观点摘录 | 麦肯锡：AI 与多智能体如何重写银行运营
编者按
这篇来自麦肯锡大中华区的文章，是近期关于「多智能体 × 银行」最系统的中文行业分析之一。它的价值不在于提出全新观点，而在于把散落的技术趋势、经济测算和组织建议拼成了一张完整地图。
但作为咨询报告，它天然带有两个偏向：一是倾向高估技术对行业的短期冲击（报告中「百倍级效率提升」等方向性表述缺乏严格基准）；二是弱化了落地的真实摩擦——数据孤岛、遗留系统集成、监管合规的灰色地带等问题在文中被一笔带过，但恰恰是实践中最难啃的骨头。
下文在提取核心论断的同时，会在关键节点标注 [编者注]，帮助读者区分哪些结论有数据支撑、哪些只是方向性判断。
文章来源
原文：AI重写银行运营规则：多智能体时代已经到来（McKinsey Greater China） 英文版：AI in Asia: Reimagining banking operations through agentic AI（McKinsey Operations）
下文仅整理与 AI / 生成式 AI / 多智能体 直接相关的论断与数据，便于技术读者快速把握主线；具体测算与案例细节请以原文为准。
一句话结论
多智能体系统正被麦肯锡定位为 驱动银行运营跃迁的新引擎：相对「预测式模型或单一大语言模型」等偏工具形态的 AI，多智能体更接近 可协作、可分工、可持续学习的「数字同事」。
[编者注] 「数字同事」这个比喻巧妙但也容易误导——当前的智能体系统仍然高度依赖提示工程和人工编排，离真正「自主协作」的同事形态还有本质距离。把它理解为「可编排的专业化流水线」比「同事」更贴切。
背景：为何运营是主战场
- 在多数银行中，运营支出常占整体成本约 60%～70%，大量流程（KYC、信贷审批、支付异常、客服等）仍依赖人工；运营既是成本中心，也被视为主要价值释放空间。
- 亚洲部分市场曾因劳动力成本较低而转型紧迫性不足，但客户体验、监管与欺诈等压力上升，「是否用 AI」正让位于「如何用 AI 重塑运营」。
AI 驱动转型的三条经济与技术逻辑
- 降本潜力：《2025年全球银行业年度回顾》测算，AI 在部分成本类别中有望带来 高达约 70% 的成本降幅；即便计入短期技术投入，整体成本基础仍有望下降约 15%～20%。
- 行业投入：2023 年全球金融服务业 AI 投入约 350 亿美元，2027 年或接近约 1000 亿美元。
- 监管环境：文中举例中国香港 2024 年 AI 政策宣言等，认为监管对创新 更开放、边界更清晰。
[编者注] 「高达 70% 成本降幅」是"部分成本类别"的上限值，不是整体运营成本——这种表述在咨询报告中很常见，读者不应将其等同于"银行运营成本可以砍掉七成"。更有参考意义的是 15%～20% 这个整体区间。
多智能体 vs 传统 AI：范式差异
| 维度 | 传统 AI（工具） | 多智能体（文中比喻） |
|---|---|---|
| 角色定位 | 预测模型、单一大模型等，偏「工具」 | 「数字同事」：多角色协作、分工完成复杂任务 |
| 覆盖范围 | 自动化常停在规则清晰段 | 更易覆盖 非结构化工作、「最后一公里」流程 |
| 规模化与个性化 | 有限 | 可在更大范围提供 高质量、定制化 服务 |
| 演进方式 | 相对静态 | 持续学习：通过人工反馈迭代 |
| 安全 | 视实现而定 | 强调 细颗粒度校验、内置护栏 |
[编者注] 这张对比有一个隐含假设：传统 AI 是「静态工具」。但实际上，许多传统 ML Pipeline 也有在线学习和反馈机制。多智能体的真正差异化不在于「能学习」，而在于多角色编排和对非结构化任务链的覆盖——这才是传统 RPA 和单一模型难以做到的。
文中同时指出：端到端智能体工作流 在「人类在环」护栏下，已能从概念走向实践——人更多承担监督与战略活动。
先行者案例
| 银行 | AI 实践 | 成效 | 细节深度 |
|---|---|---|---|
| ING | 个性化沟通、流失预测与主动触达 | — | 原文仅一句带过，未展开技术方案 |
| 星展银行 | 构建大规模模型库（约 1500 个大语言模型相关"能力"） | 开发与部署周期从 18 个月 → 2～3 个月 | 「能力」指什么（微调模型？Prompt 模板？API 封装？）原文未定义 |
| 巴西 Itaú | 为开发者引入智能体管理工具 | 呼叫中心运营效率 +25% | 原文未展开工具细节 |
| 摩根大通 | 加码生成式 AI 与智能体，支撑多步骤工作流与组织重构 | — | 原文仅方向性描述，未给具体数据 |
文中称先行者常见效果：效率约 +30%～50%、生产力约 2～3 倍、客户体验改善（均为原文区间表述）。
[编者注] 星展银行「1500 个大语言模型相关能力」是全文最抓眼球的数字之一，但原文没有解释这里的「能力」究竟指什么粒度。如果是 1500 个独立微调模型，那是非常激进的投入；如果是 Prompt 模板或 API 封装，则量级感完全不同。对这类"大数字"保持审慎是必要的。
企业级智能：能力栈与组织条件
- 兑现智能体承诺需要从「战术自动化」走向 「企业级智能」：让人类与「原子智能体」协同进化。
- 文中提出需搭建完整 AI 能力体系，涵盖 交互层、决策层、数据与核心技术层、运营模式层。
- CEO / COO 亲自推动、战略与资本与执行路径对齐，被强调为规模化前提。
[编者注] 「CEO 亲自推动」在咨询报告中几乎是标配结论，但它确实揭示了一个真实痛点：AI 落地的瓶颈往往不在模型精度，而在跨部门数据打通和流程再造的组织阻力。这一点文中虽提到但未展开，实践中却是最常见的失败原因。
「十大战场」与「九类跨域智能体」
十大运营领域
合计约占银行 60%～70% 价值空间：
- 客户旅程管理 — 站在客户视角，将从获客、开户到持续使用的全链路作为整体来设计和优化，打破传统按部门切割的管理方式
- 销售
- 网点与分销运营
- 客户服务中心
- 信贷运营
- 支付与交易处理
- 催收管理
- 金融犯罪防控
- 下一代企业职能（财务、HR 等）
- 运营拆分 / 共享服务与零基设计
九类跨域智能体
麦肯锡在文中识别了 九类可跨领域复用的智能体，在「人类在环」编排下服务上述十大领域。这些智能体兼具行动、决策、协调、沟通与持续学习的能力，形成可规模化的「增强型原子智能体」网络。
九类智能体的具体名称与编排关系展示在原文图2中，文字正文未逐一列出。请参考下方图片链接查看完整框架。
综合性银行在端到端实践中部署这九类智能体，可带来约 30%～40% 运营效率提升，并改善客户满意度与风险管控。
[编者注] 这是全文最核心的框架，但也是信息最不完整的部分——九类智能体的名称和边界只出现在图片中，正文没有展开定义。对于想要落地参考的读者，建议直接查看图2原图，并结合英文版报告获取更完整的技术描述。
十大领域的场景落地
原文围绕十大运营领域给出了具体的多智能体应用场景，以下按领域逐一展开。其中客户旅程和金融犯罪防控两个场景最能体现多智能体相对单一模型的差异化价值，做重点拆解。
场景一：客户旅程 — 中小企业活期账户开户（重点）
这是一个典型的「多步骤、多角色、非结构化文档密集」场景。传统流程涉及身份核验、材料审核、合规检查、账户配置等多个环节，横跨前台、中台、合规等部门。
银行可围绕客户旅程展开系统性重塑，消除关键卡点，嵌入高度个性化体验，实现全流程实时透明。
| 指标 | 变化 |
|---|---|
| 办理周期 | 5～8 天 → 24～48 小时 |
| 返工率 | 下降 60%～70% |
| 员工生产效率 | 提升约 100% |
多智能体在此场景的价值在于：不同智能体分别负责文档解析、合规校验、客户沟通和审批流转，通过编排层协同工作，而非依赖单一模型从头到尾处理所有任务。
场景二：销售、网点与分销运营
智能体可提供实时业务指导，帮助销售人员制定更有效的客户策略，并显著缩小高绩效员工与普通员工之间的生产力差距。
场景三：客户服务中心
AI 驱动的预测型服务体系能够主动识别客户需求，从而减少呼叫成本并提升客户满意度。
场景四：信贷与授信运营
融合数字化工具与人工智能，对端到端信贷流程进行再设计，可将决策周期从 3～5 天压缩至 1 天以内，同时显著提升流程透明度、决策一致性与合规水平。
场景五：存款、交易与支付
银行可依托 AI 提升处理效率、自动化解决异常问题，将业务处理时间最多缩短 70%。
场景六：催收运营
围绕客户画像与行为特征设计个性化触达策略，在提升回收率的同时兼顾客户体验，并通过渠道优化与优先级管理实现整体效率跃升。
场景七：金融犯罪防控（重点）
反洗钱和欺诈检测是银行中误报率最高、调查成本最大的领域之一。传统规则引擎产生大量误报，每一条都需要调查员人工核实。
多智能体系统可以通过自适应风险评分和自动化调查流程，大幅降低误报率，并将调查时间缩短 50% 以上。不同智能体分别处理交易模式识别、客户画像比对、跨系统数据关联和调查报告生成，形成比单一模型更精细的判断链。
场景八：下一代企业职能（财务、HR 等）
多智能体系统可自动化 60% 的财务交易类工作，将 FP&A 协调时间缩短 30%～40%，把报告周期从数周压缩至数天，并将预测准确率提升 10%～25%。
场景九：共享服务中心
通过建设共享服务中心，银行的处理成本可降低 20%～30%，合规成本降低 20%～25%，整体运营支出下降 30%～40%。
场景十：零基运营重构
银行还可以从零开始重构运营模式，围绕数字化自助服务、流程自动化以及离岸与近岸一体化布局，对十大业务领域进行系统重构，打造模块化、可扩展的运营体系，使组织运转更具弹性与规模效应。
从试点到规模化：五项并行工作
- 业务价值导向的 AI 愿景与路线图
- 人才与能力：技术、运营、业务协同
- 跨职能创新团队与敏捷迭代
- 模块化技术架构，便于快速部署
- 治理体系，支撑安全、合规的全行扩展
文中指出：卡点往往在 组织与变革管理，而非单点技术成熟度。
文中建议的五步行动
- 思维转变：业务优先，用可量化成果定义成功（非「技术先行」空转）。
- 量化价值空间：在关键运营领域中排序高影响场景。
- 重塑核心流程：对准高摩擦环节（如人工 KYC、支付异常等），以 AI 驱动流程再造。
- 打造核心智能体：优先部署九类跨域智能体，复用而非重复造轮子。
- 分阶段推进：平衡回报周期与治理、数据规范建设。
So What：对非银行从业者的启示
这篇报告虽然聚焦银行，但其底层逻辑对任何流程密集、多角色协作、合规要求高的行业都有参考价值：
多智能体的设计原则是可迁移的。 「原子智能体 + 编排层 + 人类在环」这个架构并不专属金融——保险理赔、供应链管理、医疗审批等场景同样适用。关键不是行业，而是流程是否具备「多步骤、跨角色、非结构化输入」的特征。
「九类跨域智能体」的思路值得借鉴。 与其为每个场景从零搭建智能体，不如先识别可复用的「原子能力」（如文档解析、合规校验、客户沟通、决策支持等），再通过编排层组合。这和微服务架构的理念异曲同工。
最大的瓶颈不是模型，而是组织。 麦肯锡反复强调的「CEO 推动」「跨职能团队」「变革管理」，本质上指向一个事实：当前 AI 技术已经够用，但大多数组织的数据治理、部门壁垒和流程刚性还远没有准备好。对技术团队来说，花同样的时间去推动数据标准化，可能比调优模型更有 ROI。
使用说明
本文为 观点摘录、结构化笔记与编者点评，不构成投资建议或麦肯锡官方立场转载；数据、比例与案例均来自原文语境，引用请以麦肯锡原文及《2025年全球银行业年度回顾》为准。
[编者注] 部分为博主个人判断，不代表原文观点。