试点陷阱：为什么银行的人工智能项目如此之多都以惨败告终？

Xpert 预发布版

在线联系方式（Konrad Wolfenstein）

Available in 27 languages 📢

在 Google 上更倾向于选择 Xpert.Digital。ⓘ

发布日期：2026年10月31日 / 更新日期：2026年10月31日 – 作者： Konrad Wolfenstein

试点陷阱：为什么银行的众多人工智能项目都以惨败告终？——关于人工智能的创意图片：Xpert.Digital

数十亿美元的未开发潜力：银行如何才能最终解决代价高昂的人工智能积压问题

陷入飞行员悖论：银行在人工智能方面面临的真正问题

与其进行昂贵的实验而非规模化应用：为什么银行现在需要彻底重新思考其人工智能策略？

人工智能有望为银行业带来革命性的变革：数十亿美元的效率提升、流程的快速优化以及客户互动方式的全新可能性。然而，大多数金融机构的现实远没有那么光鲜亮丽。尽管零星的试点项目层出不穷，高管们也对令人印象深刻的实验室演示赞不绝口，但可衡量的经济效益却往往被忽视。银行深陷于代价高昂的创新陷阱。它们并不缺乏先进的技术或雄心勃勃的想法——而是缺乏将人工智能系统安全、可扩展且盈利地应用于实际运营所需的行业规范。.

历史遗留的数据孤岛、事后实施的合规性检查以及对过时流程的墨守成规，都会在技术发展的初期阶段就扼杀其进步。本文将探讨为何从受保护的试点项目过渡到严酷的生产环境如此困难，为何外部技术提供商无法解决根本性的组织问题，以及银行如何才能摆脱试点停滞的困境，最终构建真正意义上的全公司“人工智能工厂”。.

银行业人工智能：试点项目与量产之间的高昂瓶颈——从创新驱动到试点陷阱

银行并不缺乏人工智能——它们缺乏使其有效发挥作用的行业规范。

在银行业，人工智能不再是遥不可及的未来科技。各大机构正在运用机器学习方法、生成式人工智能，以及越来越多的基于代理的系统，进行欺诈检测、信用评估、客户沟通、文档分析、软件开发和流程自动化。其经济效益显而易见：银行需要处理海量的结构化和非结构化数据，运行众多知识密集型流程，并且每天都要在时间、成本和监管压力下做出数百万项决策。正是在这样的环境下，人工智能才能充分发挥其优势。它可以更快地识别模式、减少重复性工作、辅助决策，并减轻员工的行政负担。.

然而，技术可行性与实际应用效果之间的差距依然巨大。许多机构能够展示令人印象深刻的演示，但真正能够从中开发出稳健的生产系统的机构却寥寥无几。试点项目通常使用有限的数据集、小规模的用户群体，并且需要项目团队高度集中精力。然而，一旦涉及成千上万的员工、数百万的客户、实时交易以及监管要求，任务的本质就会发生根本性的变化。此时，问题不再仅仅关乎模型的性能，而是关乎数据质量、问责制、流程集成、信息安全、可解释性、监控以及经济效益管理。.

这就是停滞不前的根本原因。银行往往将人工智能视为一系列独立的创新项目，却忽略了构建全公司范围的生产能力的重要性。试点项目旨在验证模型在原理上是否可行。而生产阶段则必须证明整个机构能够以可持续、安全、透明且盈利的方式运行这项技术。这两者之间的差距并非简单的技术进步，而是根本性的组织系统变革。.

飞行员悖论加剧了问题的复杂性。

银行推出的AI试点项目越是各自独立，就越难将其中任何一个项目推广到生产环境中。每个团队都自行选择数据源、开发接口、制定测试标准，并分别与数据保护、信息安全、合规和风险管理部门协调。这种看似快速的优势，随着项目数量的增长，会形成臃肿的并行结构。银行积累了大量原型，却缺乏可复用的生产能力。.

这种试点悖论解释了为什么高活跃度并不一定能转化为高进展。一个机构可以同时测试数十个用例，但最终却几乎无法对结果做出任何可衡量的贡献。试点数量随后被错误地用作创新指标，尽管它既不能反映生产准备情况，也不能反映客户收益或收入。在最糟糕的情况下，每次新的尝试都会增加成本，因为数据访问、测试和集成都需要反复重建。.

此外，还存在心理影响。只要项目被贴上“试点”的标签，责任不明确、人工操作的中间步骤以及不完善的控制措施就能被容忍。试点状态因此成为一个舒适的过渡地带：技术上有趣，政治上引人注目，但从经济角度来看却无需承担全部责任。正是这种舒适区阻碍了项目向全面运营的过渡。高效的人工智能需要负责任的流程负责人、经批准的运营模式、维护和监控预算以及明确的错误处理规则。缺少这些要素，试点项目将永远停留在实验阶段。.

真正的瓶颈在于模型之下

在许多银行，客户、账户、信用和交易信息分散在40多个互不相连的系统中。历史发展而来的核心银行平台、收购的专业解决方案、区域数据库以及人工维护的文件，对同一经济现实有着不同的定义。同一个客户可能在多个系统中拥有不同的标识符。一笔支付交易可能在一个系统中实时可见，而风险数据却只能定期更新。这种碎片化对人类而言已经造成了巨大的成本；对人工智能而言，这更是一个根本性的质量问题。.

模型的决策能力取决于底层数据的可靠性。如果反欺诈系统只能检测到部分客户活动，误报的风险就会增加。合法的支付会被阻止，而跨多个产品的可疑模式却无法被检测到。在贷款领域，相互矛盾或过时的数据会导致风险评估不准确。在客户服务中，回复可能表面上合情合理，但实际上并不能反映合同、账户或处理流程的实际情况。.

因此，简单地合并尽可能多的数据集并不能解决问题。关键在于使用通用术语、明确标识、记录来源、清晰的访问权限以及可验证的质量标准。一个可用于生产环境的数据库必须能够清晰地展示每个值的来源系统、最后更新时间、授权修改者以及用途。只有确保数据来源的完整性，才能将技术数据平台转化为可靠的决策依据。.

数据问题也涉及经济效益。如果每个用例都需要重新执行相同的数据清洗、映射和审批流程，那么后续人工智能项目的边际成本将居高不下。然而，如果创建一个共享的、受监管的数据库，后续应用就可以访问已经过验证的组件。这既能降低下一个用例的成本，又能提高实施速度。因此，集中式数据架构不仅仅是准备工作，更是实现规模经济的最重要杠杆。.

治理不应从终点开始

许多项目只有在开发出技术上令人信服的原型后，才会纳入合规性、数据保护、模型风险管理和内部审计等内容。然而，随后却发现训练数据记录不足、决策无法清晰解释，或者与外部技术提供商合作运行模型会带来新的风险。后续的修正工作往往比模型开发本身耗时更长。有些系统需要进行根本性的重新设计，而另一些系统则因为额外的控制措施抵消了最初预期的生产力提升而失去了经济效益。.

一个可行的替代方案是从一开始就将治理融入到开发和运营中。即使在选择用例时，也必须明确哪些决策会受到影响、潜在错误的严重程度以及需要何种程度的人工监督。这便引出了对数据质量、可解释性、文档记录、审批、监控和升级机制的相应要求。例如，用于总结政策的内部辅助系统与用于评估个人信用度的模型所需的控制措施就截然不同。.

治理并非意味着给每个项目都增加繁琐的官僚程序。相反，标准化的风险分类可以加快审核流程。低风险应用会经历标准化的精简流程。高风险系统则会接受更深入的验证、更严格的访问规则以及更密切的人工监督。这确保了管控力度与潜在损失成正比。良好的治理不会成为阻碍，而是一条预先设定的生产路径。.

对所有人工智能系统进行全面盘点至关重要。银行不仅需要了解哪些模型已正式开发，还需要了解外部服务、嵌入式人工智能功能和生成工具的使用情况。对于每个系统，其用途、所有者、数据来源、版本、风险等级、审批状态、性能指标和关闭程序都必须记录在案。缺乏这种透明度，管理层就无法汇总风险或确定投资优先级。.

信任是一种经济资产。

银行业务交易高度依赖信任。客户将资金、个人数据以及有关其财务状况的敏感信息委托给银行机构。因此，人工智能决策失误并非仅仅是技术缺陷，它会损害客户对整个银行公平性、可靠性和诚信度的信任。从受影响方的角度来看，无理的贷款拒付、付款冻结或客服提供的错误信息并非人工智能模型的错，而是银行机构自身的问题。.

经济损失可能远远超出单个案件本身。投诉会产生处理成本，错误的决策可能引发法律后果，而公开的事件则会损害品牌形象。此外，大规模应用会带来集中风险：同一模型错误可能同时影响成千上万的客户。自动化虽然提高了效率，但也增加了出错的可能性。.

因此，自动化程度的决策必须取决于潜在风险。在生产初期，人工智能应经常提出建议、确定优先级或标记异常流程，最终决策仍由人工做出。随着证据的积累，自动化程度可以逐步提高。这种方法并非技术上的权宜之计，而是合理的风险管理。它使银行能够在不将全部责任过早地委托给尚未经过充分测试的系统的情况下，收集真实的绩效数据。.

可解释性发挥着双重作用。它既满足监管和法律要求，也是质量控制的工具。当员工能够理解哪些数据和因素影响了建议的制定，他们就能更快地发现错误，并学会如何恰当地评估结果。可解释性并不一定意味着要公开复杂模型的每一个数学步骤。关键在于提供清晰、针对具体案例且与决策意义相关的解释。.

经济计算始于流程。

人工智能在银行业的经济吸引力巨大。分析表明，从长远来看，生成式人工智能每年可为全球银行业带来2000亿至3400亿美元的价值贡献。这一价值主要源于生产力的提高、处理速度的加快、决策能力的提升以及客户服务的增强。然而，这些潜在收益的估算并不能保证收益的自动实现。它们描述的是在广泛有效实施的情况下可能达到的效果，而不是仅仅购买一个模型就能达到的效果。.

因此，人工智能项目的投资回报更多地取决于流程的改变，而非模型在实验室中的准确率。即使系统能在几秒钟内汇总文档，但如果员工必须将结果复制到另一个系统、多次审核并手动批准，那么系统也无法产生任何可衡量的效益。同样，如果警报未能及时送达相关团队或未触发任何行动，那么快速的欺诈检测也毫无价值。只有当信息收集、决策和执行无缝衔接时，才能真正提高生产力。.

因此，在项目启动之前，必须确定要改进的关键绩效指标 (KPI)。对于欺诈检测，这可能包括预防损失、命中率、误报率和处理时间。在贷款领域，处理时间、违约风险、结案率和单次申请成本都至关重要。在客户服务领域，首次联系解决率、平均处理时间、客户满意度和升级率同样重要。对于内部知识助手而言，节省的搜索时间、响应质量和实际使用情况也是关键指标。.

可靠的成本效益分析不仅要考虑开发和许可成本，还要考虑数据准备、接口、验证、网络安全、训练、持续监控和模型变更。尤其是在生成式人工智能领域，使用费用会随着交易量、上下文长度和模型规模的增加而显著增长。因此，仅包含几百个请求的试点项目无法真实反映未来的运营成本。只有对整个生命周期进行全面的成本分析，才能揭示某个用例是否真正具有可扩展性。.

以结构现代化代替彻底的大规模重建

对核心银行基础设施进行现代化改造是金融机构风险最高的举措之一。虽然通过单一的大型项目进行全面替换能够带来架构的清晰性，但也集中了技术、运营和组织方面的风险。延误或错误都可能影响关键功能。因此，分阶段、模块化的方法通常更为现实。.

整个银行并非一次性完成现代化改造。相反，该机构每次只对一项明确定义的功能进行现代化改造，例如实时支付、信贷决策或客户身份识别。新组件通过强大的接口与现有系统连接，并利用共享的数据和控制机制。之后，再逐步实施下一项功能。每个扩展阶段都必须在增强底层基础设施的同时，创造自身的业务价值。.

这种方法不同于简单地将小型项目串联起来。只有当各个组件按照统一的规则交互时，架构才能真正构建完成。这些规则包括标准化的接口、通用的身份和授权模型、一致的数据术语以及集中式的日志记录和监控。如果没有这些标准，最终结果只不过是更现代的碎片化而已。.

这种分阶段的创新方法尤其适用于人工智能。机构可以先针对有限的用例构建必要的数据产品、测试机制和操作工具。如果这些构建模块的设计初衷就是为了可重用，那么通往下一个应用的路径就会缩短。因此，对第一个应用的投资也为后续项目的部分基础设施提供了资金。只有到了这一步，才能真正开始产生积极的规模效应。.

借助“托管人工智能”（人工智能）实现数字化转型的新维度——平台及B2B解决方案 | Xpert咨询

“托管式人工智能”开启数字化转型新篇章——平台及B2B解决方案 | Xpert Consulting - 图片来源：Xpert.Digital

在这里，您将了解到您的公司如何快速、安全地实施定制化的人工智能解决方案，且无需承担过高的准入门槛。.

托管式人工智能平台是您实现人工智能的全方位、无忧解决方案。您无需处理复杂的技术、昂贵的基础设施和漫长的开发流程，即可从专业合作伙伴处获得根据您的需求量身定制的现成解决方案——通常只需几天时间。.

主要优势一览：

⚡ 快速实施：从构思到可立即使用的应用，只需几天而非几个月。我们提供切实可行的解决方案，创造即时附加值。.

🔒 最高数据安全保障：您的敏感数据始终由您掌控。我们保证安全合规地处理您的数据，绝不与任何第三方共享。.

💸 无财务风险：您只需为结果付费。完全无需前期投入大量资金用于硬件、软件或人员。.

🎯 专注于您的核心业务：集中精力做好您最擅长的事情。我们将负责您人工智能解决方案的全部技术实施、运营和维护。.

📈面向未来且可扩展：您的AI将与您一同成长。我们确保持续优化和可扩展性，并灵活调整模型以适应新的需求。.

更多信息请点击这里：

托管式人工智能解决方案——工业人工智能服务：服务业、工业和机械工程领域保持竞争力的关键

外部供应商及其对内部组织的影响

第一个用例必须范围窄且相关。

第一个生产性用例的选择不仅仅决定单个项目的成败，它还会影响管理层的信心、员工的接受度以及控制部门批准后续申请的意愿。因此，一个合理的切入点应该定义明确、具有经济意义，并且与现有决策直接相关。.

一个恰当的例子是实时标记可疑交易。银行不会立即更换反欺诈团队，而是改进其工作方法。系统会对案件进行优先级排序，揭示相关关联，并为最终决策提供背景信息。其效益可以通过清晰的关键绩效指标来衡量，同时初期仍由人来掌控。与此同时，该应用案例也促使银行妥善组织交易数据、客户身份、访问权限和审计跟踪。.

像面向全行的通用人工智能助手这类定义宽泛的项目不太合适。虽然这类项目在战略上看似很有吸引力，但它们往往缺乏明确的流程负责人和易于衡量的目标指标。它们必须同时接入众多数据源，涵盖不同的风险等级，并满足用户多样化的期望。这就增加了在产生任何实际效益之前进行协调的必要性。.

因此，一个好的初始用例应同时满足以下几个条件：它能解决一个具有可识别经济影响的实际问题，介入一个定义明确的工作流程，拥有充足的可用数据，并且初期可以小范围运行。此外，它还应生成可供后续复用的技术和监管模块。战略质量不在于规模最大，而在于学习价值和平台价值最大化。.

人们确保顺利过渡到工作场所

在决策过程中，人们常常将人视为临时的安全网。但实际上，他们发挥着多项长期作用。领域专家能够识别历史数据未能完全涵盖的背景信息，评估例外情况，并对客户负责。同时，他们的反馈也为判断模型的正确性提供了宝贵的信息。.

因此，有效的推广部署应从小规模用户群体开始。该群体必须具有足够的代表性，能够反映真实的工作环境，但规模又必须足够小，以便进行可控的问题解决。员工不仅需要用户手册，还需要了解系统的优势、局限性和典型错误模式。那些盲目接受人工智能实施方案或完全拒绝实施的人，都会阻碍系统的可靠使用。.

对于每一项建议，必须明确由谁负责决定何时必须进行人工审核，以及如何记录偏差。系统地记录人工审核的覆盖情况尤为重要。如果员工经常纠正人工智能的建议，这可能表明模型存在缺陷、数据不完整或用户界面设计不佳。此类反馈不应被视为干扰，而应视为控制循环的一部分。.

人工智能的引入也改变了角色构成。一些重复性的检查工作变得多余，而监控、异常处理和客户沟通的重要性则日益凸显。银行必须从一开始就将这种变化融入到培训和产能规划中。否则，就会出现一种自相矛盾的结果：系统理论上节省了时间，但机构却维持着原有的任务、审批流程和人员配置模式。在这种情况下，人工智能就成了额外的负担，而非生产力的驱动力。.

从个人应用到共享人工智能工厂

一旦第一个应用稳定运行，下一个用例就不应该从零开始。现有的交易数据库、身份验证逻辑、日志记录和审批流程必须被视为共享资产。一家银行如果一开始就采用人工智能驱动的欺诈检测，之后就可以利用这部分基础架构进行信用风险评估、反洗钱或投资组合监控。业务模式可能有所不同，但许多基础设施需求仍然相同。.

这种重用流程构建了一个人工智能工厂。这并非指由一个中央部门负责内部开发所有模型，而是指一个标准化的生产环境。各个专业部门贡献问题和流程知识。数据和技术部门提供平台、工具和接口。风险管理、数据保护、信息安全和合规性部门制定了控制措施，并尽可能自动地将其集成到开发流程中。一个中央委员会负责确定优先级和风险等级，而无需事无巨细地干预每个技术细节。.

这样的环境包括模型和应用程序目录、可重用数据产品、标准化测试包、自动化文档、版本控制、监控和受控退役。生成式人工智能扩展了治理范围。不仅模型，提示信息、知识库、保护过滤器和调用的工具也必须进行版本控制和审计。对于基于代理的系统，额外的挑战在于，不仅要控制单个响应，还要控制一系列操作。.

人工智能工厂的优势显而易见，体现在更短的交付周期和更低的边际成本上。审计工作不会消失，而是变得可重复。团队不再需要每次都重新协商需要哪些文档或如何检测绩效下降。标准化的证据可以自动生成。该银行正在用模型和人工智能应用的工业供应链取代临时性的项目工作。.

规章制度成为一种架构原则

欧洲银行业在复杂的监管框架下运营，该框架涵盖数据保护、消费者保护、银行监管要求、数字化韧性以及人工智能相关法规。个人信用核查和信用评估是最敏感的应用之一。对于此类系统而言，风险管理、数据质量、技术文档、人工监督、准确性和可追溯性方面的要求日益提高。与此同时，各机构还必须管理其信息和通信技术的韧性以及与外部服务提供商相关的风险。.

这些要求无法通过审计前临时手动编制的文件可靠地满足。监管规定必须转化为架构和工作流程。每个相关的模型版本都需要可追溯的历史记录。数据来源、测试结果、审批情况和性能指标必须持续记录。对模型、提示或知识库的任何更改都不得未经检查就发布到生产环境。银行需要为关键功能配备强大的故障转移和关闭方案。.

管理职责也在发生变化。人工智能既非纯粹的IT问题，也非仅仅是风险管理的责任。管理机构必须明确经济目标、可接受的风险水平以及安全运营所需的资源。将责任委托给创新团队并不能免除管理层的责任。人工智能越深入地融入信贷、支付和客户互动，就越成为核心业务模式不可或缺的一部分。.

如果实施得当，监管可以创造竞争优势。能够实现验证流程自动化、数据记录清晰、职责明确划分的机构，其新应用的发布速度可以比那些管控措施不完善的竞争对手更快。合规不再是额外的成本因素，而是可靠扩展引擎不可或缺的一部分。.

外部供应商并不能解决组织问题。

云平台、核心银行系统供应商和专业的AI公司可以显著加快开发和实施速度。它们提供强大的模型、计算能力、安全功能和现成的行业组件。对许多机构而言，自行开发所有技术层在经济上是不划算的。然而，技术外包不应与责任外包混淆。.

银行需要了解服务提供商处理哪些数据、数据存储在哪里，以及这些数据是否可用于改进第三方模型。可用性、切换选项、成本趋势以及对专有接口的依赖性同样重要。一旦发生故障或性能显著下降，必须明确哪些关键流程受到影响以及有哪些替代方案。.

因此，合理的采购决策不仅仅评估模型的准确性，还会考虑集成能力、透明度、数据可移植性、安全控制、审计权限、分包商以及退出成本。如果试点阶段出现高额的可变使用费、复杂的定制需求或供应商的强力锁定，那么最具经济效益的方案在大规模应用后可能会变得成本高昂。.

混合模式通常具有战略优势。标准化核心技术从外部采购，而银行则保留对敏感数据、业务规则、流程集成和风险管理的控制权。差异化优势并非仅仅源于拥有通用模型，而是源于将其与高质量的内部数据和卓越的流程相结合。.

规模化需要新的控制逻辑。

许多银行根据预算执行情况、开发进度和用户数量来评估人工智能项目。但这些指标不足以衡量生产系统的有效性。管理层需要一个平衡的控制模型，将经济影响、模型性能、风险和使用情况综合考虑。只有这样，才能确定一个应用程序是真正创造了价值，还是仅仅在制造活动。.

经济指标应与目标流程直接挂钩。同时，应监控准确率、误报率、响应时间和可用性等技术指标。此外，还应考虑偏差、投诉、覆盖、数据泄露和模型偏差等风险指标。高使用率固然是好事，但前提是质量和对结果的贡献令人满意。反之，即使技术强大的应用程序，如果由于集成度差而被员工弃用，也会失败。.

投资组合分析尤为重要。并非每个试点项目都值得继续进行。如果预期收益过低、数据始终不适用，或者安全集成成本过高，则应终止项目。持续终止项目可以释放资源，用于更佳的应用场景。创新文化并非在于挽救每一个实验，而在于迅速将洞见转化为决策。.

此外，资金分配应区分平台和应用。共享的数据、治理和运营组件可为多个项目带来效益，不应完全归功于第一个用例。否则，第一个用例看起来就不盈利，而后续项目却能从其初始投资中获益。透明的成本模型可以避免因部门短期利益而导致中央基础设施资金不足。.

速度是通过预先计划的控制来实现的。

人们普遍误以为控制和速度必然对立。机构效率低下的主要原因是需求不明确、决策反复修改、文档需要手动创建。相反，有条不紊的控制能够加快产品上市进程。.

这包括强制性风险类别、预定义测试、已批准的技术模板以及明确的决策权限。项目团队应尽早了解允许哪些数据类别、需要哪些文档以及发布前必须满足哪些阈值。自动化测试可以在每次变更时重新检查质量、安全性和偏差。这使得发布过程可复现，而不是依赖于个人。.

错误处理机制必须在系统上线前就明确定义。任何复杂的模型都无法在所有情况下都保持同样的有效性。客户行为、欺诈模式、产品供应和经济状况都在不断变化。因此，每个系统都需要监控、警报阈值和负责人。如果数值出现偏差，银行必须能够限制模型的使用范围、回滚到早期版本或切换到人工流程。.

这种以可控方式缩减规模的能力是规模化过程中一个常被低估的方面。当组织确信在发生中断时能够迅速降低自动化程度时，它们更有可能提高自动化水平。因此，韧性是勇气的基础。.

比赛的胜负取决于学习曲线。

银行将不再仅仅依靠强大的AI模型来脱颖而出。通用模型和计算能力正变得越来越普及和可互换。真正的竞争优势在于将技术与专有数据、流程、专业知识和客户关系相结合的能力。这种能力并非源于单一的突破，而是机构学习和积累的结果。.

拥有共享数据库和完善的控制流程的机构可以更快地添加新应用。它们能够收集更多真实世界的绩效数据，更快地改进模型，并更快地赢得员工和客户的信任。这种优势会因每次成功实施都能降低下一次的成本而得到强化。另一方面，没有共享基础架构的银行则需要为每个项目重新支付集成、测试和组织协调的费用。.

规模本身并不能保证优势。大型银行拥有更多的数据和投资能力，但往往面临更复杂的系统架构和更缓慢的决策速度。小型机构如果拥有清晰的架构和一致的优先级排序，则可以更快，但它们必须谨慎管理对平台提供商的依赖。重要的不是资源的绝对数量，而是其转型能力的效率。.

合作的重要性日益凸显。许多机构在防范欺诈、网络安全和监管报告方面面临着类似的挑战。通用标准、安全的数据交换模型和行业专属平台能够降低成本，并增强整个金融体系的韧性。竞争与合作并非互斥。标准化的框架为在客户体验、咨询服务和产品设计方面实现差异化提供了机遇。.

摆脱试点拥堵的可行方法

从示范到生产的过渡始于诚实的评估。银行需要了解正在进行的试点项目、已部署的模型、数据来源、成本、风险和实际使用情况的透明度。必须识别出重复的工作和对最终结果没有明确贡献的项目。仅这一步就可能在政治上具有挑战性，因为它使人们对创新进展的认知更加客观。然而，从经济角度来看，这至关重要。.

该机构随后应选择几个优先决策流程，改进这些流程将产生可衡量的价值。对于每个流程，需明确负责人、关键绩效指标 (KPI)、风险等级和所需数据。同时，开发一个最小化的共享平台，该平台包含数据访问、身份管理、日志记录、模型目录、测试自动化和监控功能。最小化并非指临时性的，而是指功能仅限于初始用例，但仍具有可重用性。.

初始生产阶段采用有限的量程并由人工监督。银行不仅评估模型的准确性，还评估从信号输入到最终决策的整个过程。错误、人为干预和用户行为都会被系统地分析。只有当质量、稳定性和经济效益得到验证时，才会扩大量程。.

接下来是一个相关的用例，该用例尽可能利用现有组件。例如，欺诈检测之后可以进行更全面的交易监控，通过辅助个案工作者进行文档分类，或者通过更快速的投资组合监控进行信用预筛选。每个扩展都必须改进通用基础，而不是创建一个新的、孤立的系统。.

这改变了投资逻辑。银行不再资助一系列独立的实验，而是逐步构建运营能力。第一种方法通常成本最高，因为它有助于平台的开发。第二种方法应该更快、更便宜。如果未能实现这一点，要么是缺乏可重用性，要么是架构设计不佳。.