Measuring agentic artificial intelligence intensity in banking: a validated disclosure-based index and identification strategy for estimating effects on bank performance and systemic risk
本文引入并验证了代理型人工智能强度指数（AAII），这是一种旨在区分银行业中自主人工智能执行与咨询系统的创新型基于披露的衡量工具，同时概述了一个用于估算其对银行绩效和系统性风险影响的全面识别策略。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在银行业领域，人工智能长期以来一直是一位得力的助手。多年来，这些系统充当着数字书记员的角色，起草报告、汇总数据或为人类管理者建议下一步行动。人类始终牢牢掌控着驾驶座，握着每一项最终决策的钥匙。然而，一场重大的转变正在发生。银行开始部署一种新型智能，它不仅是提供建议，而是直接采取行动。这些是代理型系统（agentic systems），能够规划复杂的金融工作流，并执行具有委托权限的交易。一旦此类系统获得行动的许可，它就可以在无需等待人类对每一步进行签批的情况下，进行资金划转、批准贷款或结算债务。这种从“建议”到“行动”的转变改变了金融业风险与效率的根本性质，然而对于研究人员和监管机构而言，一个关键问题仍未得到解决：如何衡量它？
直到现在，还没有可靠的方法能够区分一家银行仅仅是在谈论人工智能，还是已经真正将其运营的控制权交给了自主机器。现有的方法通常将所有提及技术的说法视为同类，无法识别出回答客户问题的聊天机器人与独立释放支付指令的软件代理之间的区别。如果没有清晰的衡量工具，就无法得知这些新系统究竟是让银行变得更高效了，还是更具风险了，亦或是两者兼有。印度达亚南达·萨加尔大学（Dayananda Sagar University）的一个研究小组通过开发一种名为“代理型人工智能强度指数”（Agentic AI Intensity Index）的新型且经过严格测试的工具，解决了这一空白。该指数并非简单地统计银行提及技术的频率，而是衡量银行在多大程度上将做出并执行具有重要影响的金融决策的权力，委托给了自主系统。
研究人员不仅发明了一个新分数，还构建了一套完整的科学协议，以确保该分数的真实性与可靠性。他们首先收集了数千页的银行公开文件，包括年报、监管备案以及高管向投资者进行说明的业绩电话会议记录。通过这些文本，他们开发出一种方法，用以识别描述实际授权行为的句子。他们区分了描述“系统等待人类审批”的语言与描述“系统在既定授权范围内自主行动”的语言。为了确保这种区分的准确性，他们组织了一个专家小组，成员包括学术研究人员、银行技术官和中央银行监管人员。这些专家通过两轮讨论完善了一份关键词和短语列表，就哪些术语真正代表自主行动、哪些仅仅是宣传性的辞令达成了一致。
在关键词列表最终确定后，团队测试了其方法以确保其运作的一致性。他们让多名受过训练的编码员阅读相同的句子集，以观察他们是否在判断一个系统是否真正具有自主性方面达成一致。他们还使用了先进的计算机模型来协助处理海量文本，但设置了一个至关重要的保障措施：每当计算机识别出一个高层级的自主行动时，都会由人类专家进行审查以确认分类。这种“人机协同”（human-in-the-loop）的方法防止了系统被模糊或误导性的语言所欺骗。随后，研究人员通过将该指数与独立证据进行对比，检查了该指数是否确实测量了其声称要测量的对象，这些证据包括针对特定类型工程师的职位招聘信息、自主系统的专利申请，以及已知银行部署此类技术的实例。结果显示，该指数成功地将拥有真正自主能力的银行与那些仅仅在讨论通用数字化转型的银行区分开来。
这项工作的核心在于该指数本身，它根据每个银行采用代理型人工智能的强度进行评分。该分数并非简单的词汇计数，而是根据银行授予机器的权限水平进行了加权。一个在预设限额内执行支付的系统，比一个仅起草建议供人类审阅的系统获得更高的分数。研究人员还对数据进行了归一化处理，以考虑到不同银行对技术描述篇幅差异巨大的事实，从而确保高分反映的是真实的权力委托，而非仅仅是“多说话”。这使得大规模全球性银行与小型区域性机构之间能够进行公平比较。该指数旨在用于未来的研究，以回答紧迫的问题：将决策权交给机器是否会让银行变得更高效，还是会引入新的、不可预测的风险？它是否能帮助银行更快地检测欺诈，还是会制造新的漏洞？
本文并未提供关于这些绩效问题的最终答案，因为它是一项侧重于构建“测量尺”而非使用该工具衡量特定结果的方法论研究。相反，它为其他研究人员和监管机构提供了一套清晰、可重复的策略。它明确规定了如何构建该指数、如何验证它，以及如何将其应用于统计模型中，以分离出自主人工智能相对于银行规模或经济状况等其他因素的影响。研究人员承认，向代理型人工智能的转型是复杂的，且其收益与风险很大程度上取决于银行如何治理这些系统。他们提出，这些技术的影响将取决于银行内部监督的质量、技术成熟度以及其所处环境的监管严格程度。
通过提供一个经过验证的工具，这项工作消除了理解银行业未来的主要障碍。它使金融界能够超越关于“数字化转型”的模糊说法，开始衡量向机器自主权迈进的具体且切实的转变。研究人员已经证明，分离出真正的代理型行动信号与通用技术讨论中的噪音是可能的。对于需要理解不可逆自动化支付风险的监管者，以及试图评估其资助机构真实能力的投资者而言，这种清晰度至关重要。研究结论指出，尽管技术正在飞速发展，但只要研究人员和监管机构遵循新协议中所述的严格验证步骤，精准衡量其采用程度的能力已近在咫尺。这一基础为建立证据驱动的银行分析新时代奠定了基石，在此时代，自主系统的效应可以像研究任何其他金融创新一样，受到严谨的审视。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。