数据平台赌注：为什么金融 AI 计划停滞，以及成功者如何扩展规模

作者：来自 Elastic Tim Brophy

AI 的采用正在金融服务公司中快速加速。然而，雄心与运营现实之间存在明显脱节。许多组织大量投资于先进模型，却发现自己的项目陷入无休止的测试阶段。根本原因很少是模型本身。失败源于底层数据基础。

组织通常在孤立的数据系统、过时的架构以及人工维护的电子表格中管理数据。AI 需要速度、上下文和无缺陷的治理才能有效运行。如果没有统一的数据平台，组织无法提供将 AI 大规模投入实际运营所需的实时洞察。

这些正是我最近与全球顶级金融科技和技术影响者 Dr. Efi Pylarinou，以及 American Banker 特约编辑 Mike Sisk 讨论的话题。我们探讨了为什么数据准备程度决定 AI 成功与否，以及领导者如何构建具有韧性的基础。

AI 准备度不断扩大的差距

金融服务公司并不是刚开始接触 AI，但生成式 AI 和 agentic AI 的需求暴露了传统基础设施中的严重缺陷。如今引领市场的公司，多年前就已经开始修复其数据架构。依赖批处理和分散数据存储的组织正在落后。

Pylarinou 解释道："超过 40% 的金融服务公司仍然在电子表格中管理数据。超过 50% 的公司，其数据仍然被锁定在生成这些数据的系统中。"

当数据仍然被困在孤岛中时，AI 模型缺少进行准确决策所需的上下文。这迫使团队花费大量时间手动清理和路由数据。业务影响非常严重。缓慢的数据访问会阻碍实时欺诈检测，延迟客户服务响应，并引入巨大的合规风险。

许多组织认为现有的数据湖或工作流自动化工具足以支持 AI。这些系统对于分析和报告有一定作用，但它们并不是为现代 AI agent 的即时需求而构建的。数据湖保存历史信息，而 AI 需要即时上下文。

Pylarinou 指出，这些系统无法解决核心问题：以合规方式将正确的数据提供给正确的模型。为了支持高级 AI，统一的数据平台必须提供以下能力：

当一个平台统一来自开户流程、交易和行为信号中的洞察时，它能够让组织即时响应市场变化。这种转变使业务从被动报告转向主动式、机器速度的决策制定。

Sisk 补充道："数据是任何 AI 成功的基础。没有坚实的基础设施，即使最好的模型也无法产生结果。"

推动 AI 采用也带来了严重的安全漏洞。自主 agent 可以在几分之一秒内访问大量信息。如果数据架构缺少适当的访问控制，一次安全漏洞可能会在人工分析人员甚至查看每日日志之前暴露数百万条记录。

Pylarinou 提到了一家大型咨询公司的近期事件：在压力测试期间，一个自主 agent 在短短两个小时内访问了数千个机密文件。

Pylarinou 表示："准备好你的数据架构不仅仅是为了服务你的 AI agent，它也是为了保护你自己，即使你还没有开始转变内部流程。"

对于金融组织而言，这意味着安全和可观测性必须融合。统一平台能够让安全团队持续监控数据访问。这种全面的可见性对于尽早检测异常行为以及保护机构免受灾难性数据损失至关重要。

遗留系统承载了数十年形成的不同数据结构。对于大型组织而言，彻底拆除并替换这些核心系统通常并不可行。相反，组织必须引入一个增强层，将来自不同来源的数据统一起来。

统一的数据模式必须理解上下文的重要性。元数据不仅帮助用户理解数据的用途，也提供驱动 agent 或大语言模型（LLM）决策所需的上下文。

为了在不中断运营的情况下实现这种统一，领导者应该关注：

通过采用这种方式，金融服务公司可以从大型主机中提取交易记录，并为其补充上下文。这些增强后的数据可以为欺诈预防和客户行为分析提供即时洞察。

随着 AI 模型变得更加自主，传统风险管理框架将逐渐失效。组织不能依赖基于规则的监控来管理非确定性模型。信任必须直接被设计进数据平台中。

Pylarinou 表示："市场中最大的差距显然是治理。"

这一观点强调了组织需要在每个步骤实施日志记录的必要性。这使每一个 AI 行动都具备可审计性和可解释性。当企业能够准确证明 AI 模型如何得出某个决策时，它就能获得监管机构和客户的信任。治理从一种合规负担转变为竞争优势，为未来规模化构建基础。

在 AI 领域取得成功的公司，并不仅仅是在采用更好的模型。它们正在做出更好的长期平台和数据架构决策。统一、灵活且实时的数据平台，是摆脱试点困境的唯一方式。

通过优先考虑数据统一、开放标准和严格治理，金融服务公司可以安全地将 AI 投入实际运营。重点必须始终放在首先解决数据问题上。

要观看关于构建 AI 弹性数据基础的完整讨论，观看我与 Dr. Efi Pylarinou 的对话。

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。