- 花旗科技负责人Tim Ryan分享大型金融机构AI规模化落地的实战经验。核心观点包括：(1) AI正从降本增效向收入增长转变，企业释放的工程产能（如每周10

• 序号：140
• 星球链接：打开网页
• 附件：图片 0，音频 0，文档 0
• 音频文件：无音频

图片

无图片

正文

• 花旗科技负责人Tim Ryan分享大型金融机构AI规模化落地的实战经验。核心观点包括：(1) AI正从降本增效向收入增长转变，企业释放的工程产能（如每周10万工程师小时）正被重新部署到面向客户的应用中；(2) 遗留系统退役和平台现代化是AI规模化的基础前提，应用下线时间已从数月压缩至数天；(3) 企业采用"模型无关"策略，同时对接多家前沿和开源AI供应商以保留灵活性、避免锁定，并始终以安全为先；(4) 在自建与外购决策上，对可形成差异化竞争力的能力倾向于自建，其余优先考虑可扩展性、安全性和性能。整体显示企业AI价值主张正趋于成熟。

本报告是花旗研究（Citi Research）于2026年9月8日在纽约全球TMT大会上由科技业务负责人Tim Ryan发表的主题演讲纪要，主旨在于揭示大型金融机构如何将AI从概念推向大规模落地。报告传递的最重要信号是：，这是一个成熟拐点的标志。 三条核心要点： ——AI释放出的工程产能正在被重新分配到面向客户的创收项目，而非简单作为成本削减的缓冲。 ——遗留系统退役和平台简化是释放资本、降低运营风险、为AI部署提供干净基础架构层的必要前提。 ——企业同时对接多家前沿和开源AI供应商，对外购软件的评估重心在可扩展性、安全性与差异化。

一、AI正在产生可量化的实际产出 花旗作为全球系统重要性银行，其AI落地数据具有行业标杆性。报告提及的几个具体指标值得关注： ：AI在编码、测试、调试等环节带来明显的时间缩减。 ：KYC（了解你的客户）、对账、信用承销等流程被AI重新设计。 ：以"每周10万工程师小时"为例，释放出的产能正被重新部署到面向客户的应用中，而非简单作为成本节约。 ：这意味着AI的"投资回报故事"正在发生质变。第一阶段（2023-2025）企业的关注点在"AI能不能帮我省钱"，现在则转向"AI释放的产能如何转化为收入"。这种转变将直接影响企业IT预算的分配方向——从削减预算转向再投资预算，对AI软件供应商而言意味着更大的TAM（可寻址市场）。 二、遗留系统现代化是AI落地的隐藏瓶颈 报告强调了一个常被市场忽视但极其关键的事实：。 领先机构将遗留应用下线时间从"月级"压缩到"天级"。 释放出的资本和运维资源被投入到云原生风险管控平台、监管报告数据仓库、数字化客户端接口。 采购决策正在从"边际短期性能优势"转向"多年增长轨迹"——这意味着客户更看重厂商的长期路线图能力。 ： ：需求强劲，是当前的"卖铲人"赛道。 ：监管报告用数据仓库成为投资热点。 ：面向客户的AI接口是下一波投入重点。 四、"模型无关"策略与自建vs.外购决策框架 模型无关（Model-Agnostic）的战略意义 花旗明确表示同时对接多家前沿大模型（如OpenAI、Anthropic、Google等）和开源模型。这一策略反映了三个企业级诉求： ：避免任何单一供应商锁定。 ：根据任务动态选择"最低单任务成本"的模型。 ：根据场景选择最合适的模型（不同模型在金融领域不同任务上各有强弱）。 自建vs.外购的决策矩阵 评估维度优先级决策倾向 可扩展性（Scalability） 高 倾向外购成熟方案 安全标准 最高 安全是先决条件，非次要考虑 性能 高 倾向外购成熟方案 差异化（Differentiation） 核心 真正可形成竞争力的能力倾向自建 部署架构 企业仍偏好，分配决策受三重因素驱动： ：成本最优 ：监管合规要求 ：业务体验要求

本报告为，，亦非针对单一股票。 但从行业层面，报告传递以下投资含义： 受益方向逻辑

企业从"模型无关"出发需要统一编排层、向量数据库、MLOps平台等基础设施

遗留系统退役浪潮持续，迁移服务需求旺盛

"安全为先"成为采购门槛

企业为保留可选性而积极引入

银行、保险等大型金融机构AI支出仍处于上升周期 ：纯单一模型API供应商如缺乏生态绑定能力，可能在企业级市场面临替代压力。

：尽管花旗展示了领先案例，但全行业平均落地速度可能慢于头部机构。 ：报告中"月级压缩至天级"是领先案例，对于多数企业而言现代化仍是5-10年的长周期工程。 ：金融行业监管严格，任何AI部署失误都可能引发监管处罚，"安全为先"的策略可能延长采购周期。 ：尽管企业采用"模型无关"策略，但实际中前沿模型能力差距仍较大，"可选性"可能名大于实。 ：从"降本"到"创收"的转变需要组织能力变革配合，短期内收入侧贡献可能被高估。 ：企业IT预算仍受宏观周期影响，若经济走弱可能推迟AI项目立项。

总体总结

主题正文 要点： ——AI释放出的工程产能正在被重新分配到面向客户的创收项目，而非简单作为成本削减的缓冲。 ——遗留系统退役和平台简化是释放资本、降低运营风险、为AI部署提供干净基础架构层的必要前提。 ——企业同时对接多家前沿和开源AI供应商，对外购软件的评估重心在可扩展性、安全性与差异化。

一、AI正在产生可量化的实际产出 花旗作为全球系统重要性银行，其AI落地数据具有行业标杆性。报告提及的几个具体指标值得关注： ：AI在编码、测试、调试等环节带来明显的时间缩减。 ：KYC（了解你的客户）、对账、信用承销等流程被AI重新设计。 ：以"每周10万工程师小时"为例，释放出的产能正被重新部署到面向客户的应用中，而非简单作为成本节约。 ：这意味着AI的"投资回报故事"正在发生质变。第一阶段（2023-2025）企业的关注点在"AI能不能帮我省钱"，现在则转向"AI释放的产能如何转化为收入"。这种转变将直接影响企业IT预算的分配方向——从削减预算转向再投资预算，对AI软件供应商而言意味着更大的TAM（可寻址市场）。 二、遗留系统现代化是AI落地的隐藏瓶颈 报告强调了一个常被市场忽视但极其关键的事实：。 领先机构将遗留应用下线时间从"月级"压缩到"天级"。 释放出的资本和运维资源被投入到云原生风险管控平台、监管报告数据仓库、数字化客户端接口。 采购决策正在从"边际短期性能优势"转向"多年增长轨迹"——这意味着客户更看重厂商的长期路线图能力。 ： ：需求强劲，是当前的"卖铲人"赛道。 ：监管报告用数据仓库成为投资热点。 ：面向客户的AI接口是下一波投入重点。 四、"模型无关"策略与自建vs.外购决策框架 模型无关（Model-Agnostic）的战略意义 花旗明确表示同时对接多家前沿大模型（如OpenAI、Anthropic、Google等）和开源模型。这一策略反映了三个企业级诉求： ：避免任何单一供应商锁定。 ：根据任务动态选择"最低单任务成本"的模型。 ：根据场景选择最合适的模型（不同模型在金融领域不同任务上各有强弱）。 自建vs.外购的决策矩阵 评估维度优先级决策倾向 可扩展性（Scalability） 高 倾向外购成熟方案 安全标准 最高 安全是先决条件，非次要考虑 性能 高 倾向外购成熟方案 差异化（Differentiation） 核心 真正可形成竞争力的能力倾向自建 部署架构 企业仍偏好，分配决策受三重因素驱动： ：成本最优 ：监管合规要求 ：业务体验要求

本报告为，，亦非针对单一股票。 但从行业层面，报告传递以下投资含义： 受益方向逻辑

企业从"模型无关"出发需要统一编排层、向量数据库、MLOps平台等基础设施

遗留系统退役浪潮持续，迁移服务需求旺盛

"安全为先"成为采购门槛

企业为保留可选性而积极引入

银行、保险等大型金融机构AI支出仍处于上升周期 ：纯单一模型API供应商如缺乏生态绑定能力，可能在企业级市场面临替代压力。

：尽管花旗展示了领先案例，但全行业平均落地速度可能慢于头部机构。 ：报告中"月级压缩至天级"是领先案例，对于多数企业而言现代化仍是5-10年的长周期工程。 ：金融行业监管严格，任何AI部署失误都可能引发监管处罚，"安全为先"的策略可能延长采购周期。 ：尽管企业采用"模型无关"策略，但实际中前沿模型能力差距仍较大，"可选性"可能名大于实。 ：从"降本"到"创收"的转变需要组织能力变革配合，短期内收入侧贡献可能被高估。 ：企业IT预算仍受宏观周期影响，若经济走弱可能推迟AI项目立项。