用大模型做支點(diǎn) 銀行從數(shù)字化到智能化的奮力一躍
原創(chuàng) 俊馳 | 2025-08-19 19:39
【數(shù)據(jù)猿導(dǎo)讀】 銀行正經(jīng)歷從數(shù)字化到智能化的新一輪跨越,大模型和智能體就是最佳跳板。

“銀行正經(jīng)歷從數(shù)字化到智能化的新一輪跨越,大模型和智能體就是最佳跳板。
有多少人知道,我國(guó)銀行手工記賬全面被電子記賬替代發(fā)生在哪一年?答案是2018年——中國(guó)農(nóng)業(yè)銀行西藏自治區(qū)分行最后一批114個(gè)手工作業(yè)營(yíng)業(yè)網(wǎng)點(diǎn),完成電子化聯(lián)網(wǎng)。
這件事不大,但非要賦予一個(gè)意義,那這就是中國(guó)銀行數(shù)字化轉(zhuǎn)型的一個(gè)縮影。
話說(shuō)有一年,外賓參觀人民銀行營(yíng)業(yè)部,走進(jìn)大廳,就聽到噼里啪啦打算盤的聲音。外賓看到一疊疊的手工賬本,提出了靈魂拷問(wèn),“怎么還不用電腦?”這一看似魔幻的一幕,就發(fā)生在上世紀(jì)七十年代初。
而到了2025年的今天,別說(shuō)聽不到算盤聲了,連營(yíng)業(yè)廳的大堂經(jīng)理都開始被AI數(shù)字人代替了。
試著回憶一下,你上一次去銀行網(wǎng)點(diǎn)是什么時(shí)候?是不是感覺(jué)已經(jīng)很久遠(yuǎn)了。那就對(duì)了,現(xiàn)在,打營(yíng)銷電話的是AI,在線客服是AI,審核貸款資質(zhì)的是AI,提醒你信用卡還款的還是AI……銀行數(shù)字化搞了這么多年,砸了這么多錢,就是為了讓你能夠“少往銀行跑”。
經(jīng)過(guò)幾十年、幾代金融人的努力,數(shù)字化建設(shè)成果斐然。但現(xiàn)在單講數(shù)字化已經(jīng)無(wú)法滿足銀行的需求了,翻開2024年一些上市銀行的財(cái)報(bào),幾乎被AI、大模型、智能體這三個(gè)詞組霸屏。國(guó)有大行和股份制銀行已全面啟動(dòng)大模型應(yīng)用建設(shè),并在前、中、后臺(tái)推進(jìn)應(yīng)用的落地。
作為數(shù)據(jù)密集、場(chǎng)景密集、應(yīng)用密集的行業(yè),銀行天然與大模型適配,銀行正以AI為核心抓手,啟動(dòng)下一個(gè)階段的進(jìn)化。
數(shù)據(jù)猿走訪天創(chuàng)信用、數(shù)勢(shì)科技、容聯(lián)云、諸葛智能等多家深度服務(wù)銀行機(jī)構(gòu)的科技企業(yè),試圖回答三個(gè)關(guān)鍵命題:
1.銀行為什么必須完成“從數(shù)字化到智能化”的驚險(xiǎn)一躍?
2.大模型與智能體如何在風(fēng)控、營(yíng)銷、運(yùn)營(yíng)等核心場(chǎng)景落地?
3.當(dāng)AI成為“數(shù)字員工”,銀行與AI的合作范式將如何重寫?
“從數(shù)字化到智能化”的驚險(xiǎn)一躍
當(dāng)我們打開歷史的卷軸,會(huì)發(fā)現(xiàn)銀行的數(shù)字化轉(zhuǎn)型,就是一場(chǎng)“線上大遷徙”。
1979年,國(guó)務(wù)院批準(zhǔn)引入IBM大型機(jī),中國(guó)銀行香港分行率先使用。80年代開始進(jìn)入PC單機(jī)時(shí)代,也稱為“會(huì)計(jì)電算化”。隨著中國(guó)改革開放的深入,銀行的信息化建設(shè)隨之提速。移動(dòng)互聯(lián)網(wǎng)時(shí)代的到來(lái)是又一個(gè)重要節(jié)點(diǎn), 2014年雙十一,支付寶支付峰值達(dá)到了驚人的285萬(wàn)筆/分鐘。 當(dāng)時(shí),有銀行主管科技口的領(lǐng)導(dǎo)感慨,這么大的并發(fā)如果換做我們,系統(tǒng)會(huì)崩掉。
而崩塌的不只是系統(tǒng),還有銀行對(duì)于“渠道”的自信。2014年微信紅包“偷襲”春節(jié),那一年銀行轉(zhuǎn)賬業(yè)務(wù)驟降。與此同時(shí),各類互聯(lián)網(wǎng)金融大規(guī)模涌現(xiàn)。銀行猛然驚覺(jué),他們的對(duì)手不只是另一家銀行,在新一代數(shù)字技術(shù)生長(zhǎng)起來(lái)的新企業(yè)和新模式,也開始跨界競(jìng)爭(zhēng)了。這是歷史上從未發(fā)生過(guò)的事情。
一開始銀行有些發(fā)懵,但很快驚醒過(guò)來(lái),從被動(dòng)防御展開主動(dòng)反擊。銀行通過(guò)自建技術(shù)自研(如成立了金融科技子公司)、聯(lián)合科技公司(如BAT)的模式,一方面收獲了前所未有的流量與數(shù)據(jù),另一方面吸收引進(jìn)了分布式數(shù)據(jù)庫(kù)、大數(shù)據(jù)風(fēng)控、云計(jì)算、機(jī)器學(xué)習(xí)等新一代數(shù)字科技。
過(guò)去,人們辦理銀行業(yè)務(wù),得親自跑到銀行柜臺(tái),拿著號(hào),排著長(zhǎng)隊(duì),填各種表單,等待兩三個(gè)小時(shí)后,才能見到柜臺(tái)業(yè)務(wù)人員,滿滿的儀式感。如果趕上特殊情況,還得證明你是你,你爸是你爸。有時(shí)候就感覺(jué),我銀行卡里的那點(diǎn)錢都對(duì)不起這一套流程。
隨著銀行各個(gè)業(yè)務(wù)線數(shù)字化改造的完成,風(fēng)控審批、轉(zhuǎn)賬匯款、賬戶查詢……這些原本需要跑腿的業(yè)務(wù),普通用戶只需在手機(jī)上動(dòng)動(dòng)手指,就能輕松搞定。
就像《BANK 4.0》所說(shuō)的,“金融常在,銀行不在”。經(jīng)過(guò)波瀾壯闊的數(shù)字化改造,銀行產(chǎn)生了很多顯著的變化。
1、去網(wǎng)點(diǎn)化
2025年上半年,累計(jì)約有2677家商業(yè)銀行的線下網(wǎng)點(diǎn)“關(guān)門停業(yè)”。那些矗立在大街小巷的物理網(wǎng)點(diǎn)已經(jīng)不是銀行的“全部形象”了,除此之外,線上還有一個(gè)“銀行”,“云中”還有一個(gè)銀行,地上、線上和云中“三個(gè)”銀行在數(shù)字化的串聯(lián)下同生共長(zhǎng)。如何同時(shí)管理好并利用好“三個(gè)”銀行,成為當(dāng)前銀行業(yè)面臨的新課題。
2、客戶生態(tài)變化
銀行客戶已經(jīng)見頂了。據(jù)權(quán)威統(tǒng)計(jì)顯示,截至2024年末,全國(guó)信用卡和借貸合一卡開立7.27億張,較2023年末減少約4000萬(wàn)張,同比下降5.14%。
同時(shí),數(shù)字化也讓客戶的形態(tài)發(fā)生了改變,形成了接觸型客戶和數(shù)字型客戶兩類客戶并存的格局??蛻魺o(wú)處不在,但又不常見面;客戶的需求個(gè)性化十足,同時(shí)又千變?nèi)f化。銀行如何與這兩類客戶同步建立起長(zhǎng)期、深層次的信任關(guān)系,事關(guān)銀行的發(fā)展未來(lái)。
3、開放生態(tài)
數(shù)字化讓銀行走向了開放銀行的路線。以招商銀行為例,截至2021年6月底銀行App累計(jì)用戶1.58億,月活用戶6140.69萬(wàn),接入了幾十種場(chǎng)景,覆蓋人們的衣食住行。工商銀行“工銀聚富”平臺(tái),通過(guò)開放API對(duì)接電商、物流等場(chǎng)景,2023年累計(jì)服務(wù)小微企業(yè)超50萬(wàn)家,貸款余額突破800億元。
銀行從剛開始的單一數(shù)據(jù)共享向場(chǎng)景金融、生態(tài)共建演進(jìn),但在開放生態(tài)的環(huán)境中,系統(tǒng)煙囪、數(shù)據(jù)壁壘仍在:營(yíng)銷、風(fēng)控、運(yùn)營(yíng)各跑各的模型,數(shù)據(jù)口徑不一, 這些數(shù)字墻成為了銀行發(fā)展的剛性約束。
數(shù)字化建設(shè)已經(jīng)棋過(guò)中場(chǎng),初步完成了它的歷史使命,當(dāng)下,銀行遇到的新挑戰(zhàn),需要尋找一套新的解決思路了。
銀行新的轉(zhuǎn)型
大模型和智能體是最佳跳板
銀行推動(dòng)智能化的時(shí)間比很多人想象中要早,大概在2013年前后,深度學(xué)習(xí)技術(shù)剛剛大放異彩,一些嗅覺(jué)敏銳的銀行就開始“嘗鮮”了。但在早期,所謂的智能化只是單點(diǎn)的算法優(yōu)化,就像一個(gè)單項(xiàng)運(yùn)動(dòng)的運(yùn)動(dòng)員,只能用于特定任務(wù)。比如用于人臉識(shí)別的OCR,或者搭建營(yíng)銷模型、風(fēng)控模型等。但它們彼此割裂,無(wú)法形成協(xié)同效應(yīng),更無(wú)法真正“理解”業(yè)務(wù)。
而大模型和智能體的橫空出世,驚艷了世界的同時(shí),也為銀行帶來(lái)了新的氣象。
天創(chuàng)信用聯(lián)合創(chuàng)始人趙千里認(rèn)為,大模型有強(qiáng)大的非結(jié)構(gòu)化數(shù)據(jù)的分析能力,以及對(duì)于多模態(tài)數(shù)據(jù)的解析能力。“金融領(lǐng)域沉淀了大量的非結(jié)構(gòu)化數(shù)據(jù),在傳統(tǒng)算法模式下這些數(shù)據(jù)很難被有效利用?;诖竽P?,我們可以從這些非結(jié)構(gòu)化信息中挖掘某些新特征。把這些新特征與傳統(tǒng)算法進(jìn)行結(jié)合,就能對(duì)風(fēng)控模型進(jìn)行極大優(yōu)化。同時(shí),大模型強(qiáng)大的解析和生成能力,能夠?qū)鹘y(tǒng)的靜態(tài)畫像升級(jí)為動(dòng)態(tài)、實(shí)時(shí)畫像。那么金融機(jī)構(gòu),就可以得到一個(gè)更接近于企業(yè)當(dāng)前狀態(tài)的信用狀況。”
數(shù)勢(shì)科技數(shù)據(jù)智能產(chǎn)品總經(jīng)理岑潤(rùn)哲則表示:“大模型帶來(lái)了兩個(gè)層面的革命,一是交互革命。從GUI(圖形用戶界面)到LUI(語(yǔ)言用戶界面),大大降低了業(yè)務(wù)人員使用數(shù)字工具的門檻;二是價(jià)值創(chuàng)造。大模型拓寬了價(jià)值創(chuàng)造的深度。原來(lái)數(shù)字化只能讓銀行做好what。有了大模型和智能體,我們可以在將能力延展到why和how。”
目前銀行布局AI大模型主要的應(yīng)用落地場(chǎng)景有兩類。
一類是對(duì)內(nèi)部,比如用于會(huì)議紀(jì)要、授信報(bào)告關(guān)鍵信息提取、代碼自動(dòng)化生成等日常辦公輔助工作,以及用于數(shù)據(jù)分析、風(fēng)險(xiǎn)管理、用戶運(yùn)營(yíng)等決策分析類場(chǎng)景。
另一類面向外部,AI大模型直接面向客戶服務(wù),創(chuàng)造收益。比如零售信貸或財(cái)富管理業(yè)務(wù)。
當(dāng)前,我們看到很多銀行接入了各類大模型,但單純接入大模型或搭建開源平臺(tái),并不產(chǎn)生實(shí)際業(yè)務(wù)價(jià)值,這也是困擾銀行的一個(gè)問(wèn)題。畢竟大模型的投入是一筆不小的開支,很多項(xiàng)目大部分都淪為了“領(lǐng)導(dǎo)展示”工程。除了給領(lǐng)導(dǎo)考察的時(shí)候演示之外,并沒(méi)有產(chǎn)生實(shí)際價(jià)值。
大模型在銀行系統(tǒng)落地,主要面臨三個(gè)方面的挑戰(zhàn)。
1、數(shù)據(jù)孤島問(wèn)題
銀行體量很大、場(chǎng)景很多,內(nèi)部數(shù)據(jù)孤島的問(wèn)題也很嚴(yán)重。不同部門之間,數(shù)據(jù)質(zhì)量和數(shù)據(jù)治理水平參差不齊。
2、安全和權(quán)限問(wèn)題
銀行以強(qiáng)監(jiān)管、嚴(yán)監(jiān)管著稱,在很多場(chǎng)景下,AI的輸出結(jié)果需要具備可解釋性。大模型整個(gè)推理鏈路要實(shí)現(xiàn)“白盒化”和“可視化”。比如說(shuō)每個(gè)指標(biāo)的選取邏輯是什么,每一次查詢的依據(jù)在哪,都清晰地展現(xiàn)出來(lái)。保證銀行從結(jié)果回溯到原因,每一次的查詢,從過(guò)程到結(jié)果都是可信的。
銀行還涉及到權(quán)限的問(wèn)題。在現(xiàn)實(shí)中,一個(gè)基礎(chǔ)行員是沒(méi)辦法獲取全行的財(cái)務(wù)情況的,只有行長(zhǎng)或分支行長(zhǎng)才能夠了解一些核心指標(biāo)。這樣的話,在設(shè)計(jì)智能體的任務(wù)流程時(shí),必須考慮到不同角色的權(quán)限因素。目前AI大模型應(yīng)用正在從效率提升逐步過(guò)渡到信貸、財(cái)富管理、金融市場(chǎng)交易等創(chuàng)造價(jià)值的核心業(yè)務(wù)中,但這類應(yīng)用能否落地的關(guān)鍵之一是權(quán)責(zé)劃分。
3、幻覺(jué)
大模型在開放性話題中存在“一本正經(jīng)地胡說(shuō)八道”的“幻覺(jué)”問(wèn)題。趙千里表示:“大模型無(wú)法直接得出一個(gè)信用評(píng)分,它在推理上始終存在幻覺(jué)問(wèn)題。”
面對(duì)這些問(wèn)題,怎么能夠讓銀行真正把大模型高效的利用起來(lái)呢?
1、以用促治:不貪大求全,由小及大
數(shù)勢(shì)科技岑潤(rùn)哲認(rèn)為,面對(duì)數(shù)據(jù)孤島的問(wèn)題,當(dāng)前不急著上來(lái)就建一個(gè)全行級(jí)的平臺(tái),可以先從局部入手,慢慢擴(kuò)展到其他部門。以數(shù)據(jù)分析的場(chǎng)景為例,我們可以先做好領(lǐng)導(dǎo)的駕駛艙?;蛘邚膶?duì)公貸款的場(chǎng)景做起,先把這個(gè)場(chǎng)景下100個(gè)指標(biāo)幾十個(gè)維度梳理好,讓AI大模型和智能體學(xué)會(huì)分析對(duì)公業(yè)務(wù)。而不是上來(lái)讓大模型把全行幾千、上萬(wàn)個(gè)指標(biāo)治理好,再做應(yīng)用。我們稱之為 “以用促治”,用這種方式循序漸進(jìn)打破數(shù)據(jù)孤島,將大模型滲透到銀行的業(yè)務(wù)中。
2、大小模型協(xié)同:大小搭配,科學(xué)分工
大小模型架構(gòu)的協(xié)同,有兩個(gè)主要優(yōu)勢(shì)。首先就是緩解幻覺(jué)問(wèn)題,比如在數(shù)據(jù)分析的場(chǎng)景下,數(shù)勢(shì)科技通過(guò)大小模型協(xié)同,以及指標(biāo)語(yǔ)義層的配合,能夠有效解決取數(shù)的幻覺(jué)問(wèn)題。“用戶用自然語(yǔ)言描述需求,大模型做意圖解析,把任務(wù)分拆底層的指標(biāo)語(yǔ)義匹配,到指標(biāo)引擎執(zhí)行是小模型去做的。這種方式既可以發(fā)揮大模型對(duì)于語(yǔ)義理解的優(yōu)勢(shì),又能夠通過(guò)指標(biāo)語(yǔ)義以及歸因小模型的配合,讓數(shù)據(jù)查詢準(zhǔn)確率更高,生成報(bào)表的準(zhǔn)確率也更高” 岑潤(rùn)哲表示。
大小模型的協(xié)同還有一個(gè)重要優(yōu)勢(shì),就是成本。小模型在聚類分析等任務(wù)上效率高、準(zhǔn)確率高并且成本較低,語(yǔ)義深度理解、跨上下文關(guān)聯(lián)則是大模型的強(qiáng)項(xiàng)。大小模型的協(xié)作,能達(dá)到效果與性價(jià)比的平衡。
“場(chǎng)景決定了模型的配置。” 容聯(lián)云大模型產(chǎn)品負(fù)責(zé)人唐興才表示。
以智能客服為例,在618或者雙十一期間,銀行客服會(huì)迎來(lái)用戶咨詢的高峰。如果用戶咨詢的是常規(guī)話題,就可以用小模型解決:去FAQ庫(kù)快速匹配。如果遇到的是非常規(guī)問(wèn)題,就結(jié)合大模型做上下文語(yǔ)義理解和個(gè)性化回復(fù)。同時(shí),常規(guī)與不常規(guī)不是一成不變的。“比如我們利用模型幫助銀行優(yōu)化,其中30%的客戶問(wèn)題是非常規(guī)問(wèn)題,系統(tǒng)會(huì)分析其共性規(guī)律、并形成標(biāo)準(zhǔn)應(yīng)對(duì)話術(shù),經(jīng)人工審核后納入FAQ庫(kù),這樣一來(lái)非常規(guī)的問(wèn)題就變成了常規(guī)問(wèn)題。循環(huán)往復(fù)之下,系統(tǒng)的“常規(guī)問(wèn)題”會(huì)越來(lái)越豐富,效率會(huì)形成滾動(dòng)提升的態(tài)勢(shì)。”容聯(lián)云大模型負(fù)責(zé)人唐興才說(shuō)。
3、嵌入場(chǎng)景:不是“AI+業(yè)務(wù)”,而是“業(yè)務(wù)×AI”
不要讓AI成為你唯一的焦點(diǎn),它只是手段,而不是目的。
這是天創(chuàng)信用趙千里對(duì)大模型應(yīng)用的一個(gè)觀點(diǎn)。“想要大模型發(fā)揮作用,必須將它嵌入到銀行業(yè)務(wù)流程之中,除了AI之外,包括大數(shù)據(jù)分析、規(guī)則引擎、甚至人的經(jīng)驗(yàn)都要充分結(jié)合”。
趙千里舉了一個(gè)案例,這是在營(yíng)銷場(chǎng)景上,天創(chuàng)信用為銀行提供的方案。天創(chuàng)信用首先利用大數(shù)據(jù)建模,構(gòu)建營(yíng)銷意向分對(duì)客戶分層,識(shí)別出高潛力客戶。把潛在用戶吸引過(guò)來(lái)后,再結(jié)合大模型制定觸達(dá)策略,完成客戶轉(zhuǎn)化。
“傳統(tǒng)營(yíng)銷策略比較依賴人工,規(guī)則也比較簡(jiǎn)單。在生成階段,我們正探索大模型生成策略的模式。利用大模型在短時(shí)間批量生成營(yíng)銷策略,我們?cè)倮脤?duì)照組反復(fù)驗(yàn)證和迭代優(yōu)化,經(jīng)過(guò)篩選,最終沉淀出一批最優(yōu)策略。在執(zhí)行階段,利用大模型優(yōu)化營(yíng)銷話術(shù),針對(duì)不同客戶群體的特征,精準(zhǔn)制定觸達(dá)渠道、話術(shù)、態(tài)度等策略,推動(dòng)客戶的轉(zhuǎn)化效率”。
嵌入場(chǎng)景并非只是在單一的封閉空間內(nèi)展開,在一個(gè)開放的生態(tài)中,大模型也能有機(jī)的融合進(jìn)去。
天創(chuàng)信用以地方產(chǎn)業(yè)園為抓手,比如長(zhǎng)沙高新區(qū),把不同類型的幾萬(wàn)家企業(yè)聚攏在一起,與當(dāng)?shù)氐你y行合作,打造園區(qū)的信用管理平臺(tái),用智能手段為中小企業(yè)做信用的量化評(píng)估。
中小企業(yè)融資是世界性難題,中小企業(yè)數(shù)據(jù)散、小、亂,缺乏完整的財(cái)務(wù)信息。天創(chuàng)信用通過(guò)打造數(shù)據(jù)生態(tài),把不同數(shù)據(jù)源的數(shù)據(jù)如稅務(wù)、發(fā)票,銷售數(shù)據(jù),水電數(shù)據(jù)等,聚攏在一起。同時(shí),小微企業(yè)還有很多非結(jié)構(gòu)化的數(shù)據(jù),例如手寫的票據(jù)、紙質(zhì)憑證?;诖竽P秃椭悄茱L(fēng)控手段,能夠高效識(shí)別、整合和挖掘這些結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù),形成企業(yè)動(dòng)態(tài)更新的信用報(bào)告和信用評(píng)級(jí)?;谄脚_(tái),跟當(dāng)?shù)氐慕鹑跈C(jī)構(gòu)如浦發(fā)銀行的長(zhǎng)沙分行合作,用信用架起企業(yè)和金融機(jī)構(gòu)合作的橋梁。
4、智能體框架:不只把它看成工具,要把它當(dāng)成同事
Deepseek是一個(gè)轉(zhuǎn)折點(diǎn)。此前很多銀行和科技公司不惜重金投向模型層面,但Deepseek問(wèn)世后很多機(jī)構(gòu)紛紛轉(zhuǎn)向:當(dāng)下最重要的是讓大模型更好發(fā)揮價(jià)值,而不是打造一個(gè)更好的大模型。
AI Agent成為了大模型落地銀行業(yè)務(wù)的新樞紐。國(guó)有大行投入百億級(jí)資金自研大模型,如工商銀行企業(yè)級(jí)千億金融大模型“工銀智涌”,賦能20多類業(yè)務(wù)、200余個(gè)場(chǎng)景。為每個(gè)崗位打造專屬AI助手,構(gòu)建端到端的一體化智能體生態(tài)。交通銀行打造設(shè)計(jì)中心、知識(shí)中心等五大功能模塊的智能體平臺(tái),支持自然語(yǔ)言交互和可視化“拖拉拽”模式編排智能體,還提供預(yù)制“橫控鏈”“實(shí)時(shí)庫(kù)”等。微眾銀行設(shè)計(jì)“多Agent協(xié)同”框架,通過(guò)任務(wù)分解解決大模型幻覺(jué)問(wèn)題……
銀行之所以加大智能體的應(yīng)用,其本質(zhì)在于智能體的核心價(jià)值。智能體的價(jià)值不僅在于單點(diǎn)工具替代,而是通過(guò)任務(wù)分解、多智能體協(xié)作與工具調(diào)用,實(shí)現(xiàn)技術(shù)與業(yè)務(wù)的匹配。同時(shí)還能激活“知識(shí)”這樣的隱形資產(chǎn),解決大模型的幻覺(jué)問(wèn)題。
諸葛智能的智能業(yè)務(wù)分析一本通DataInsight Agent,基于用戶行為與業(yè)務(wù)數(shù)據(jù),融合預(yù)訓(xùn)練行業(yè)知識(shí)庫(kù),以及行業(yè)分析指標(biāo)體系、歷史最佳分析實(shí)踐等,并通過(guò)監(jiān)督微調(diào)、強(qiáng)化學(xué)習(xí)、自動(dòng)標(biāo)注實(shí)現(xiàn)持續(xù)進(jìn)化,實(shí)現(xiàn)了從數(shù)據(jù)到洞察的自動(dòng)化升級(jí)。
傳統(tǒng)的數(shù)據(jù)分析工具依賴人工設(shè)置分析邏輯,而諸葛智能一本通首先對(duì)分析目標(biāo)進(jìn)行多維度拆解,確定關(guān)鍵分析節(jié)點(diǎn);隨后自動(dòng)匹配適當(dāng)?shù)姆治瞿P停ㄈ鐨w因分析、聚類算法等),并在關(guān)鍵分析節(jié)點(diǎn)引入人為控制,整體目標(biāo)和節(jié)點(diǎn)都會(huì)要求確認(rèn);最終根據(jù)業(yè)務(wù)場(chǎng)景需求,智能生成結(jié)構(gòu)化報(bào)告(表格、摘要或可視化圖表)。這種架構(gòu)設(shè)計(jì)使智能體能夠模擬專業(yè)分析師的核心工作流程。
“整個(gè)作業(yè)過(guò)程中,我們把智能體看做一個(gè)985的畢業(yè)生,是一個(gè)可塑之才。” 諸葛智能CTO文革表示。
諸葛智能從多個(gè)維度去訓(xùn)練這個(gè)“可塑之才”。
反饋閉環(huán)系統(tǒng):銀行的分析人員可對(duì)一本通輸出的結(jié)果做校正,校正的過(guò)程,就是智能體學(xué)習(xí)的過(guò)程。循環(huán)往復(fù)之下,準(zhǔn)確性會(huì)螺旋上升。同時(shí),一本通會(huì)基于不同維度構(gòu)建獎(jiǎng)勵(lì)評(píng)估數(shù)據(jù),依靠大模型的自學(xué)習(xí)能力,人工對(duì)于不同結(jié)果的價(jià)值度進(jìn)行獎(jiǎng)勵(lì)或放棄,智能體在這個(gè)基礎(chǔ)上形成經(jīng)驗(yàn)沉淀。在這種模式下,一本通事實(shí)上已經(jīng)脫離了工具的屬性。
語(yǔ)義對(duì)齊技術(shù):企業(yè)內(nèi)部懂科技又懂業(yè)務(wù)還對(duì)政策有關(guān)注的人少之又少,造成很多指標(biāo)體系不統(tǒng)一,數(shù)據(jù)源口徑不一致,這是可以統(tǒng)一后提效的。一本通基于大模型內(nèi)置的行業(yè)知識(shí)和深度語(yǔ)義理解能力,會(huì)在業(yè)務(wù)員提出訴求的時(shí)候進(jìn)一步確認(rèn)分析結(jié)果和目標(biāo),實(shí)現(xiàn)指標(biāo)和口徑的對(duì)齊。
知識(shí)沉淀機(jī)制:一家上規(guī)模的商業(yè)銀行,需要數(shù)百名分析師作為業(yè)務(wù)支撐,但是很多銀行養(yǎng)不起這樣一支奢侈的團(tuán)隊(duì)。在一本通的輔助下,不僅可以大幅增加分析師的作業(yè)效率,個(gè)體分析師的優(yōu)化經(jīng)驗(yàn)還可以橫向復(fù)用到同類業(yè)務(wù)場(chǎng)景。比如說(shuō),某城商行業(yè)務(wù)分析員A,用諸葛智能的智能體做業(yè)務(wù)分析,但是分析結(jié)果出來(lái)后,跟業(yè)務(wù)人員的判斷有一定的分歧,那么業(yè)務(wù)人員會(huì)做認(rèn)可或不認(rèn)可的標(biāo)注、智能體會(huì)去捕捉行為并反哺到模型訓(xùn)練中。以后遇到同類型的問(wèn)題的時(shí)候,就能接收優(yōu)化后的結(jié)果了。
當(dāng) AI 成為“數(shù)字員工”,
銀行智能化的范式將如何改寫?
當(dāng)前,大模型在銀行的滲透速度非??欤絹?lái)越多的銀行將AI大模型應(yīng)用到核心業(yè)務(wù)中。銀行正在努力擺脫對(duì)單一大模型的依賴,將目光放在構(gòu)建“自主平臺(tái)+場(chǎng)景深耕+生態(tài)共建”三位一體的AI賦能體系上。一些新的合作模式正在悄然發(fā)生。
銀行與科技服務(wù)商的關(guān)系,不再是簡(jiǎn)單的甲乙兩方。大模型需要不斷迭代,更多數(shù)據(jù)的訓(xùn)練,在場(chǎng)景落地反饋,進(jìn)而形成一種循環(huán)。而且,大模型的迭代速度更快,傳統(tǒng)軟件的迭代周期是以半年計(jì),大模型則是以月為單位快速進(jìn)化,在這種高頻率、強(qiáng)交互的模式下,科技企業(yè)與銀行會(huì)形成一種共生關(guān)系。
同時(shí),智能體在銀行的應(yīng)用正在會(huì)從單一智能體向智能體群進(jìn)化。比如說(shuō),數(shù)勢(shì)科技提供的是數(shù)據(jù)分析智能體,天創(chuàng)信用提供風(fēng)控智能體,容聯(lián)云提供質(zhì)檢智能體、諸葛智能提供的分析智能體。各家提供的都是獨(dú)立的一套系統(tǒng),將來(lái)勢(shì)必要整合在一起,就像復(fù)雜的工作需要多人的協(xié)作一樣,復(fù)雜任務(wù)也需要多個(gè)智能體分工配合。A智能體的記憶可以被分享和傳遞到B和C,C智能體遇到的問(wèn)題可能反饋給D,形成"任務(wù)接力"的機(jī)制。
面對(duì)新的發(fā)展形勢(shì),銀行都要完成一次思維的升級(jí),智能體不單是一個(gè)工具,我們要把它當(dāng)“人”看。銀行要把智能體當(dāng)成剛?cè)肼毜?ldquo;數(shù)字員工”,銀行要做的不是“買軟件”,而是招一個(gè)持續(xù)成長(zhǎng)的"數(shù)據(jù)員工":
·給他配電腦(算力);
·帶他熟悉業(yè)務(wù)(數(shù)據(jù)、場(chǎng)景);
·給他定KPI(價(jià)值評(píng)估);
·允許他犯錯(cuò)、持續(xù)培訓(xùn)(迭代優(yōu)化)。
而科技公司的角色則變成了培養(yǎng)數(shù)字人才的大學(xué),為銀行提供985級(jí)別的"數(shù)字人才",并告訴銀行這名“數(shù)字員工”的能力邊界在哪,有哪些潛力可挖,用什么方式去更好地訓(xùn)練這名員工。
在收費(fèi)模式上,我們也可以大膽做個(gè)猜想。當(dāng)前比較流行的項(xiàng)目制、SaaS收費(fèi)模式可能會(huì)慢慢轉(zhuǎn)向"員工租賃+能力訂閱",價(jià)值評(píng)估標(biāo)準(zhǔn)從功能實(shí)現(xiàn)變?yōu)閮r(jià)值實(shí)現(xiàn)。
在將來(lái),智能體作為新一代的打工人,不僅要為效率負(fù)責(zé),還要直接為收益負(fù)責(zé)。這也將是銀行選擇合作伙伴或技術(shù)產(chǎn)品的重要衡量標(biāo)準(zhǔn)。
來(lái)源:數(shù)據(jù)猿
刷新相關(guān)文章
我要評(píng)論
不容錯(cuò)過(guò)的資訊
-
1百度文庫(kù)網(wǎng)盤發(fā)布全球首個(gè)全端通用智能體
-
2中國(guó)空間站首次應(yīng)用專業(yè)領(lǐng)域AI大模型;Ch
-
38個(gè)月產(chǎn)出三億個(gè)視頻,用戶覆蓋超200+國(guó)
-
4重磅!康迪科技獲寧德時(shí)代首個(gè)重卡換電站
-
5同泰怡馬澤:全國(guó)產(chǎn)AI大模型一體機(jī)亮相,
-
6蜜度三大AI新品驚艷2025WAIC “辦公智能
-
7三歲的隱語(yǔ):一個(gè)開源社區(qū)的技術(shù)堅(jiān)守與進(jìn)
-
8“用友BIP 5”重磅發(fā)布,讓AI在企業(yè)應(yīng)用
-
9谷歌與美航天局聯(lián)合開發(fā)AI太空醫(yī)生;快手
-
10智聯(lián)招聘聯(lián)合北大國(guó)發(fā)院舉辦“人機(jī)共生:
大數(shù)據(jù)企業(yè)推薦more >
大家都在搜
