度要求具备专业知识，而这些能力很难并且没有必要全部在内部长期维护。
软件供应商、云服务提供商和系统集成商之间的生态合作至关重要。运行在 Microsoft Azure 上并由 Kyndryl 管理的 Elastic 等平台，可以提供预构建集成、经过验证的参考架构以及企业级支持。这些合作能够降低实施风险，并加快实现价值的时间。
探索 AI 成熟度的下一阶段
能够在下一代 AI 时代取得成功的金融服务公司，将是那些现在就优先建设数据基础的公司。通过投资统一搜索、全面可观测性以及严格的金融 AI 治理，它们能够构建支持自主系统所需的弹性架构。这种方法可以降低风险、提高运营效率，并推动可衡量的业务成果。
从实验走向执行需要清晰的战略和跨职能协同。它要求将 AI 视为核心企业能力，并由正确的技术和正确的合作伙伴提供支持。
真正取得进展的组织并不会等待完美计划。他们从小规模开始，谨慎治理，并基于可信赖的基础持续构建。
观看完整对话：AI 在金融服务中的应用 —— 从战略到执行
本文中描述的任何功能或特性的发布和时间安排完全由 Elastic 自行决定。任何当前尚未提供的功能或特性，可能不会按时交付，甚至可能不会交付。
原文：Scaling AI in financial services: 7 steps to governance and architecture | Elastic Blog