金融业AI投入飙升，回报为何仍难证明？

金融机构正在把更多预算投向人工智能，但“花钱”和“创造可衡量价值”之间，依然隔着一道鸿沟。Quinlan & Associates的核心判断很明确：金融业早已不是要不要采用AI的问题，而是必须证明哪些部署确实改善了收入、成本、风险或客户体验。

投入规模不断扩大，ROI缺口却未消失

Quinlan & Associates估计，金融服务业在2025年用于AI相关项目的支出达到760亿美元，到2030年预计将超过1300亿美元。14 与此同时，据报道，95%的传统金融机构正在探索AI，或已将其用于业务运营；但71%的机构表示，难以实现或清楚证明投资回报（ROI）。3

这组反差值得警惕。广泛采用AI可以说明机构有意愿、有投入，却不能证明每一个项目都形成了可持续的业务价值。Quinlan相关研究还显示，43%的AI项目被取消，反映出不少尝试未能走到稳定、可持续的生产应用阶段。15

为什么AI项目难以转化为回报

Quinlan指出，价值落地主要卡在三个彼此关联的环节：

1. 技术先行，而非业务问题先行。 一些机构从手头可用的工具出发，再倒推应用策略，而不是先界定业务问题、客户旅程、流程堵点和价值目标。这样更难筛选出有可信收益路径的应用场景。6
2. 治理介入得太晚。 如果风险、合规与控制要求在设计启动后才被当作审批事项处理，团队可能在已投入大量时间和资金后，才发现项目无法满足约束条件。6
3. 缺乏可规模化的运营模式。 数据割裂、实施基础薄弱，以及在治理、部署和扩展AI方面能力不足，都可能让原本有潜力的项目长期停在试点与企业级落地之间。6

这些更像是执行问题，而不只是技术问题。一家机构可以采购模型、开展概念验证、列出一长串AI试验项目，却未必同步重构工作流程和责任机制，从而把技术活动变成财务结果。

治理不是ROI的附加成本，而是实现机制的一部分

对金融业而言，可信AI治理并不独立于商业表现。它决定了一个应用能否获得批准、上线部署、持续监控，并在其商业案例所需的自主程度下被组织和用户信任。

世界经济论坛的金融服务业AI行动指南建议，将风险管理和负责任AI实践嵌入每一层：及早定义风险偏好、严格验证模型，并确保AI行为具备可解释性、可追溯性和可控性。1 当机构从辅助型系统走向能够执行多步骤任务的系统时，这些要求尤为重要。清晰的权限边界、升级处置路径和人工监督，有助于降低阻碍高价值场景规模化的运营不确定性。

行业调查也凸显了基础能力的重要性。IIF—安永的调查将数据质量和数据可得性列为AI进入生产环境的主要障碍，同时也指出，机构需要具备相应技能的人才和治理保障措施。4

与BCG和英伟达研究对照：AI不是没有回报，而是回报高度分化

更广泛的研究大体支持Quinlan的判断，只是样本与衡量方式不同。

BCG对280多名财务高管的调查发现，AI和生成式AI的自报ROI中位数为10%，低于许多受访者设定的20%目标；近三分之一受访者只获得有限收益。43 BCG另一项覆盖1250多家企业的研究则显示，只有5%的企业实现了大规模AI价值，而60%尽管投入可观，却几乎没有获得实质性价值。

英伟达2025年金融服务业调查则展示了另一面：部分已部署场景正产生明确收益。近70%的受访者表示，AI带来了至少5%的收入增长；超过60%的受访者称，AI帮助其年度成本下降至少5%。按受访者报告的ROI看，交易与投资组合优化、客户体验是生成式AI表现最突出的应用场景。

这些研究并不矛盾。AI当然可以带来回报，但“已经部署”并不等于“已经创造价值”。差异在于，机构是否选中了高价值场景，是否改造了相关工作流，是否建立可靠的数据与控制机制，以及是否真正衡量了运营和财务结果。

下一阶段的竞争：从采用AI转向执行AI

Quinlan报告最鲜明的信号，是投入、参与度与已实现价值之间的不匹配：2025年760亿美元的投入基础、广泛的机构参与，以及持续存在的回报证明难题。14 3

对金融业管理者而言，更现实的做法是把AI视为一项业务转型计划，而非一组彼此割裂的试点。起点应是可衡量的业务目标；在开发前就明确风险与治理要求；为结果指定责任人；并在上线后持续追踪全生命周期指标。BCG同样指出，真正创造显著价值的企业会聚焦少量项目、迅速扩大规模、改变核心流程、提升团队技能，并系统衡量运营和财务回报。

因此，下一轮竞争的分界线，或许不在于谁“拥有AI”，而在于谁能让AI安全、可衡量地运行在核心业务流程中；另一边，则可能仍在不断累积试验项目，却始终找不到一条可复制的价值实现路径。