数据平台押注：为什么金融人工智能项目停滞，以及赢家如何扩展
作者：来自 Elastic Tim Brophy | Elastic
人工智能在金融服务公司中的采用正在迅速加速。然而，雄心与运营现实之间存在显著脱节。许多组织在先进模型上投入大量资金，最终却发现项目长期停留在测试阶段。根本原因很少出在模型本身，失败源于底层的数据基础。
组织通常在孤立系统、过时架构以及人工电子表格中管理数据。人工智能需要速度、上下文以及无瑕的治理才能有效运行。如果没有统一的数据平台，组织就无法提供实现人工智能规模化运营所需的实时洞察。
这些也是我最近与全球顶级金融科技与技术影响力人物 Dr. Efi Pylarinou 以及 Mike Sisk（American Banker 的特约编辑）讨论的主题之一。我们探讨了为什么数据准备度决定人工智能成功，以及领导者如何构建一个有韧性的基础。
人工智能准备度的扩大差距
Financial services 公司对人工智能并不陌生，但生成式与 agentic AI 的需求暴露了传统基础设施的深层缺陷。如今领先市场的公司在多年前就开始修复他们的数据架构，而依赖批处理与碎片化数据存储的组织正在落后。
“超过40%的金融服务仍然在用电子表格管理数据，” Dr. Efi Pylarinou 解释道。“超过50%的数据被锁在生成这些数据的系统中。”
当数据被困在孤岛中时，人工智能模型就缺乏做出准确决策所需的上下文。这迫使团队花费大量时间手动清理和路由数据。其业务影响非常严重：缓慢的数据访问阻碍了real-time fraud detection，延迟了 客户服务 响应，并引入巨大的合规风险。
为什么传统数据湖不再适用
许多组织认为现有的数据湖或工作流自动化工具足以支撑人工智能。这些系统在分析和报告方面确实有作用，但它们并不是为现代人工智能代理的即时需求而设计的。数据湖保存的是历史信息，而人工智能需要即时上下文。
Dr. Efi Pylarinou 指出，这些系统无法解决核心问题：以合规方式向正确模型提供正确数据。要支持先进人工智能，统一数据平台必须具备以下能力：
以毫秒级而非秒级的速度访问数据
提供上下文检索，为每个查询带来相关背景
跨孤岛能力，覆盖不同的遗留数据模式
内置治理机制，维护审计轨迹并确保正确的访问控制
当一个平台能够统一来自用户引导、交易以及行为信号的洞察时，它就能使组织即时响应市场变化。这一转变让企业从被动报告走向主动、机器速度的决策。
“数据是任何人工智能成功的支柱，”Mike Sisk 补充道。“没有坚实的基础设施，即使是最好的模型也无法产生结果。”
以机器速度保护边界
人工智能采用的推进也引入了严重的安全漏洞。自主代理可以在几分之一秒内访问大量信息。如果数据架构缺乏适当的访问控制，一次单一的入侵就可能在人工分析人员查看每日日志之前暴露数百万条记录。
Pylarinou 强调了某大型咨询公司最近的一次事件：在一次压力测试中，一个自主代理在短短两小时内访问了数千个机密文件。
“准备你的数据架构不仅仅是为了服务你的人工智能代理，它也是为了防御人工智能，即使你还没有进入内部流程转型阶段，”Pylarinou说。
对于金融组织而言，这意味着安全与可观测性必须融合。统一平台使安全团队能够持续监控数据访问。这种全面可见性是及早检测异常行为并保护机构免受灾难性数据损失所必需的。
在遗留环境中驾驭复杂性
遗留系统承载着数十年不同的数据结构。对大型组织来说，完全替换这些核心系统通常不可行。相反，组织必须引入一个增强层，在不同的数据源之间实现统一。
统一的模式必须理解上下文的重要性。元数据不仅帮助用户理解数据用途，还提供驱动代理或大语言模型（LLM）决策所需的上下文。
为了在不影响运营的情况下实现这种统一，领导者应专注于：
对现有系统进行增强，而不是尝试全面替换
创建一种既可被人类也可被大语言模型读取的通用模式
优先选择能够实现极高速数据召回的搜索引擎
通过应用这种方法，金融服务公司可以从主机系统中提取交易记录，并用上下文对其进行丰富。这些被增强的数据为欺诈预防和客户行为分析提供即时洞察。
治理作为可持续优势
随着人工智能模型变得更加自主，传统风险管理框架正在变得过时。组织不能再依赖基于规则的监控来应对非确定性模型。信任必须直接构建在数据平台之中。
“市场上最大的差距显然是治理，” Pylarinou 表示。
这一观点强调了组织必须在每一步都实施日志记录。这使得每一个人工智能行为都可审计、可解释。当一家公司能够准确证明人工智能模型如何得出某个决策时，它就能赢得监管机构和客户的信任。治理因此从合规负担转变为竞争优势，构建未来规模化的基础。
在人工智能领域胜出的公司，并不仅仅是在采用更好的模型，而是在做出更优的长期平台与数据架构决策。统一、灵活、实时的数据平台是摆脱试点困境的唯一途径。
通过优先考虑数据统一、开放标准以及严格治理，金融服务公司可以安全地将人工智能投入实际运营。重点必须始终放在先解决数据问题上。
关于构建面向人工智能的韧性数据基础的完整讨论，请观看我与 Dr. Efi Pylarinou 的对话。
本文中描述的任何功能或能力的发布与时间安排均由 Elastic 单方面决定。任何当前不可用的功能或能力可能不会按时交付，甚至可能完全不会交付。
原文：Why financial AI projects fail and how to scale | Elastic Blog