USAA如何利用生成式人工智能（GenAI）实现金融服务创新？本文详述USAA在使用GenAI推动产品创新、提升客户服务、提高运营效率等方面的成功实践。通过内部AI工具的开发与配对编程工具的应用，USAA展现了如何借助AI技术应对现代金融企业的挑战，确保客户满意度。
USAA的AI创新之路
USAA是一家有着102年历史的金融服务公司，主要服务于与军事有关的客户以及退役军人（公司称之为“成员”）。USAA对人工智能的应用已有深厚经验，长期以来已在多项业务功能中应用了基于规则的系统和机器学习系统，包括承保、预测、理赔处理、预测成员需求、监控和防止欺诈，并且利用计算机视觉技术评估财产损失。此外，公司还使用自然语言处理技术来分析成员互动，并对成员服务代表（MSR）的培训和指导进行优化。USAA的首席数据和分析官Ramnik Bajaj指出，公司目前已部署了数百个AI解决方案，这些方案有效提升了智能化和业务高效化，增强了各方面的业务能力和竞争力。
和许多公司一样，生成式人工智能（GenAI）在USAA内部激发了对该技术的更大兴趣。USAA的高层管理人员最近花了一整天时间参加了一场沉浸式AI培训，并为全公司38000名员工推出了一门名为“AI Aware”的课程。很多员工渴望学习并使用GenAI，这也成为了业务领导者的重点。这种学习热潮使得GenAI在公司内部得到了更广泛的理解和应用。这不仅反映了公司对技术进步的重视，也展示了其在员工能力建设方面的持续努力和成就。
Bajaj认为，这项技术开辟了一个全新的用例类别，这是“传统”机器学习模型无法实现的，这些用例对公司业务有巨大的潜在价值。USAA的目标是通过提高服务质量和成员体验、推动产品创新及提升运营效率来实现这些价值。公司计划负责任地大规模实施机器学习和GenAI项目，优化内部流程、改善成员交互并推进创新项目，致力于全面的业务和技术转型。
先专注内部的GenAI工具
USAA目前正在开发多种GenAI用例，但现阶段的重点是为内部员工开发工具，而非直接面向成员的应用。策略是先开发高性能、可靠的内部应用，再转向供成员使用的解决方案。通过这种渐进方法，公司能够确保GenAI工具的稳定性和有效性，最终为成员带来更优质的服务体验。此外，这一策略还让员工在熟悉工具的过程中，能够更好地掌握其使用技能，为后续面向成员的应用奠定基础。
USAA正在开发的生成式AI工具之一是专为MSR设计的，MSR通过多种渠道为成员提供服务。该工具帮助他们快速、准确地找到回答成员问题所需的信息，并自动处理总结互动和记录后续行动等任务。目标是通过GenAI MSR Co-Pilot工具提升服务速度和质量，同时减少认知负担并缩短新MSR的培训时间。这样，代表们可以更专注于与成员互动，了解需求并提供建议，从而提升服务效率并提高客户体验。
MSR Co-Pilot解决方案的某些方面可能最终会直接对成员开放，但这不是USAA的近期目标——预计GenAI功能将是对直接与MSR联系的一种补充，而非替代。USAA多年来一直在客户服务排名中处于行业领先地位，它希望通过AI增强人类代表的力量，进一步改善客户体验。在广泛推广到MSR之前，MSR Co-Pilot将在实验室环境中进行彻底评估，以硬性指标衡量其准确性和有效性。为了确保该工具的稳定性，公司还将设置详细的测试和反馈机制，这种谨慎的测试方法有助于降低部署风险，并提高用户信任度。
首个业务场景的AI应用
USAA的第一个GenAI生产项目是通过分析员工在内部Slack频道中的反馈，理解关键主题和员工情绪。开发仅用了八周时间——远快于大多数软件或传统AI解决方案。自推出以来，公司对系统进行了持续改进，以进一步精确定位本地化的反馈主题。该系统能够理解、解释、总结并从每天数千条原始评论中创建行动项，自动得出可操作的输入。这种快速的开发和迭代不仅节省了时间，还使GenAI的功能迅速应用于实际业务情境中，帮助公司更好地了解员工的需求并加以应对。通过快速的迭代反馈，公司也能不断优化工具性能，确保其始终符合业务的需求。
AI配对编程和社区协作
USAA还为软件和数据工程师、数据科学家及数据分析师推出了一款GenAI配对编程工具——一个与人类开发者协作的代码开发系统，用于协助代码生成、文档编写、测试数据生成及其他软件开发任务。公司计划仔细衡量编码生产力和质量的提升，并为工程社区创建协作论坛，以分享如何从生成式AI工具中最大化价值的最佳实践。通过这些协作，开发人员能够更好地利用GenAI提升生产力，从而实现更高效、更优质的软件开发。配对编程工具也为团队协作和知识共享创造了更多机会，帮助团队成员之间建立更紧密的联系，进而形成更有凝聚力和创造力的开发团队。
推动GenAI的内部创新
通过各种创新举措，USAA开发了大量的GenAI用例，包括黑客松活动和自下而上的创意生成等方式。同时，公司提高了快速试验的能力，建立了有效的治理机制来决定哪些用例可以推进实施，并成立了敏捷的“AI小组”负责具体的项目。这些举措确保了AI项目在实施过程中符合公司的安全标准和道德要求。此外，公司的许多流程——如汽车和财产索赔、保险评估、承保和服务等——涉及大量非结构化数据（如文本、文档、图像、视频和音频），GenAI在这些领域具有极大潜力。公司专注于提升操作的速度、质量和效率，通过试验和集成不断优化整体业务流程，探索更高效的多模态数据管理和协同效应。
未来USAA的AI协同工作
与许多公司一样，USAA的员工对AI，特别是生成式AI如何影响他们的工作存在一些焦虑。例如，在IT部门，许多编码任务将会逐渐由AI承担。USAA的首席信息官Amala Duggirala致力于培训和再培训员工，以帮助他们为未来的工作做好准备。与此同时，她通过提高生产力而不是扩大IT专业人员队伍来应对IT服务需求的增加。这种做法不仅可以有效控制人力成本，还能让员工在面对技术变革时具备更强的应对能力。通过让员工参与AI工具的开发和应用，USAA希望减轻员工的焦虑，使他们看到AI是如何帮助他们提升工作能力的。
Duggirala强调，USAA正在支持IT员工获取与生成式AI有效合作所需的技能，并提高他们的批判性思维和产品导向能力，从而成为更有效的业务合作伙伴。虽然软件工程的日常任务可能会发生变化，但利用技术进行创造性业务问题解决的需求仍然存在。公司内其他领导者也向员工传达类似信息，强调他们在AI时代中的不可替代性。通过这种方式，USAA不仅希望员工了解AI的应用，还希望培养他们在新环境中的适应能力和创新精神。除了技术技能，公司还强调跨学科能力的培养，帮助员工在复杂的业务环境中做出更明智的决策。
推进AI大规模采用的6大挑战
Bajaj分享道，要将生成式AI解决方案扩展到生产级应用，USAA需要应对若干技术挑战。各个团队正在努力解决这些问题，以便更快、更广泛地部署。他列出了六个最为关注的挑战：
确保GenAI系统输出质量：确保GenAI系统输出高度准确、可靠、适用且有依据，同时不失去灵活处理用户输入的能力——并创建严格的测试框架来测试这些解决方案。这意味着在应用生成式AI时，需要保证输出结果的质量和一致性，以避免错误对业务造成不良影响。USAA正在引入更多测试自动化和性能监控工具，以便实时了解系统状态，并快速应对任何异常情况。
建立监控和可观察性机制：为基于GenAI的解决方案建立监控和可观察性机制，以持续确保模型的性能。这些监控机制有助于快速发现和修复任何性能问题，从而保持系统的稳定性。通过在每个部署阶段引入可观察性，公司能够更好地追踪模型的表现并进行必要的调整，确保其始终符合业务需求。
数据架构整合：为将非结构化数据输入与GenAI模型生成的输出与传统数据库、算法和记录系统的结构化数据结合，建立可重复的架构模式。这种架构模式帮助公司在处理不同类型的数据时更具系统性和一致性，从而提高数据整合的效率和准确性。这种统一的架构还帮助团队成员之间更好地协作，减少跨部门沟通的摩擦。
降低延迟和提高响应时间：降低延迟和响应时间，以便将GenAI解决方案嵌入支持产品体验的系统中，并建立降低整体成本的模式。这对于实现实时响应和提供无缝用户体验至关重要，同时也能提高系统的经济效益。通过优化系统架构和选择合适的硬件与软件解决方案，USAA希望进一步降低系统运行成本，同时提高服务质量和响应速度。
数据治理和质量框架：为非结构化数据源建立数据质量和治理框架，沿用过去十年对结构化数据所做的工作。这种治理框架有助于确保数据的准确性和一致性，从而支持生成式AI的有效应用。USAA正在与多方数据供应商和技术合作伙伴合作，建立起更完善的数据质量标准，并应用于所有数据处理流程中。
开发通用GenAI能力：识别并开发可以解决多个用例的业务问题的横向GenAI能力，而不需每次开发独立解决方案。这种通用的GenAI能力将帮助公司更快速地扩展AI应用，减少开发时间和资源消耗。这种战略性能力开发意味着公司不必为每一个新问题构建全新解决方案，而是可以通过已有工具和模型进行扩展和适配，从而大大提高开发效率。
Bajaj相信，未来几年内，GenAI将完全融入组织的核心流程，成为标准技术解决方案。USAA预计，生成式AI将为公司带来显著的经济效益，远超其在技术上的投入。公司希望通过持续努力，在AI领域取得领先地位，为成员提供更优质的服务和体验。同时，USAA将继续加强AI道德使用和数据隐私保护的治理，确保AI应用符合行业和社会标准。
作者介绍
Thomas H. Davenport（@tdav）是巴布森学院信息技术与管理的校长杰出教授，弗吉尼亚大学达登商学院分析学Bodily Bicentennial教授，麻省理工学院数字经济倡议的研究员，以及德勤首席数据和分析官计划的高级顾问。他的最新著作是《全员科技：AI驱动的公民革命》（Wiley，2024年）。Randy Bean（@randybeannvp）是《快速失败，快速学习：在大数据和AI颠覆时代的数据驱动领导力经验教训》（Wiley，2021年）的作者，也是《财富》1000强企业的数据和AI领导力顾问。
