從「用上AI」到「信任AI」　Denodo解題金融AI規模化

金融智能化正在從技術試點進入高頻生產使用階段。據上海證券報報道，Token消耗量、大模型調用量等指標已經出現在上市銀行半年報中。相關數據顯示，工商銀行、建設銀行的AI應用場景均已超過600個，招商銀行達到1386個，中信銀行超過1900個；招商銀行上半年日均Token吞吐量同比增長超過78%，平安銀行Token消耗量超過53億、同比增長約130%。這些數據表明，AI正在加速嵌入銀行經營全鏈條。

從智能客服、精準營銷，到授信審批、反欺詐和風險預警，AI正由外圍輔助工具進入銀行核心業務，金融智能化隨之駛入「深水區」。應用越深入，一個問題越難迴避：如果進入模型的數據不准確、不完整或不可追溯，AI不僅難以形成可靠判斷，還可能放大合規與安全風險。

監管層面也提出了新的要求。今年6月，國家金融監督管理總局發布《關於銀行業保險業人工智能安全開發應用的指導意見》，提出建設高質量數據集，將AI數據安全納入企業數據安全管理體系。

當模型能力逐漸普及、應用數量快速增加，金融智能化建設的關注點正在從「能否使用」轉向「能否安全、可靠地規模化使用」。可信數據也由此成為金融智能化駛入「深水區」後必須解決的基礎問題。

銀行不缺數據，但AI仍難獲得「可信答案」

銀行是典型的數據密集型行業。客戶開戶、賬戶交易、支付結算、信貸審批、資產管理和風險控制等，每一項業務都在持續產生數據。但數據多並不意味着數據可以隨時調用，更不意味着能夠直接交給AI。

Denodo近期發布的《下一代銀行時代的受信任數據》白皮書指出，在智能化過程中，銀行真正面臨的問題並非數據匱乏，而是信任、治理和連接不足。客戶信息往往分散在核心銀行、客戶關係管理（CRM）、風險管理和營銷等系統中，併購及跨區域經營還可能造成記錄重複與信息衝突。

過去，銀行通常圍繞報表、分析和監管要求抽取、清洗並匯總數據。這種方式能夠滿足相對固定的需求，卻也容易形成新的數據副本。不同副本在更新時間、統計口徑和訪問權限上的差異，不僅增加了核對成本，也使數據來源和加工過程更難追溯。

當AI進一步進入客服、信貸審批、反欺詐和風險預警等業務，數據問題將直接影響模型判斷。因此，金融智能化首先要解決「數據能否被信任」的問題。與使用固定數據集的傳統分析不同，AI需要根據具體任務調用多個系統；如果數據定義不統一、來源不清晰或權限控制不到位，模型就可能獲得相互矛盾的信息，甚至帶來合規風險。

這意味着，金融機構在推動智能化落地的過程中，不能只關注模型能力，還需要建立統一的數據訪問、語義和治理機制，在減少數據複製的同時連接分散系統，讓進入模型的數據具備清晰來源、一致口徑和可控權限。只有可信數據能夠穩定進入業務流程，AI才可能從局部試點走向規模化應用。

搭建「AI數據層」，讓數據先於模型完成治理

在白皮書中，Denodo提出，這並不意味着要再建一個集中存儲平台，而是通過邏輯數據管理，在現有數據源與AI、分析工具及業務應用之間建立「AI數據層」。

AI數據層可以連接核心銀行系統、CRM、支付平台、數據倉庫、數據湖及雲端應用，為這些系統建立統一的數據訪問入口。在這種情況下，銀行不必先將全部數據搬到一個平台，便可以根據業務需求查詢和組合相關信息，從而減少重複建設接口和複製數據。

把數據連接起來只是第一步。同一個「客戶」或「風險」指標，在不同部門和系統中可能有不同定義。因此，AI數據層還需要說明數據來自哪裏、何時更新、適用於哪些業務，並統一關鍵概念的含義。在此基礎上，銀行可以根據人員身份、崗位和應用場景控制訪問範圍，保護客戶隱私和交易信息，同時保留數據的來源及調用記錄，為合規審計提供依據。

經過連接、語義統一和權限治理的數據，可以進一步形成可復用、受控且AI就緒的數據產品，縮短分析和AI應用獲取可信數據的時間。例如，統一客戶數據可以支持營銷和客戶服務，交易與行為數據可以用於反欺詐，財務、徵信和外部信息則可以支持信貸分析。這樣一來，每增加一個AI場景，都不必重新查找、清洗和解釋數據。

兩家銀行的可信數據底座實踐

銀行的數據架構可以不同，業務挑戰也各有側重，但可信且AI就緒的數據，始終是實現韌性、創新與合規的基石。

Denodo兩家銀行客戶的實踐案例，很好地呈現了這一思路。

巴克萊非洲集團（ABSA）業務覆蓋15個非洲市場。由於多個核心系統和區域基礎設施並存，該集團需要在性能、數據一致性與監管要求之間取得平衡。ABSA通過Denodo與AWS構建邏輯數據層，在不集中遷移數據的情況下連接不同市場的數據源，使用戶能夠在受控環境中訪問實時數據，開展跨區域分析與報告，也為混合雲建設和業務拓展提供了更具彈性的架構基礎。

作為歐洲最大的銀行之一，法國農業信貸銀行面臨的主要挑戰是數據分散在不同系統和業務線，傳統集成方式周期較長、成本較高，制約風險、財務和合規團隊獲取信息的效率。該銀行利用Denodo平台構建了一個邏輯數據層，連接傳統與現代數據源，通過統一視圖向不同部門交付實時、受控的數據，在減少數據複製的同時，提高數據定義的一致性、訪問透明度和信息交付速度。

兩家銀行所處市場、業務規模和應用目標並不相同，但採取了相近的思路：先連接分散的數據，在統一入口實施語義和權限治理，再將可信數據交付給分析系統和業務應用。

信任一直是銀行業的基石。進入AI時代，這種信任不僅來自資本實力和風險制度，也取決於支撐每一次模型調用和業務決策的數據。模型決定AI能力的邊界，數據底座則決定這些能力能否安全、穩定地進入銀行核心業務。