1. 檢測及預防詐欺
人工智慧在銀行業的一個主要應用是防止詐欺。根據雜誌報導，2021 年網路犯罪造成的全球損失為6兆美元，預計至2025年將達到10.5兆美元。為了保護其業務，銀行必須認真確保資料安全。
今全球許多銀行都設有大型防詐欺部門，然而，傳統防詐部門的運作與維護成本可能很高，囿於詐欺樣態變化快速，案件類型層出不窮，這類部門在打擊金融詐欺上成效有限。例如全球推動的理專風險管理與我國的理專十誡，單靠內控、道德勸說以及各類可能警示的指標，常在員工士氣與適度管理上犯難。
而使用新的生成式AI技術，可以追蹤位置、設備及作業系統方面的交易，進而可標記任何不符合預期模式的異常或行為，銀行防詐人員便可審查可疑行為並決定是否值得進一步調查。與傳統數據分析方式不同之處，生成式AI可以不斷挖掘合成資料，並更新其偵測演算法，以跟上最新的詐欺樣態。這種主動（Active）方法可以幫助銀行在過去詐欺防禦的演算上，進一步提升預判能力。
銀行也可以使用生成式AI要求用戶在存取其帳戶時提供額外驗證，例如人工智慧聊天機器人利用對客戶有更深層的認知，要求使用者回答安全問題，或執行類似多重身分驗證（MFA）的進一步身分確認詢問，銀行可透過多種方式使用生成式AI進行客戶服務互動體驗，進而提高效率並保護自己免於詐騙。
2. 管理風險並提高信用評分精準度
風險管理對於避免金融災難與維持業務平穩運作至關重要。因此，銀行既有的風險處理準則乃基於國際清算銀行的巴塞爾資本協定（Basel Accord），該協定的運作品質也高度仰賴有品質的數據累積。當以歷史資料進行訓練時，生成式AI可以偵測並識別潛在風險與金融風險，提供早期預警訊號，以利銀行有時間適應並預防（或至少減輕）損失。
銀行專用的客戶信用評分也是如此。銀行可以利用機器學習演算法與人工智慧分析多個來源的大量數據，創建更全面的貸款申請人財務狀況，而不是依靠傳統的信用評分元素來確定信用價值。
3. 進行財務預測
生成式AI可識別歷史財務資料中的模式和關係，甚至根據假設場景進行模擬，幫助銀行進行財務預測並產生合成資料，評估一系列可能的結果並做出相應計畫。簡而言之，生成式AI可以回顧過去，幫助銀行對未來做出更好的財務決策，並創建綜合數據以對風險曝險進行穩健分析。
4. 依照客戶偏好客製的行銷方式
銀行常需要投資具備精準且客製化的行銷，避免盲目行銷帶來的巨大成本，更需排除客戶因接到浮濫的行銷電話而導致厭惡感，進而在競爭中脫穎而出並贏得新客戶。但這需要大量且深入的客戶分析，可能既昂貴又耗時。
生成式AI可以透過分析客戶偏好與線上行為，由人工智慧預判，將潛在客戶分成偏好類型的群組，而非僅憑經驗概分的客戶類型，銀行便可根據市場狀況和趨勢，為不同群體量身定制行銷活動。此外，銀行也可以使用生成式AI幫助創建適合的行銷素材，並追蹤轉換率及客戶滿意度，再透過A／B測試的執行以測試其效度。
除了提供類似人類的全天客服支援，包括回答客戶詢問、個人資料更新外，生成式AI還可進一步分析客戶數據，做出個人化的產品推薦。例如，當客戶提供利率、首付金額、信用評分等相關詳細資訊後，生成式AI可快速準確地提供其可負擔的抵押貸款，甚至根據客戶的消費習慣、財務目標及生活方式推薦信用卡，以這種方式交叉銷售其他金融商品。
5. 銀行前臺業務 — 對話式金融智慧介面
在對話式金融的背景下，生成式AI模型可用於產生更自然且與情境相關的回應，因為經過訓練後，它們可以理解並產生類似人類的語言模式。例如，某知名國際金融服務公司採用OPEN AI聊天機器人，利用公司內部蒐集的研究與數據源，為財務顧問提供支援。該對話式金融為客戶提供相關支援與個性化的財務建議。
6. 銀行中臺業務 — 產生申請業務申請的准駁解釋文稿
在銀行業的貸款決策過程中，人工智慧幫助銀行與金融機構評估客戶的信用額度，並根據風險設定貸款定價。然而，決策者與貸款申請人都需要對人工智慧決策做出解釋，例如拒絕申請的原因，以培養信任並提高客戶對未來申請時的認識。
條件生成對抗網路（GANs）是一種生成式AI變體，用於對用戶申請准駁與否的友善解釋。從簡單到複雜分層組織拒絕原因，採用兩層條件為申請人產生更容易理解的解釋
7. 銀行後臺業務
- 會計職能自動化：專用於GPT的會計審計大型生成式模型具備深度學習功能，可在大多數會計任務中實現較高的自動化率，可協助稽核部門在執行財務稽核時，將所需的生成式AI應用、應付帳款（包括發票掃描或電子發票擷取和處理）等功能自動化。
- 舊有傳統軟體維護：銀行在許多核心處理上仍依賴傳統（如70年代或80年代）以COBOL等傳統程式語言編寫的軟體，但目前很難找到傳統程式語言的開發人員來進行相關維護。生成式AI模型可以流利地使用所有語言，藉此加快開發速度並降低技術成本，而技術成本約占典型銀行成本的10％。
- 科技風險與資訊安全監控與強化：銀行業龐大的交易資訊在應用軟體層面、資料庫層面、作業系統與網路層面等，都會產生龐大的資料流與交易相關的網路流量與活動。由於內外部各類科技風險與資安需求，必須經常性地針對各類電腦稽核軌跡與內容交叉比對，以預判即時發生的事件。其最困難之處在於，若出現事件，如何交互比對發現風險發生事件的原因來源，而生成式AI最能夠以善於理解的介面並透過交互分類尋找洞見，以追尋答案的可能領域。
- 應用程式現代化：銀行希望擺脫對過時軟體的依賴，並不斷努力實現軟體現代化。生成式AI模型可將程式碼從舊軟體語言轉換為現代軟體語言，開發人員則可驗證新軟體，從而節省大量時間。目前的生成式AI對電腦程式語言開發的精確度、速度及先進度是其應用領域已獲得重大成功的一個範例。
- 文件分析：生成式AI可用於從年報、財務報表等大量財務文件中處理、總結並提取有價值的信息，進而更有效率地分析與決策。
- 財務分析與預測：透過學習歷史金融數據，生成式AI應用可捕捉資料中的複雜模式和關係，對未來趨勢、資產價格及經濟指標進行預測分析。模型若經適當微調，甚至可透過模擬市場狀況、總體經濟因素及其他變數來產生各種場景，從而為潛在風險與機會提供有價值的見解。此外，透過利用對人類語言模式的理解及產生連貫的、上下文相關的回應的能力，生成式AI可以為使用者提出的財務問題提供準確而詳細的答案 。
這些模型可以在大型金融知識資料集上進行訓練，以利用適當的資訊來回應各種金融查詢，包括以下主題：會計原則、財務比率、庫存分析、監理合規性。
生成式AI的另一金融應用為優化投資組合。分析歷史財務數據並產生各種投資場景，生成式AI模型可以幫助資產管理者及投資者確定最佳的資產與財富管理方案，同時考慮風險承受能力、預期報酬等因素，金融專業人士能夠調整投資策略，優化風險調整後的報酬，就投資組合做出更明智的決策。
- 財務報告生成：生成式AI可以根據可用數據自動創建結構良好且前後連貫與資訊豐富的財務報告，這些報告可能包括：資產負債表、損益表、現金流量表，這種自動化不僅簡化了報告流程並減少人工工作量，還確保了報告的一致性、準確性和及時交付。此外，生成式AI模型可用於產生針對特定用戶需求的客製化財務報告或視覺化效果，使其對企業與金融專業人士更有價值。
- 回應監管機構的要求：作為受到嚴格監管的金融行業參與者，銀行經常收到監管機構的要求。金融機構可以使用生成式AI所產生符合個人資料保護法規需求的訓練資料。透過學習真實金融資料的模式和關係，生成式AI模型能夠創建與原始資料非常相似的合成資料集，同時保護資料隱私。例如使用訓練機器學習模型、進行壓力測試、驗證模型。
