毫无疑问，人工智能（Ai）和机器学习（ML）正在成为金融技术行业的热门话题。在几乎所有的研讨会和会议上，我们都听到了这些新兴技术的兴起及其对业务的破坏潜力。

显然，人工智能和机器学习是金融技术产业运作的蓝图。然而，显而易见的是，无论金融科技人工智能对企业的影响如何大肆宣传，由于许多公司无法可视化、整合和采用这些新技术，这些公司仍然没有充分利用这些新技术。

最近，各行业之间就这些技术的潜力进行了大量的对话，但埃森哲（Accenture）表示，英国 87% 的商界领袖都在为采用这些技术而挣扎。

这并不是说人们不理解实现战略重点的重要性。事实上，四分之三的高管认为，如果他们不在未来五年扩大人工智能，他们可能会倒闭。

然而，“炒作”与“实际执行”之间仍有差距。只有不到 5% 的公司成功实现了人工智能的产业化，而 80% 到 85% 的公司都在寻找零散的概念证明产品——在这种情况下，人工智能和机器学习的力量往往与业务成果或战略要求脱节。许多公司没有充分利用新兴技术的全部潜力，限制了它们对业务的影响。

fintech 拥有大量的历史数据和结构化数据，为人工智能和机器学习技术提供了肥沃的土壤，可以生成定制的产品和解决方案，从而帮助企业提高盈利能力，节约成本。那么，为什么企业通常在短期、中期和长期战略中缓慢地采用、实施和扩展新兴技术？

接受人工智能和机器学习的好处

由于缺乏技术知识（从综合角度来看，由于对商业价值的理解有限），许多公司在采用人工智能和机器学习方面进展缓慢。

重要的是，公司要与合适的人合作，调试人工智能和机器学习产品和解决方案，这些产品和解决方案在客户层面具有实际的商业利益和影响。

作为一名前硅谷技术人员和一家大型科技公司的研究工程师，我发现这些技术在整个企业的运营中可能起到至关重要的作用。企业可以发现节约成本和提高效率的机会，使首席财务官能够更容易地在企业增长中发挥关键作用。

通过将人工智能与机器学习技术相结合，企业可以找到不完全加速日常活动和流程的机会。这些技术使客户能够做出更明智的决策并更有效地运作。同时，新兴技术将增加发展机会，从而帮助全球业务发展，帮助公司在国际环境中茁壮成长。

最近的研究表明，高管们并不是因为预算限制而试图扩展人工智能，而是因为将这些技术集成到当前业务流程中的操作挑战。在组织内部使用人工智能和机器学习会遇到许多障碍，如无法建立起强有力的组织结构、缺乏基础数据功能以及员工不能充分利用。

正是这一点使成功扩展人工智能和机器学习的公司与单纯追求概念证明的公司有所区别。企业主不仅要把采用人工智能和机器学习作为进入市场的商业战略的一部分，而且要积极整合这些技术，鼓励员工将其应用到日常运营中。

探索 data insight

人工智能和机器学习的奇妙之处在于，你可以发现以前传统手工处理无法获得的数据洞察力。这与企业的规模无关，即企业扩张的成功率或投资回报率在人工智能和机器学习上的运用并不取决于公司的规模。相反，必须将重点放在实现适当的人工智能和机器学习功能以及组织的企业文化中的思维方式上。无论你是一家初创企业、一家成长中的企业，还是一家大型企业，人工智能和机器学习都可以用来推动公司的发展战略。

战略性扩张新兴技术的商业优势是巨大的；那些纯粹追求孤立项目的公司，其投资成功率几乎是人工智能投资的三倍，人工智能投资的回报率几乎是三倍。

成功使用人工智能和机器学习的案例多种多样：日本一家人寿保险公司利用人工智能计算支付给投保人的费用，使生产率提高了 30%，每年节省约 100 万美元。类似地，有一个人工智能驱动的承保平台，它使汽车租赁公司每年减少 23%，并更准确地预测风险。美国顶级银行已经利用人工智能技术驱动的网络安全公司来区分真实客户和机器人。它的机器学习模型使一家大银行能够保护其客户免遭账户劫持，并在使用的第一周就检测出数百万次 "凭据填充（credentialstuffing）" 攻击。如此一来，人工智能和机器学习不仅可以提高盈利能力，节约成本，还可以在未来保护你的公司免受欺诈和安全漏洞的侵害。"。

少说多做

为了使企业能够利用人工智能和机器学习，有必要从浮夸的理论叙述转向实际的实施。

作为一个行业，我们必须少谈多做，以接受人工智能和机器学习对商业的影响。这些技术不应再被视为附庸解决方案，它们现在对各种商业模式不可或缺。必须制定一项计划和整合战略，说明你的企业将如何利用人工智能和机器学习来减少网络犯罪和欺诈的风险，同时努力抓住可能产生真正商业影响的机会。