银行对此早已司空见惯。当数字通信在2010年代初兴起时，各机构纷纷争相叠加单点解决方案：一个工具用于电子邮件，另一个用于短信，第三个用于网络聊天，第四个用于移动推送。每个方案都孤立地解决一个狭窄的问题。十年之后，许多银行仍在理清由此产生的混乱局面——彼此割裂的系统、不一致的客户数据，以及消耗预算的速度远快于创造价值的集成债务。

AI正沿着同样的轨迹重演这一幕，警示信号已经显现。一家典型的银行可能很快就会运行多达30个AI代理，每个代理各自为政，彼此之间没有共享的交互规则。试想一下：一个文档录入代理、一个发起代理和一个服务代理对同一个借款人报出不同的条款，或者一个无人监督的承保代理连续数月给出糟糕的建议。当AI被一次只针对一个单点问题采购时，各机构正朝着这个方向前进。

ROI差距是一种症状，而非意外

这种做法的财务成本已经体现在数字中。麻省理工学院最近的一项研究发现，95%的组织在其生成式AI投资上看不到可衡量的回报，尽管银行向这项技术投入了数十亿美元。各机构将AI视为一系列叠加在现有工作流程上的IT项目，而非需要长期支撑众多工作流程的基础设施。

解决单一狭窄用例的现成工具迫使银行做出一个令人不安的选择：部署数十个彼此割裂的单点解决方案，并接受由此产生的“代理蔓延”，或者构建需要持续技术维护、且很少能从一个部门干净地移植到另一个部门的定制框架。无论哪条路径，产生技术债务的速度往往都快于创造价值的速度。

构建能力，而非仅仅修复问题

替代方案并不是放慢AI的采用速度，而是投资于底层能力，而非眼前的用例。这意味着催收平台、欺诈模型或客户服务代理不应仅仅处理眼前的问题，其架构设计应使同一决策引擎、数据模型和治理层能够扩展到下一个问题，而无需再次重建。

这就是“AI原生”与仅仅“AI赋能”之间的区别：“AI原生”意味着架构从一开始就设计为使AI成为核心决策功能，而“AI赋能”则是将模型作为事后补充叠加到遗留系统上。在AI原生系统中，对底层模型或数据管道的改进会改善每一个涉及它的流程。在AI赋能系统中，每项改进都局限于其被叠加的模块，而下一个用例则要从零开始。

分析人士正就银行应对这一转变的类似处方达成共识。部署AI代理的贷款机构需要为每个代理界定权限范围，制定当代理应让位于其他代理或人类时的遵从协议，并建立一个解决层，在整个组合范围内对冲突进行仲裁，而不是让每个代理各自为政。这种框架优先而非工具优先的思维，正是那些获得可衡量AI投资回报的机构与那些困于反复试点的机构之间的区别所在。

将这一经验应用于催收

催收是检验这一原则的理想试验场，因为它同时涉及风险评分、客户沟通、合规和支付处理。一家银行如果为自助支付购买独立的聊天机器人，又为逾期评分购买单独的模型，那就是在重蹈十年前困扰数字渠道的碎片化覆辙。而一家投资于决策层的银行则获得了一个能够吸纳新用例的平台，从困难评估到回收优化，而无需每次都从头开始。

数字通信时代的教训并不是单点解决方案不好，而是在时间压力下做出的基础设施决策难以逆转。银行现在有机会在AI方面做出不同的选择：一次性构建能力，并让它持续产生复利效应。

关于C&R Software

C&R Software深受美国前15大银行中七家的信赖，是信用风险和催收技术领域的行业领导者。Debt Manager的AI原生解决方案利用最新技术，端到端地让催收和回收更具人性化。了解更多请访问 https://www.crsoftware.com.