维度网讯，数据摩擦是芝加哥都市银行普遍遇到的第一个问题。许多银行仍然依赖本地老旧硬件运行核心系统，并使用批处理数据馈送进行客户分析。这种方式拖慢了决策速度，限制了生成式AI的实际应用。谷歌云在2023年对美国银行业高管的调查显示，49%的受访者认为AI的最大好处是提高运营效率和节省成本，45%的人将更好的数据和预测性分析视为关键成果。然而，每当新模型需要从基于COBOL的核心系统或位于郊区的数据中心SQL Server实例中提取定制数据时，项目进度往往会停滞不前。

安全复杂性是另一重挑战。连接分支机构与多个数据中心的混合拓扑结构会导致不一致的防火墙策略。团队通常需要对每个新应用程序进行手动审查，这引入了延迟。同时，美联储（Federal Reserve）、货币监理署（OCC）、联邦存款保险公司（FDIC）等监管机构共同强调，使用公有云的银行必须展示强大的运营韧性和第三方风险管理能力。因此，考虑云服务的银行希望找到一条路径，允许其逐步迁移，同时保持完全的可审计性。

成本可预测性已成为董事会层面的焦点。领导团队希望从与硬件更新周期相关的资本支出模式，转向与使用量匹配的运营支出模式，但他们仍期望获得清晰的成本预测。这一点对于分析沙盒尤为重要，因为当数据科学家试验大型语言模型时，沙盒的资源消耗会迅速增长。

该地区的银行通常通过关注数据基础设施、人工智能能力和安全架构来评估云现代化方案。每个领域都需要不同的决策。数据评估通常从审查现有的数据仓库和数据湖架构开始。团队会检查其SQL Server、Teradata或Oracle环境是否支持实时数据馈送，还是依赖夜间ETL批处理。IDC报告称，全球超过65%的银行计划在2025年前优先使用基于云的数据平台，以支持实时风险、个性化和监管报告。因此，买家围绕长期可扩展性而非直接迁移来构建评估框架。

AI评估阶段围绕组织优先考虑面向客户的能力、内部生产力工具还是风险评分模型展开。富国银行（Wells Fargo）扩大了与谷歌云的战略合作伙伴关系，为员工提供自动执行日常任务和改善客户服务的AI工具，这为在分支机构和投资银行业务中推广此类计划提供了参考模板。评估类似模式的银行通常会比较不同云服务提供商提供的模型托管选项、数据隔离的实现方式，以及向量搜索功能是否与现有文档档案集成。

安全评估通常由审计所需的控制措施决定。一些团队将其架构映射到美国国家标准与技术研究院（NIST）网络安全框架和SP 800-53控制措施，而另一些团队则偏好与ISO 27001一致的结构。买家关注日志记录、数据包捕获和IAM结构如何与他们的安全信息和事件管理（SIEM）系统或合规工具集成。他们还评估混合连接的工作方式，因为芝加哥几家银行仍在内部大型机上运行支票处理或卡系统。

Sogeti US通过指导技术团队采用混合本地数据中心与云托管服务的部署模式来解决这些问题。一旦银行选择了方向，通常会采用分阶段部署，而非大规模迁移。初始阶段通常侧重于建立安全的网络连接。一些机构从IPSec VPN隧道开始，然后在吞吐量和可靠性要求更明确后过渡到专用互连。路由架构、NAT策略和重叠的IP范围经常成为早期的阻碍。

接下来通常是数据迁移。团队会优先迁移分析工作负载，因为这些系统与日常交易的关联较少。此阶段包括重构ETL管道、建立治理层以及在云IAM结构中配置基于角色的访问。受到严格监管审查的银行，通常在移动任何敏感数据之前，直接将云审计日志集成到其合规仪表板中。

AI服务通常出现在后续阶段。金融机构可能首先测试内部用例，例如文档摘要或呼叫中心转录分析。这有助于在引入面向客户的系统之前，完善人机回环工作流程和偏见控制机制。许多机构强调，流程必须与内部模型风险管理政策保持一致，包括输入清理和输出监控流程。

在整个阶段中，跨职能协调至关重要。基础设施团队处理连接，数据团队负责数据摄取和转换，治理团队确保每一步都符合监管期望。像Sogeti US这样的合作伙伴可以帮助规范化这些工作流程并加速架构决策。

评估成果的银行会追踪与业务目标直接相关的改进。在数据领域，团队寻求更及时地获取客户属性、减少手动数据拼接，以及无需多次提取即可运行跨产品分析的能力。许多银行期望这些功能支持更智能的营销和风险决策，这与麦肯锡（McKinsey）2023年的估计一致，即高级分析和AI可以为零售银行带来最高25%的营业利润提升。

在AI方面，领导者衡量新模型部署的速度、业务部门使用AI助手的频率，以及内部团队管理提示控制的能力。他们还考虑生成式工具是否显著减少了贷款或合规流程中的手动审查周期。对于安全，进展通过日志和IAM策略的整合程度、跨分支策略例外情况的减少以及韧性报告可见性的改善来评估。监管机构强调银行需要具备云工作负载的可追溯性，因此买家关注云日志与内部审计工具的集成程度。

在芝加哥银行业探索采用谷歌云解决方案的过程中，买家普遍认为渐进式移动可以降低风险，尤其是在数据治理体系仍在完善时。在网络架构上的早期投入将为后续事务系统需要连接时节省时间。将部署与NIST或ISO框架保持一致可以简化审计对话，因为监管机构已经预期这些控制结构。评估人员还发现，明确哪些工作负载将首先迁移，哪些长期保留在本地，可以防止混杂的混合拓扑结构蔓延。结构化的路线图能够保持迁移的可预测性并最大限度地减少返工。

芝加哥以外的地区和社区银行也面临类似的限制。同样的评估路径适用，尤其是当核心银行服务提供商（如Jack Henry）与谷歌云合作，为金融机构的下一代技术栈现代化提供支持时。买家普遍需要明确数据目标、定义AI愿景、与监管框架对齐，并有目的地设计混合连接。大多数银行按阶段顺序进行部署。建立网络基础通常首先进行，并需要内部审查。随后是数据迁移，由于其涉及治理和血缘关系检查的协调，所需时间更长。AI服务则是在安全和数据结构稳定之后添加。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com