生成式人工智能与银行业变革：典型事实、实践问题与破局之策*
——以ChatGPT为例

申 么，申明浩，2，丁子家，吴 非

（1.广东外语外贸大学经济贸易学院，广东 广州 510006；2.广东外语外贸大学粤港澳大湾区研究院，广东 广州 510006；3.广东金融学院，广东 广州 510521）

一、引言

近年来，新一轮科技革命和产业变革不断深入推进，先进技术的崛起正成为推动经济高质量发展的核心引擎。2022年11月，美国OpenAI开发推出一款大型预训练①预训练模型基于迁移学习的思想，首先在数据量庞大的公开数据集上训练基于深度神经网络的 AI 模型，然后将其迁移到目标场景中，通过目标场景中的小数据集进行微调，使模型达到需要的性能。自然语言生产模型②自然语言生产是人工智能领域探索人类语言的前沿领域，其编码阶段对应于大脑的语言编码过程，是一种将语言编码成可理解、可存储形式的过程。，并将其命名为ChatGPT（Chat Generative Pre-trained Transformer，聊天生成式预训练转换器）。这是一个基于生成式人工智能（Generative AI）的现象级产品。生成式人工智能是一种基于算法、模型、规则生成文本、图片、声音、视频、代码等内容的技术。有别于传统“分析式AI”（Analytical AI）专注于海量数据的分析判断以辅助决策，生成式人工智能接受了广泛的语言任务训练，在翻译、写作、总结、问答、文本等方面展现出卓越效能，其不仅具备辅助决策功能，还能够从更高维度进行演绎生成，突破传统AI创造性停滞的桎梏，拥有人类乃至超越人类响应的能力（朱光辉和王喜文，2023）。生成式人工智能概念特征如图1所示。

图1 生成式人工智能概念特征——以ChatGPT为例

凭借着卓越的自然语言处理和深度学习能力，生成式人工智能将与各行各业的生产经营和管理实践逐渐实现深度融合。其中，银行业作为典型的技术密集型行业，也受其浪潮的影响（余明桂等，2022）。当前，中国银行业正处于数字化转型和业务模式创新的关键阶段，为更好赋能金融供给侧结构性改革，增强金融服务实体经济能力，推动银行业机构的智能化变革势在必行。以ChatGPT为代表的生成式人工智能应用在客户服务、业务流程和风险控制等方面发挥着日益重要的作用（汪寿阳等，2023）。以客户服务为例，生成式人工智能通过自然语言处理技术实现智能客服，为客户提供更高效、个性化的服务体验。在业务流程方面，生成式人工智能实现了报表自动生成、预警系统管控等功能，进一步提升银行运营效率。此外，生成式人工智能还在风险控制领域发挥着重要作用，辅助信用评级、反洗钱监测等，有效提升了风险管理的水平。不难发现，生成式人工智能在客户服务、业务流程、风险控制和产品创新等领域为银行提供了有力支持，与银行业转型变革的内在需求相得益彰（宋信强等，2023）。如何推动前沿数字技术与银行业变革有效融合，是摆在业界、学界和金融管理部门面前的重要课题。

从国家规划和政策导向来看，生成式人工智能的应用能够更好赋能经济高质量发展。党的二十大报告指出，要加快发展数字经济，促进数字经济和实体经济深度融合。《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》提出，要稳妥发展金融科技，加快金融机构数字化转型。上述规划和政策导向为银行业引入先进人工智能技术指明了方向。然而需要重视的问题是，尽管生成式人工智能为银行业带来了巨大机遇，但也伴随着一些新的风险挑战。在这一进程中，需要充分发挥生成式人工智能技术的优势，同时审慎应对其潜在风险，以确保其在金融业的应用能够稳健、持续地促进行业的变革与发展。因此，有必要深入研究生成式人工智能技术（如ChatGPT）在银行业中的应用特点、效果及可能引发的问题，提出有针对性的优化方案，以推动银行业高质量变革。开展这方面的研究不仅在理论上具有重要价值，也将在实践层面上起到关键作用。

二、生成式人工智能赋能银行业变革发展的典型事实

（一）智能交互：拓展多元化金融需求，实现智能满足

作为具备强大自然语言处理能力的人工智能工具，生成式人工智能在个性化交互方面展现出显著的优势。以ChatGPT为例，其智能客服能够涵盖客户咨询的完整流程，包括了解用户需求、提出综合性建议，以及获取用户反馈等步骤。在了解用户需求的阶段，ChatGPT能够针对不同的用户类型，运用不同的措辞，通过对话式交互进行多轮深入探讨，全面掌握用户的年龄、婚姻状况、职业背景、资产状况、风险偏好等诸多个人信息（Rathore，2023），甚至可以形成每个用户专属的“数字分身”③数字分身（Digital Twin）是指利用数据技术对现实世界中的对象或系统进行数字化、可视化的一个数字表征。在ChatGPT个性化服务场景中，通过ChatGPT长期与单个用户的互动交流，它可以收集和学习该用户在不同场景下的言行气质、兴趣取向、思维模式等方面的特征数据。这些特征数据通过AI模型的训练与优化，整合形成一个该用户在数字空间中的个体“影子”——“数字分身”。ChatGPT运用这一“影子”实现更精准的个性分析和服务。。上述优势使生成式人工智能实现了从外在属性到内在思维的全面优化，精准服务于每个用户的个性化需求，给用户体验带来质的飞跃，这将成为个性化金融服务的一大发展趋势。

相较于传统的问卷调查或客户的主动咨询服务方式，生成式人工智能可以实现24小时在线服务。生成式人工智能不仅能够快捷地回答客户关于融资和理财方面的疑虑，还能够根据用户的个人特征，提出量身定制的理财方案。生成式人工智能提出建议时，不仅会综合考虑用户的需求，还会结合用户的资产状况、风险承受能力和过往投资经验等，对不同选项进行引导和解释。这种个性化定制和灵活变通的服务模式，将大幅度地提升客户的体验、增加客户黏性。此外，生成式人工智能与客户的对话是一个长期互动的过程：它不仅能够理解用户当次提出的问题，还能够分析用户过去提问的总体特征，以此为基础提供更符合客户需求的建议（郭维等，2023）。

与人工客服不同，生成式人工智能拥有自动学习和持续优化的能力，可以主动获取用户的反馈，判断用户对当前服务的满意程度，从而不断优化服务流程和内容（George和George，2023）。尽管生成式人工智能的语言表达能力可能不及人工客服丰富多彩，但其持续24小时不间断、更高强度的个性化服务能力，能够为客户带来更为便捷的体验。这不仅能够增进客户的忠诚度，也将为银行带来可观的商业价值。

（二）数据智能：提升决策支持水平，助力数据驱动银行业

作为融合了大数据和人工智能最新成果的产物，生成式人工智能通过对海量互联网数据、监管报告以及宏观经济指标等数字信息的学习与吸收，表现出卓越的数据驱动能力，为银行业开拓了新的决策支持通道。生成式人工智能能够对海量客户交易数据和交易行为进行深入学习，借助对客户特征偏好的深度挖掘，塑造个性化且多维的数字画像，这不仅有利于银行更准确地理解客户需求、更精准地提供建议（王润华，2023），同时能够针对潜在客户开展精准营销。尤其是，生成式人工智能也具备对宏观经济数据的深度分析能力，可以追踪并学习近期重要的经济政策文件、央行公告等宏观政策面变化，分析其对产业运行的影响。通过深度分析海量结构化和非结构化数据，生成式人工智能能够帮助银行进行全面且准确的市场洞察，为银行决策提供充分依据（Dwivedi等，2023）。此外，生成式人工智能还可以对股票市场、债券市场和外汇市场中的重要利好和利空消息进行跟踪学习，预测并分析这些市场的短期波动趋势，为投资决策提供指引。综合上述分析不难发现，生成式人工智能的数据驱动能力为银行决策提供了可靠支持，在银行业变革发展的道路上扮演着至关重要的角色。

（三）个性化金融：定制设计与风险管理，铸就精准金融服务

生成式人工智能借助大数据和深度学习分析能力，为银行的决策制定提供了前所未有的数据驱动支持，对银行个性化服务和风险评估等方面产生了重要影响。在个性化服务方面，通过学习客户过往的账户流水数据，如交易记录、消费模式、资产状况等，生成式人工智能可对每位客户进行全面而细致的剖析，构建独特的客户画像。这不仅能够协助银行更精准地洞悉客户需求，也为量身打造个性化金融方案提供有力支持。在风险评估方面，生成式人工智能的应用潜力巨大。通过学习与分析企业客户的财务报告及其他公开信息，生成式人工智能为银行提供了全面而详实的企业客户信用风险评估依据（Cascella等，2023）。与传统依靠的人工主观判断不同，生成式人工智能所采用的数据驱动评估模式更具客观性。在自动分析财务指标的层面上，生成式人工智能能够评估企业的应收账款质量、现金流状况等关键元素。同时，通过检索企业近年的财务报告与媒体报道，生成式人工智能还能检测企业是否涉及财务造假、欺诈等不良情形，这些可作为企业客户信用评级的重要参考指标。此外，在地理空间大数据能力不断增强的背景下，生成式人工智能未来还将为区域银行业务提供更具指导性的决策支持。

（四）技术与管理创新：人工智能引领银行业技术与管理风潮

在数字化潮流不断颠覆传统金融格局的大背景下，生成式人工智能的智能分析与应用在金融行业的技术与管理创新中也发挥了至关重要的作用。一是，生成式人工智能凭借其对海量数据的驾驭能力，有助于银行构建全面和精准的内部管理指标体系。透过对银行各项业务和风险控制数据的深入学习和分析，生成式人工智能可以提取出关键的绩效衡量指标（KPI），如业务部门的运营效率、客户满意度、不同业务线的收入贡献率、不同区域的业务规模等。这些定量的关键指标为银行内部部门之间的合作与协调提供了更为明确的基础，为银行管理层的决策提供了科学的依据，也使银行不同部门在任务分配上更加高效、协同。二是，生成式人工智能够挖掘银行业务流程中的潜在知识要点，并从中整理出最佳实践。例如，它能够总结出不同业务线处理客户投诉的标准流程，为新员工培训提供参考。生成式人工智能还能够根据员工的反馈不断地完善内部规章制度，实现管理制度的不断优化。三是，随着区块链和移动互联网等新一代信息技术的发展，生成式人工智能有望成为推动金融管理模式转型的强大引擎（宋良荣和李佳男，2022）。以区块链技术为例，通过ChatGPT等生成式人工智能实现的交易智能自动化有助于促进银行间资金结算和清算流程的升级。此外，以ChatGPT为代表的生成式人工智能还可以协助推动分布式账本与聊天机器人的结合，创新银行管理模式，实现分散记录的统一管理，从而有效提高银行管理效率（杨曦和刘鑫，2018）。生成式人工智能赋能银行业变革的典型路径如图2所示。

图2 生成式人工智能赋能银行业变革的典型路径

三、生成式人工智能发展情境下中国银行业变革面临的风险挑战

（一）技术安全风险

在数字时代，生成式人工智能等大型自然语言处理模型所带来的技术安全风险凸显。数据泄露方面，人工智能技术应用必然会涉及到大量数据的采集和处理，在这个过程中可能会发生较为严重的数据泄露事件，随之而来的“次级攻击”将使更多用户陷入经济损失的境地（Dash和Sharma，2023）。毫无疑问，银行机构作为金融信息数据处理中枢，数据的泄露也将引发客户对银行信任的动摇，导致客户解约或转向他行。如此，银行业务和客户保留能力都将受到冲击，这种负面风险甚至会蔓延至整个社会（邓建鹏和朱怿成，2023）。更不用说，前沿数字技术应用在实践中存在着大量隐蔽的信息操纵行为，技术“向善”问题仍旧是横亘在生成式人工智能技术应用面前的重大难题。

除了技术“向善”的安全性问题，生成式人工智能创新应用也有可能落入“低水平均衡”技术同质化的陷阱。作为一种基于机器学习算法训练出的智能客服系统，其提供的答复难免会呈现一定的通用化和标准化特征。这意味着生成式人工智能的回答往往偏向常规与从众，导致各家银行的服务呈现出相似的模式，加剧了银行业务同质化的趋势。客户难以真正享受到个性化的特色金融服务，进而对银行的竞争力和客户满意度构成威胁。

客观来看，技术同质化造成的多元化福利损失可归结为效率偏低。但实践中，这种同质化的生成式人工智能技术还可能造成更为显著的冲击，如为风险事件快速传播提供了技术渠道。传统上，银行业通过地域布局来降低风险，即便在某一地区发生了风险事件，也不易传播至其他地区。然而，如果全部采用生成式人工智能技术，某一类业务问题在全国范围内迅速传播的可能性将会增加。这对银行的风险管理提出更高要求，因为风险事件的范围更广，处理难度和成本也将显著上升。特别是在金融体系中，即便是起始发生小规模的风险事件，如果影响快速传播，仍可能对整个系统造成连锁反应，形成显著的“风险共振”效应，加大金融体系的系统性风险管控压力（赵建和王静娴，2022）。

（二）成本衍生风险

面对生成式人工智能技术的高昂成本和应用难题，中小银行面临的挑战不仅仅在于经济负担，更在于如何实现创新成本和效益的平衡。第一，生成式人工智能的单次训练费用高昂，对不少中小银行而言几乎是无法承受的负担。以ChatGPT为例，ChatGPT-3的单次训练成本在140万美元左右，更大规模的训练成本范围为200万～1200万美元。据估计，一次训练可能需要耗费数百万千瓦时的电力，成本高达数十万美元。在大规模的训练中，如果使用了更多的GPU和更多的计算资源，那么成本可能会更高。现阶段金融科技领域的竞争激烈，银行需要在技术创新上不断投入，这种高昂的初始投资可能导致资源短缺，影响银行其他创新项目的推进（杨景陆和粟勤，2023）。除此之外，生成式人工智能作为一种基础设施，如果长期无法升级，银行服务水平将难以与时俱进。这不仅仅影响客户体验，也可能因为无法适应市场需求变化而失去竞争力。第二，银行自身在提升生成式人工智能技术的效率和效果方面也面临挑战。单独的投入可能难以实现规模效应，若各银行不能协同推进研发，将导致资源的重叠浪费，也难以形成对生成式人工智能产品标准化的推动力。这种孤立的发展模式可能会阻碍生成式人工智能服务水平和治理水平的稳步提升。因此，银行之间需要建立合作机制，共享研发成果，推动生成式人工智能技术在整个行业范围内的升级和推广。另外，监管部门在生成式人工智能技术治理方面也亟需建立有效的体系。银行在应用生成式人工智能技术过程中，如果监管标准缺失，将会使得银行缺乏明确的指引。监管部门需要深入了解这类技术的特点，制定可操作的标准和政策指引，以保障银行在技术应用中的合规性和安全性。同时，监管部门也需要鼓励银行资源整合和创新，推动银行机构共同面对技术挑战，共同制定应对策略。

（三）决策引导风险

生成式人工智能的应用可能导致银行的决策偏离最优解，产生系统性风险，主要体现为决策误导。首先，在信息不对称的情况下，生成式人工智能可能无法准确理解各个专业领域的核心业务逻辑，存在“外行指导内行”的固有缺陷。虽然生成式人工智能的建议在某些情况下看似合理，但在复杂的专业场景中，这些建议可能是不准确的，过度依赖人工智能进行高风险决策可能会导致严重的决策错误甚至产生无法挽回的损失（陈永伟，2023）。其次，在逻辑推理方面，生成式人工智能难以避免基于概率推断带来的先验偏见。在银行管理中，这种偏见可能导致决策违反经济法则或市场逻辑。如果生成式人工智能的建议存在着潜在的逻辑错误，在投资组合配置、信贷审批等领域，都可能引发严重的风险事件（蒲清平和向往，2023）。最后，在结果偏差方面，过度依赖生成式人工智能可能会导致银行在投资和风险规避等方面产生系统性的“追随市场”偏差。特别是在市场出现明显的非理性繁荣时，生成式人工智能很可能基于历史数据作出错误判断，从而误导银行高管做出高风险决策。这与以往国际范围多次金融危机爆发的根本原因相似，都源自依赖模型产生的、与经济规律不符的高管集体性错误判断。如果银行过分依赖生成式人工智能而做出关键性决策，系统性的误导风险将会被成倍地放大。因此，在使用生成式人工智能技术时，银行必须充分认识到决策误导风险，并采取相应措施来规避潜在风险。这样才能确保生成式人工智能在银行决策中发挥正面作用，避免其可能带来的负面影响。

（四）信息操纵风险

生成式人工智能应用所带来的道德风险，不仅涉及内容的合规问题，也可能引发更为深刻的社会危害（郑世林等，2023）。如在个性化营销和对话引导应用领域中，生成式人工智能存在对用户进行情感操纵的潜在风险。在个性化营销方面，生成式人工智能通过用户画像的精准匹配，推荐理财产品。然而，这些推荐的结果并不一定符合用户的实际风险偏好。过度依赖生成式人工智能的推荐，可能导致用户购买过于激进的高风险理财产品，从而导致个人经济损失。在对话引导方面，通过情感和语言元素的巧妙结合，生成式人工智能能够产生强大的心理暗示效应。然而，如果这种技术被应用于误导性的问答中，可能对用户产生深远、不自觉的影响。在金融领域，这可能引导用户做出过度投资、盲目交易等错误决策。

上述问题，可归结为新技术应用下形成的“数字偏见”，银行若在业务场景中广泛传播这些偏见，无形中将加剧公众对某些群体的歧视，助长不平等现象的蔓延。这既有违银行的社会责任，也严重违反了公平正义的商业道德。如果人工智能生成针对特定个人的诽谤内容或煽动性信息，银行的信息释放可能会影响公众的态度，甚至扭曲整个群体的行为方向（Dowling和Lucey，2023）。这不仅会损害银行的商誉，还有可能导致高额赔偿和行政处罚。在决策透明度方面，随着公众和监管对商业道德的要求不断提高，生成式人工智能的“黑盒”决策方式容易引发利益输送和舆论争议，被视为违反商业伦理（蒲清平和向往，2023）。过度依赖生成式人工智能技术也违背了银行管理层应对股东和公众负责的公司治理要求。从这个角度来看，在使用生成式人工智能类技术时，银行必须高度警惕道德风险，并采取有效措施来规避相关问题的发生，以维护银行的形象和商业道德。

（五）业务流程干扰风险

生成式人工智能一旦在银行的关键业务中出现问题，可能引发核心系统瘫痪，导致大范围且长时间的业务中断，严重影响银行运营和客户服务（Sallam等，2023）。以银行核心业务系统故障为例，可能引发以下后果：大面积用户无法登录网上银行或手机银行，无法及时查询交易记录或进行转账；员工无法登录核心业务运营系统，业务无法受理，柜台业务堵塞；支票支付和信用卡交易无法正常结算，资金无法及时到账；银行内部运作瘫痪，管理混乱；资金清算系统受阻，资金清算延迟；甚至可能出现系统数据无法恢复、资金清算错误等严重后果。这将对银行的声誉和客户信任造成毁灭性的冲击。此外，生成式人工智能应用系统瘫痪还可能在以下方面对银行正常业务运营造成不同程度的干扰：自动柜员机系统故障，导致用户无法取款和查询；电话银行系统故障，客户无法进行自助服务和人工咨询；App或小程序故障，用户无法办理业务；企业网上银行中断，影响企业客户资金调度；甚至银行官方网站瘫痪，导致各项网络业务全面中断等。系统故障波及的业务环节越多，造成的负面影响也将越严重。因此，在核心业务系统高度依赖于人工智能技术应用的情形下，系统运维管理和操作风险管控需要更加谨慎、周密，防止出现严重的连锁故障。

（六）岗位和收入分配冲击风险

大型语言模型在银行业的应用对就业结构可能产生显著冲击，导致更为广泛的社会问题（徐国庆等，2023）。这一影响会波及到银行业机构内部的从业人员。首先，这可能引发银行业的结构性失业问题。生成式人工智能的普及应用使得一些重复性、标准化的职位被自动化操作取代，而短期内难以通过岗位转移来吸纳冗余劳动力。同时，中等技能层次的职位也可能受到技术性失业风险的影响，进一步加大就业结构不平衡的压力。其次，这可能引发银行业内的收入分配问题。随着生成式人工智能对中等技能层次职位的替代，受影响的银行从业者的收入可能下降，甚至急剧下滑。银行内部的薪酬体系可能因此受到挑战，从而导致内部人员之间的收入差距扩大，加剧银行业内的“中层下降”和“收入中空化”现象，引发员工的不满和不稳定因素。最后，这可能激化银行业内的增长与分配之间的矛盾。银行业的发展红利可能主要流向持股人和技术精英，而失去工作的银行从业者未能分享发展的红利。年龄相对高的劳动者难以适应新的技能要求，而一部分年轻劳动力具备更强的技术优势，这可能导致不同代际之间在职业技能进步和资源、收入分配上产生矛盾和冲突（李颖，2023）。

（七）监管风险

生成式人工智能等新型技术在银行业的应用所带来的监管风险，不仅暴露出传统监管框架的不足，同时也反映了主动监管的演进和监管合作带来的新兴需求（周洪宇和李宇阳，2023）。第一，在被动监管风险方面，主要包括监管规则空白和监管手段失效两种情形。新技术应用会导致监管责任逃避的可能性。新技术所催生的新业务和工具，因监管规则的不完备，可能导致在风险问题出现后难以找到明确的规则依据，责任界定也变得模糊不清。新技术应用还会加大监管规避的可能性。新技术手段可能超越了监管的视野，或者监管手段未能跟上技术创新的步伐，从而导致监管规则的失效（郑世林等，2023）。第二，在主动监管风险方面，主要体现为提升监管要求和强度所带来的挑战。新技术应用势必推动监管部门不断完善相关监管规则，如算法审查、行为规范等，从而提升监管的标准和门槛。监管部门为应对新技术和业务模式所带来的新风险，需要有针对性引入监管指标和信息披露要求。对于重大风险事件，监管部门必须采取更加严厉的惩罚措施，包括高额罚款、高管责任追究等。同时，监管部门还必须在内部管理方面加强自身能力建设，以提升监管效能，例如充分利用监管科技等手段来增强监控能力。第三，在监管合作方面，要求监管部门着重加强不同监管主体之间的信息共享和协调合作。面对跨领域和跨地区的新技术监管需求，监管部门需要打破监管壁垒，以实现资源的最优配置。监管协作的增多也使得受监管方需要承担更多的合规成本和资源投入（何哲等，2023）。因此，无论是主动抑或被动监管风险，都对监管系统在新兴技术应用上带来更多、更大的挑战。

ChatGPT应用情境下银行业数字化转型面临的风险如图3所示。

图3 ChatGPT应用情境下银行业数字化转型面临的风险

四、推动生成式人工智能运用、加速银行业变革的若干建议

作为典型的互联网大国，我国海量且多样化的数据资源为训练人工智能模型提供了丰富样本，使其更好地适应不同金融场景需求。然而，人工智能技术应用于金融这一敏感领域存在着较多的潜在风险。为此，在运用生成式人工智能技术促进银行业数字化转型的过程中，要坚持统筹发展和安全，从制度保障、安全治理、技术手段方面着力，为银行数字化变革创造顺畅、安全的环境。

（一）夯实制度基础，构筑银行业数字化变革的安全防线

恰当的制度约束对于防范生成式人工智能技术应用于银行业的相关风险不可或缺。一是要制定技术标准、监管规定和应用伦理准则，明晰生成式人工智能在银行领域的应用范围、限制条件与数据隐私保护要求。借鉴沙盒监管理念，采取序贯决策等摩擦阻力小、操作性可行性高的方法，考虑在部分银行、局部区域开展银行业应用生成式人工智能的试点，探索操作规则、技术标准和安全保障问题的解决方案。通过部分机构、区域先行先试，总结创新和风险防控经验，初步形成制度规则体系，再推广至其他银行和区域。二是要建立全国性的风险评估和压力测试体系，提高风险事件的预警和处置效率。设立或者依托独立的第三方机构，负责监测生成式人工智能系统的运行，确保其在服务中不产生歧视、侵犯用户隐私的行为。三是要建立融合金融监管部门、科技部门、法律部门的跨部门协作机制，同时加强人工智能领域的国际合作，借鉴国际经验，提出适合我国国情的银行业生成式人工智能应用的总体实施方案。

（二）完善数字治理，防控银行业数字化变革伴随的风险

一是强化银行数据安全治理机制。随着银行业数字化转型的深入发展，客户数据安全保护已经成为银行领域亟需关切的一大挑战（杨祖卿，2023）。大型语言模型的训练需要大量真实用户数据，如果这些数据遭到泄露，将引发严重的用户隐私问题。因此，要督促银行采取有效的措施保护客户数据，设计合理的数据访问权限管理制度、客户隐私保护制度以及数据安全事件应急预案，规范数据的使用行为。要构建明晰的数据分类分级制度，针对不同敏感程度的数据采取适当的访问控制策略。

二是强化银行业务决策全流程监控。在复杂的银行业务决策中引入生成式人工智能技术，不仅关乎单个银行机构内部运营的稳定性，更涉及整个银行体系的健康发展。因此，要积极引导银行机构强化事前、事中、事后的流程监控和风险管控，最大限度地降低决策失误的潜在风险，最大程度地发挥生成式人工智能决策的优势。在业务决策前，应建立定量的生成式人工智能决策评估机制，对不同条件下生成式人工智能所产生的决策方案进行综合评估。同时，设立专业人员决策对照组，对比分析不同决策方式的实际效果。在开发模型时，通过引入可解释性技术、追踪模型决策原理，提高决策透明度。在应用模型时，明确规定业务场景的边界，以免因扩大模型的适用范围而引发新的风险，并建立决策约束机制以确保关键业务的决定权仍掌握在专业人员手中。在业务决策后，应强化对生成式人工智能参与环节的持续监控，避免模型错误输出导致的决策风险。

三是完善银行合规检查机制。首先，要确保监管合规。紧密关注监管规则的演进并及时跟进，确保银行机构内部制度与最新监管规则要求保持一致。推动银行成立专门的监管研究团队，密切关注监管政策的变化，及时制定相应的内控完善方案。其次，要确保技术应用合规。在引入生成式人工智能技术时，加强对新技术应用合规性的评估和风险分析。如，落实数据安全责任制，要求各部门主管进行定期的数据合规培训并签署承诺书。通过强化培训等方式提高员工对数据安全的敏感性，确保各级员工切实遵循数据合规操作。最后，要确保伦理道德合规。随着生成式人工智能技术的应用，银行在推动技术、业务创新之余，必须深刻认识到自身承担的伦理与社会责任。成立专门的生成式人工智能伦理审查团队，对生成式人工智能系统的训练数据、学习算法和生成内容进行全面审核，以杜绝其学习或产生违法违规信息。如，在生成式人工智能系统的设计和开发阶段，引入算法偏见检测机制，避免模型可能产生的歧视性结果（王洋和闫海，2023）。加强员工职业道德培训，提升员工的社会责任意识。当生成式人工智能应用发生道德问题时，应当采取积极的补救措施，及时解释和纠正问题，最大限度地减轻负面影响。

四是提升银行员工队伍能力。面对先进生成式人工智能技术的革新，要加大引进新技术人才力度，引导员工掌握大数据、云计算等新技能，及时适应新技术的新要求。如，设立数据分析、生成式人工智能开发、数据科学、AI应用管理等新兴技术领域的职位，吸引相关专业人才加入；强化培训组织，通过建立投资远程教育平台、定期进行技能培训需求调查、引入职业技能等级认证以及建立技能提升目标责任制等方式，激励银行员工提升数字化技能水平。

（三）发挥数字技术优势，强化银行业务系统韧性

一是创新技术工具，提升业务链条韧性。核心系统的稳定性直接关系到银行业务的连续性。为此，要选择高可靠性的核心业务系统设备，结合容错技术、虚拟化技术等手段，采取全面的风险评估和技术隔离策略，提升系统的抗风险能力。如，建立系统变更评估机制，严密防控变更可能导致的系统崩溃、业务中断等风险；制定完善的业务连续性预案，定期进行应急演练，并评估应急响应措施的效果。要优化业务系统，引入微服务架构、轻量级容器等先进技术手段，提高系统的灵活性。如，完善异地数据备份和异地容灾中心布局，确保在紧急情况下能够快速切换系统，应对地域性故障风险；对核心系统的部署采用主备方式，实现故障情况时的快速切换。要建立大型银行与中小银行间合作机制，协同建设数字技术开源代码平台，共享生成式人工智能技术研发成果。

二是开展技术定制，平衡市场盈利和社会责任。生成式人工智能技术的应用导向本质在于实现“低成本—高收益”的双重拟合，对于银行业机构而言更是如此。针对具有“利益最大化”倾向的人工智能技术进行分类和校正，方能有效实现市场盈利和社会责任履行的双重目标。具体来看，一方面，要推动银行业通过技术定制的方式，促进生成式人工智能应用的差异化。例如，对于商业银行的盈利性业务，可以利用生成式人工智能提供标准化的客户服务和金融咨询，从而提高效率并降低成本。而在体现社会责任的普惠金融业务领域，可以引入生成式人工智能来支持乡村振兴、小微企业等社会责任项目。另一方面，将生成式人工智能与人工干预结合起来，建立人工智能与人工智慧相融合模式。在涉及到社会责任的银行业务中，生成式人工智能可作为初步服务的提供者，提供标准化的信息和咨询。而在深度了解客户需求、进行深入沟通、解决复杂问题的时候，则应当引入人工方式，提供更具个性化、差异化的银行服务。在上述过程中，生成式人工智能在特定领域（如绿色金融支持节能减排等具有突出正外部性领域）的应用导向也会被渐进的人工干预所调整，形成“轻盈利、重责任”的技术演替分支，由此可望回应各相关方面对于银行经济、社会责任履行的重要关切。

三是合理把控技术使用，优化客户服务品质。充分运用生成式人工智能技术，建立准确的客户画像，实现智能需求预测，实施个性化营销，能够提升银行对客户需求的感知深度。在这一进程中，银行需要构建智能客服体系，依托生成式人工智能技术实现高效率的全天候客户支持；同时，创新智能网银和移动应用，运用生成式人工智能技术塑造友好人机互动接口。此外，银行要构建生成式人工智能驱动的精准推销体系，向客户推送个性化金融产品，实现客户感知能力的进一步提升。银行也应警惕生成式人工智能技术可能带来的不公平决策操纵。在产品推荐时务必保持中立，而非仅满足于满足用户的偏好；严控推销内容的数量，避免对用户造成干扰。如在智能客服领域运用人工智能对话系统技术，借助其卓越的语义理解能力，通过深入生成或多轮会话更好地了解、掌握客户的金融需求，进行提供更为定制化的服务和产品建议。与此同时，必须合理掌握技术使用度，避免过度营销对用户带来负面影响。在确保用户体验的前提下，善用生成式人工智能技术提升服务质量，促使银行业在数字时代彰显卓越的服务创新形象。