以下是您要求的英文文章的中文翻译，已按照要求保留原文结构、技术术语和代码块，并采用 Markdown 格式输出。
金融服务中代理型 AI 的数据就绪度
代理型 AI 在金融服务领域的成功，不仅取决于更智能的模型，更依赖于一个权威的上下文数据存储——一个可访问、可靠且可大规模治理的数据存储。
2026 年 5 月 14 日 与 Elastic 合作
金融服务公司在应用企业 AI 时有着独特的需求。它们运营在监管最严格的行业之一，同时需要应对每秒都在更新的外部事件。因此，代理型 AI 在金融服务中的成功，更多取决于其所依赖数据的质量、安全性和可访问性，而非系统本身的复杂程度。
“一切都始于数据，”Elastic 搜索 AI 全球董事总经理 Steve Mayzak 表示。
代理型 AI——能够独立规划并采取行动完成任务，而不仅仅是生成回应的系统——由于能够整合实时数据并优化复杂工作流，在金融服务领域拥有巨大潜力。Gartner 发现，超过一半的金融服务团队已经实施或计划实施代理型 AI。然而，将自主 AI 引入任何组织，都会放大其底层数据的优势与弱点。
为了快速、自信且可控地部署代理型 AI，金融服务公司必须首先能够大规模地搜索、保护并情境化其数据。“代理型 AI 放大了链条中最薄弱的环节：数据的可用性和质量，”Mayzak 说，“而你的系统有多好，取决于它最薄弱的环节。”因此，金融服务公司需要一个可信且集中的数据存储，易于访问、可靠，并且能够大规模管理。
高质量信息的高风险
金融服务行业的监管要求所有数据工具具有高度的可问责性。正如 Mayzak 所说：“你不能仅仅停留在解释数据来自哪里以及被转换成了什么：‘这是输入的数据，这是输出的结果。’你需要一种可审计、可治理的方式，来解释模型找到了哪些信息，以及为什么这些数据适合下一步的逻辑。”也就是说，你需要能够看到、理解并描述底层过程。
与此同时，金融服务公司需要速度和准确性，以满足客户期望并保持竞争优势。市场不断变化，风险与机遇也随之而动。如果一个 AI 模型能够解析来自复杂来源的自然语言（非结构化数据），以及更容易分析的电子表格中的结构化数据，这就能为用户提供更多相关信息。
在这种环境下，错误是零容忍的，包括早期 AI 努力中困扰大家的“幻觉”问题。代理型 AI 系统依赖于快速访问高质量、治理良好、安全且可访问的数据。在金融服务中，这些数据涵盖交易、客户互动、风险信号、政策以及历史背景。为 AI 准备这些数据的任务不应被低估。
“自然语言比结构化数据混乱得多，这使得组织和清理它的过程更加重要，也更加困难，”Mayzak 说。数据必须被良好地索引并跨不同位置整合，而不是锁在组织内各个独立系统的孤岛中。否则，AI 代理会滞后，提供不一致的答案，并产生更难追溯和解释的决策，从而削弱监管机构、客户和内部利益相关者的信心。
正如 Mayzak 所说：“在银行中，描述如何执行一笔交易有很多不同的方式。在一个由代理驱动的世界中，我们需要这些描述是确定性的——每次都能给出相同的结果。然而，我们正在基于强大但非确定性的模型进行构建。这非常棘手，但并非不可能。”
对于金融服务公司来说，管理这一点可能非常具有挑战性。Forrester 的一项研究发现，57% 的金融组织仍在开发必要的内部能力，以充分利用代理型 AI。“数据以多种不同格式存在，是在银行发展历程中创建的，”Mayzak 说。“以任何一家存在了 50 年的银行为例：他们可能对完全相同的事情有 60 种不同类型的 PDF。与此同时，我们希望这些系统的输出是 100% 准确的。在很多情况下，没有‘足够好’这回事。”也就是说，公司需要第一次就做对。
搜索与保护结果
一个有效的搜索平台是解决数据碎片化、索引不良、难以访问问题的关键。能够轻松筛选结构化和非结构化数据、确保数据安全并在正确情境下应用的金融服务公司，将从代理型 AI 中获得最大价值。这通常需要设计 AI 系统时考虑到数据访问和实用性，以便它们能更快地工作，产生更准确的结果，并降低风险。
“搜索是使 AI 准确并基于真实数据的基础技术，”Mayzak 说。“搜索平台已成为将推动这场 AI 革命的权威上下文和记忆存储。”一旦部署到位，这些增强型 AI 搜索和自主系统可以为金融服务公司提供多种用途。
在监控客户风险敞口时，代理型 AI 可以持续扫描交易、市场信号和外部数据，以检测新兴风险；平台随后可以实时自动标记或上报问题。在交易监控中，AI 代理可以审查交易工作流，识别不同格式之间的差异，并以最少的人工干预逐步解决异常情况。在监管报告中，AI 可以从各个系统收集数据，生成所需报告，并追踪...