Moody’s 警告：银行推进 AI 正在加深对科技公司的依赖

Google News 在 8 月 9 日刊载了 Moody’s 发出的严厉警告：竞相投入 AI 的银行正越来越依赖少数几家科技供应商。令人担忧的并非人工智能无法带来实用成果，而是银行在追求这些成果时，可能交出议价能力、运营独立性以及对关键基础设施的控制权。

Moody’s 预计，AI 将在整个金融服务业降低成本并创造新的收入机会。不过，这家评级机构也预计，竞争对手将竞逐其中许多相同的收益。这种竞争可能侵蚀财务优势，同时让所有参与者面临相似的供应商风险和技术故障风险。

这一警告改变了银行业惯常讲述的 AI 故事。银行一直将自动化视为实现更快决策、更低运营成本和更个性化服务的路径。Moody’s 则提出了一个问题：当这些系统变得不可或缺时，究竟是谁控制模型、云端算力和价格？

这个问题让银行站在一边，而高度集中的科技供应链站在另一边。Google、Microsoft、Amazon、OpenAI 和 Anthropic 提供了模型与基础设施技术栈中的重要部分。金融机构依然掌控受监管的客户关系和专有数据，但并不控制支撑其 AI 应用的每一层技术。

由此形成了艰难的权衡。银行需要外部技术来快速推进，但更深度的采用会提高更换供应商或在服务中断中维持运营的成本。因此，Moody’s 所指的银行 AI 风险，与其说是某一个有缺陷的聊天机器人，不如说是整个行业对共用基础设施的依赖。

Moody’s 的警告超越了 AI 生产力议题

眼下的变化在于，一家信用评级机构已将技术依赖与 AI 的预期财务收益并列考量。

根据这篇关于银行依赖的警告，Moody’s 预计 AI 将在金融服务领域降低成本、增加收入。不过，要实现这些收益需要大量投资。追求同样改进的竞争银行，也可能通过竞争消除其中一部分优势。

这一评估挑战了银行 AI 支出的常见商业逻辑。一家银行可能将客户支持、合规审查、欺诈监控、软件开发或文件分析自动化。如果每一家主要竞争对手都购买类似能力，这项技术就会从持久的差异化优势变成基本要求。

银行仍需承担实施成本。它必须将模型与旧系统整合，验证输出结果，保护客户信息，并为监管机构记录决策过程。它还需要能够监督部署、并在自动化流程出现意外行为时介入的员工。

Moody’s 强调了另一层风险敞口。大多数金融公司依赖相对少数的基础模型和云服务提供商。基础模型是一种通用 AI 系统，组织可将其适配于许多更狭窄的任务。

云服务提供商提供运行这些应用所需的计算、存储、网络和托管服务。因此，最大的云平台可能出现在银行架构的多个环节中。一个平台发生故障，就可能同时扰乱多个应用。

这在所有预期收益尚未得到验证之前，就已造成银行对 AI 供应商的依赖。一旦银行围绕某一模型接口、云环境和安全系统构建工作流，迁移到其他平台就会变得昂贵。数据管道、员工培训、控制措施和软件集成都可能需要调整。

随着 AI 从实验进入日常运营，风险也会增加。一个内部写作助手消失数小时，未必会威胁机构本身。但连接到欺诈检测、投诉处理、贷款决策或客户身份验证的模型，则带来完全不同的问题。

Moody’s 还警告了数据隐私、网络安全、欺诈和存款流失风险。存款流失是指客户迅速将资金从银行转出，通常是因为技术使比较和转账变得更容易。AI 助手可能降低寻找更高回报并切换账户所需的成本。

这种结果会将 AI 从内部效率工具转变为影响银行资金来源的力量。稳定存款之所以重要，是因为银行利用其支持放贷和管理流动性。客户资金流动加快，可能使这种资金来源在压力时期变得更不可预测。

因此，Google News 的标题只捕捉了 Moody’s 论点的一部分。银行不仅面临科技供应商的压力，也面临使用日益强大工具的客户带来的压力。AI 能够降低资产负债表两端的摩擦。

银行为何面临高度集中的 AI 供应链

银行并非在技术与独立性之间二选一；它们真正要决定的是，能够安全承受多大程度的依赖。

这条供应链始于先进芯片和数据中心，随后延伸至云平台、基础模型、网络安全服务、开发者工具和专业金融应用。只有数量有限的公司能够在全球规模上运营其中多个层级。

大型银行可以与多家供应商协商合同，也可以将应用分布在不同的云平台或模型之上。然而，名义上多元化的供应商名单，并不总能带来真正的技术独立性。

两家模型提供商可能使用同一云平台。不同的银行应用也可能依赖同一身份服务、网络组件或安全供应商。因此，银行可能拥有许多合同，却仍保留一个隐藏的单点故障。

Moody’s 将由此产生的风险敞口描述为系统性依赖。系统性意味着其后果不止影响一家公司，因为许多机构都依赖同一家供应商或同一技术组件。一次大范围故障可能同时影响多家银行、保险公司和其他企业。

近期的云服务中断已表明这为何重要。Moody’s 在其数字经济展望中指出，涉及 AWS、Microsoft Azure 和 Cloudflare 的故障造成了广泛扰乱。这些事件暴露了互联云环境的运营复杂性。

AI 应用在这一基础设施之上又增加了一层依赖。银行或许仍能访问自己的数据，却无法访问模型端点或支撑服务。它也可能发现，备用模型在相同指令下的行为不同。

这种差异在受监管的工作流中尤为重要。模型在准确性、拒答行为、响应格式和对提示词的敏感性方面可能各不相同。替换一个模型，并不总能等同于替换一台标准数据库服务器。

替代方案必须针对银行的具体使用场景进行测试。风险团队可能需要验证其输出、记录局限性并重新评估对客户的影响。即便技术上有可用的备份，在这些检查完成前，它仍可能无法在运营层面投入使用。

定价也是另一个担忧。Moody’s 警告称，占主导地位的模型和基础设施提供商可能会增强对 AI 服务成本的影响力。当客户围绕专有接口构建了复杂系统时，这种议价能力会更强。

生成式 AI 公司自身也面临创造可持续回报的压力。如果供应商提高价格，银行可能难以将这些成本转嫁给客户。竞争机构可以提供类似服务，从而限制任何一家银行的收费空间。

这一机制使 Moody’s 所说的银行 AI 风险部分成为商业风险。银行可能完成一次成功部署，却仍获得低于预期的经济价值。供应商攫取更多收入，而竞争则压缩银行的利润率。

供应商依赖还可能塑造银行的产品路线图。供应商决定何时淘汰模型、更改使用限制、调整安全控制，或推出更新后的接口。即使银行现有部署仍令人满意，它也必须作出适应。

监管进一步增加了复杂性。当第三方提供关键技术时，银行仍要对客户结果负责。外包模型并不意味着外包对歧视、控制薄弱、不准确决策或隐私失误的责任。

这种控制权与责任的分离，正是核心矛盾所在。科技公司控制着重要技术选择，而银行承担了很大一部分监管、声誉和客户风险。

Google News 标题为何对银行重要

这一报道之所以重要，是因为 AI 的采用正从可选实验走向竞争必需。

根据原始报道援引的一项英国议会调查，超过 75% 的伦敦金融城企业已经在使用 AI。国际银行和保险公司是采用最积极的群体之一。应用场景包括行政自动化、保险理赔和信用评估。

这些应用所处的风险水平截然不同。总结一次内部会议，与评估一名贷款申请人并不等同。后一项任务会影响信贷可得性，因此需要更严格的监督。

Moody’s 自身的 2026 年银行数据研究发现，雄心与准备程度之间存在差距。研究发现，40% 的银行拥有雄心勃勃的数据和技术计划，但 80% 面临数据碎片化和遗留基础设施问题。

只有 12% 的银行有信心利用其数据快速采取行动。Moody’s 还发现，35% 的银行正在投资 AI 治理框架。治理包括在 AI 全生命周期中管理它所需的标准、职责、测试和记录。

这些数字说明了为何银行对 AI 供应商的依赖会迅速加深。内部系统碎片化的银行，可能更倾向于选择承诺快速部署的托管外部服务。这一决定解决了眼前的交付问题，却可能使供应商更难被替换。

同一家银行也可能没有完整记录每一个模型、数据来源和下游工作流的清单。没有这张图谱，高管就无法准确衡量服务中断或合同变更带来的风险敞口。他们可能只有在事故发生时，才了解到共享依赖关系。

遗留基础设施造成了另一种不平衡。科技供应商运营着围绕可扩展数据处理设计的现代平台。银行则经常将这些平台连接到历经数十年、并购和监管变革而形成的系统。

集成工作会成为一种锁定机制。银行会投资于连接器、控制层、访问策略、监控能力和员工专业知识。这些投入具有价值，但其中许多都针对特定环境量身定制。

Google News 的表述也指向市场集中度。Google 不只是刊载文章的聚合平台。Alphabet 的 Google Cloud 和 Gemini 模型使该公司成为 Moody’s 所述供应链中的一环。

Microsoft 将 Azure 与广泛的企业软件和 AI 合作伙伴关系结合在一起。Amazon 运营 AWS，并通过托管服务提供对多种模型的访问。OpenAI 和 Anthropic 则提供被广泛使用的专有模型系列。

这并不意味着某一家供应商控制了全球银行业。它意味着几家供应商占据了难以在短期内复制的战略位置。银行必须与技术业务横跨众多行业和司法辖区的公司谈判。

金融机构仍保有重要优势。它们掌控客户存款、受监管牌照、风险专业能力、分销渠道以及大量专有信息。这些资产限制了科技公司直接取代银行的能力。

数据控制尤为重要。银行的交易历史、客户关系、承保记录和合规知识能够提升专业系统的表现。通用模型供应商不会自动获得这些资产的所有权。

不过，掌控数据并不保证运营独立性。银行或许拥有自身信息，却依赖外部系统处理这些信息。所有权与执行权是两种不同形式的控制。

金融机构中的知识工作者也面临类似问题。AI 可以加快分析，但员工需要获取经过验证的机构内部背景信息。管理得当的AI 知识库能够保留来源和决策，而不是让它们分散在各次模型对话中。

这种做法不会消除基础设施集中化，但有助于组织保留可在不同工具间迁移的上下文。可移植的知识能够降低更换应用或供应商的实际成本。

银行具备防御能力，但准备程度并不均衡

穆迪的警告描述的是严重风险敞口，而非控制权必然让渡。

大型银行已花费数十年管理技术供应商。它们会谈判服务保障、审计权、安全标准、数据保护和终止条款。其采购规模也可能带来优于小型机构的条件。

许多银行可以使用不止一种模型。它们可以将关键数据保留在受控环境中，并限制哪些信息会传送至外部服务。它们还可以构建路由系统，依据风险和性能选择模型。

开源模型提供了另一种选择。银行可在自身基础设施或选定的云环境中运行公开可用的模型。这能够减少对单一专有模型接口的依赖。

开源并不能消除所有依赖。银行仍需要计算能力、安全控制、专业员工、模型更新和评估系统。在内部运行模型是转移责任，而不是让责任消失。

合作关系也能分散风险。银行可以与多家云服务商、模型公司和专业供应商签约。它们可以要求数据可导出、接口有文档说明，并制定经过测试的退出方案。

更棘手的问题是，这些替代方案能否在真实故障中发挥作用。备份系统必须处理现实的交易量，并保留必要的控制措施。团队必须在故障迫使其作出决定前练习切换。

证据显示，信心可能超过测试程度。6 月的一份报告发现，93% 的受访英国银行业高管相信其机构能够在重大故障中持续运营。只有 47% 完成过一次涉及 AI 中断的测试，26% 则一次也未完成。

这些数据公布时，Lloyds Banking Group 正在招聘 300 名技术专家。这些新员工预计将参与包括欺诈防范、内部文件搜索和个性化银行服务在内的项目。

Lloyds 提供了商业激励的具体案例。该行表示，生成式 AI 在 2025 年带来了 5000 万英镑的收益。随着智能体 AI 的采用增加，预计这一收益将在 2026 年达到 1 亿英镑。

智能体 AI 指的是能够在有限人工指导下规划并执行多个步骤的系统。这类系统可自动化的工作多于简单聊天机器人，但也会形成更长的行动链，需要监控和恢复控制措施。

Lloyds 计划使用现有模型，包括 Anthropic 的 Claude 和 Google 的 Gemini。这种方式让该行无需训练可比肩的基础模型，也能使用先进系统。它同样说明了穆迪指出的依赖关系。

该行并非在这种关系中被动应对。它可以让模型适应内部要求，并保留客户数据的所有权。它也可以聘用同时了解技术和受监管银行流程的专家。

不过，专业能力并不能消除集中化。多家银行可能因同一模型或云服务表现出色而独立选择它。每家机构的理性选择，可能在整个金融体系中形成共同风险敞口。

芝加哥联邦储备银行指出的AI 尾部风险增添了另一维度。大型银行对 AI 相关行业的承诺额，从 2015 年约占总承诺额的 9%，升至 2025 年末的 13%。

这些承诺额达到约 4500 亿美元。平均未偿风险敞口仍约为银行总资产的 0.8%，因此直接头寸并未被描述为迫在眉睫的警报。担忧在于，压力可能在相互关联的软件、半导体、能源和数据中心借款人之间扩散。

因此，银行从两个方向面临 AI 风险。它们购买 AI 服务以提高运营效率，从而形成供应商依赖；同时，它们也向为 AI 扩张背后的基础设施和企业提供融资的公司放贷。

这并不能证明一场广泛危机正在逼近。在芝加哥联储的分析中，当前贷款表现和数据中心需求仍相对强劲。利用现有监管数据也难以衡量间接风险敞口。

一种怀疑性解读是，穆迪的警告可能夸大了供应商的影响力。大型银行拥有重大合同、经验丰富的采购团队和可信的替代选择。监管机构对重要外部供应商的监督也在加强。

不过，反向论断同样不应被夸大。多云政策并不自动带来韧性。开源模型并不保证可移植性，合同也不能确保可以迅速完成切换。

实际检验在于，银行失去一家供应商后能否继续提供核心服务。这需要来自演练的证据，而不是信心调查或政策文件。

三个信号将检验穆迪的 Google News 警告

下一阶段将揭示，银行是在构建具有韧性的 AI 系统，还是只是在脆弱架构中增加更多供应商。

第一个信号是运营测试。银行应披露，是否曾在关键工作流程持续运行的情况下，模拟失去主要模型或云服务商。监管机构将希望看到备份系统能够支持现实业务量的证据。

成功的测试将强化银行能够控制穆迪所称 AI 银行业风险的论点。它将表明，技术替代方案能够经受运营控制、客户需求和监管要求的实际检验。

反复失败则会支持穆迪的警告。备份模型无法复现所需输出或迅速通过验证的证据，也同样如此。仅存在于纸面上的恢复计划几乎无法提供保护。

第二个信号是合同和架构的可移植性。银行需要切实可行的方法，在供应商之间迁移数据、提示词、评估和工作流程。标准接口可以有所帮助，但最重要的系统通常包含供应商专有功能。

值得关注的是，银行是否采用模型路由层和可移植评估套件。评估套件是一组用于根据相同要求比较 AI 系统的测试。它可以揭示替代模型是否达到最低标准。

还应关注对合同自动续约的限制以及更严格的退出条款。这些条件之所以重要，是因为当客户无法在重建重要应用前离开时，供应商的定价影响力会增强。

更强的可移植性将削弱对银行 AI 供应商依赖最严厉的解读。它将表明，机构能够使用先进的外部技术，而无需接受永久锁定。

第三个信号是对关键技术供应商的监管方式。英国监管机构已将重点放在关键第三方，包括服务于金融机构的云服务和科技公司。直接监管能够暴露单家银行无法看见的共同弱点。

金融行为监管局也在考虑加强对 AI 公司和云服务商的监管权力。其关切包括欺诈、网络安全、消费者损害和市场集中度。这些风险超出了传统供应商管理的范畴。

明确的测试要求将强化韧性论点。监管者可以要求银行绘制依赖关系、定义恢复目标并报告重大事件。它们还可以审查整个行业的集中度。

但监管也可能带来新的复杂性。如果合规成本有利于规模最大的获批供应商，监管可能反而强化其试图控制的集中化。较小的替代方案可能难以满足金融行业要求。

这种权衡值得密切关注。当大多数机构选择同一家供应商时，单个供应商更安全并不一定意味着市场更安全。集中化可能将一个管理良好的平台变成共同的单点故障。

同样的问题也适用于基础模型。监管机构可能更青睐拥有大量文档和安全团队的成熟供应商。银行随后可能会集中选择少数模型，因为这些选择看起来更容易辩护。

如果采用持续推进，却没有在可移植性和恢复测试方面取得可衡量的改进，穆迪的警告将显得更有力。如果银行证明能够在独立运营的系统之间快速切换，其警告则会显得较弱。

因此，Google News 读者应将这一标题视为早期信用风险信号，而非银行已经失去控制权的宣告。决定性证据将来自故障事件、合同变化、监管审查和经过测试的恢复表现。

金融收益依然足以推动采用持续进行。当自动化能够改善投诉处理、文件审查、欺诈检测和软件开发时，银行不太可能停止使用 AI。

更好的问题是，每次部署是否保留了退出路径。高管应询问：当一家供应商发生故障时，哪些服务会停止；恢复需要多长时间；以及哪些控制措施能够在切换后继续有效。

客户和投资者也可以提出类似问题。银行是否说明自动化决策如何受到审查？模型失效时，员工能否介入？该机构是否测试过长期失去外部供应商的情形？

下一次重大故障将提供最清晰的证据。如果银行能通过经过测试的替代方案维持核心服务，穆迪的担忧将显得可控。如果多家机构同时失效，这一警告将显得具有预见性。

目前，AI 竞赛造成了一种令人不安的平衡。银行可以在不拥有完整技术栈的情况下获得效率提升，但不能假定仅靠采购合同就能保持独立性。

这则 Google News 报道归根结底关乎控制权。银行仍拥有关键数据、牌照和客户关系。它们面临的挑战是：当其他方运营其周围的智能与基础设施时，如何让这些资产继续发挥作用。