大數據產業創新服務媒體

——聚焦數據 · 改變商業

有多少人知道，我國銀行手工記賬全面被電子記賬替代發生在哪一年？答案是2018年——中國農業銀行西藏自治區分行最后一批114個手工作業營業網點，完成電子化聯網。這件事不大，但非要賦予一個意義，那這就是中國銀行數字化轉型的一個縮影。話說有一年，外賓參觀人民銀行營業部，走進大廳，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，“怎么還不用電腦？”這一看似魔幻的一幕，就發生在上世紀七十年代初。

而到了2025年的今天，別說聽不到算盤聲了，連營業廳的大堂經理都開始被AI數字人代替了。試著回憶一下，你上一次去銀行網點是什么時候？是不是感覺已經很久遠了。那就對了，現在，打營銷電話的是AI，在線客服是AI，審核貸款資質的是AI，提醒你信用卡還款的還是AI……銀行數字化搞了這么多年，砸了這么多錢，就是為了讓你能夠“少往銀行跑”。

經過幾十年、幾代金融人的努力，數字化建設成果斐然。但現在單講數字化已經無法滿足銀行的需求了，翻開2024年一些上市銀行的財報，幾乎被AI、大模型、智能體這三個詞組霸屏。國有大行和股份制銀行已全面啟動大模型應用建設，并在前、中、后臺推進應用的落地。作為數據密集、場景密集、應用密集的行業，銀行天然與大模型適配，銀行正以AI為核心抓手，啟動下一個階段的進化。數據猿走訪天創信用、數勢科技、容聯云、諸葛智能等多家深度服務銀行機構的科技企業，試圖回答三個關鍵命題：1.銀行為什么必須完成“從數字化到智能化”的驚險一躍？

2.大模型與智能體如何在風控、營銷、運營等核心場景落地？

3.當AI成為“數字員工”，銀行與AI的合作范式將如何重寫？

“從數字化到智能化”的驚險一躍當我們打開歷史的卷軸，會發現銀行的數字化轉型，就是一場“線上大遷徙”。1979年，國務院批準引入IBM大型機，中國銀行香港分行率先使用。80年代開始進入PC單機時代，也稱為“會計電算化”。隨著中國改革開放的深入，銀行的信息化建設隨之提速。移動互聯網時代的到來是又一個重要節點， 2014年雙十一，支付寶支付峰值達到了驚人的285萬筆/分鐘。 當時，有銀行主管科技口的領導感慨，這么大的并發如果換做我們，系統會崩掉。而崩塌的不只是系統，還有銀行對于“渠道”的自信。2014年微信紅包“偷襲”春節，那一年銀行轉賬業務驟降。與此同時，各類互聯網金融大規模涌現。銀行猛然驚覺，他們的對手不只是另一家銀行，在新一代數字技術生長起來的新企業和新模式，也開始跨界競爭了。這是歷史上從未發生過的事情。一開始銀行有些發懵，但很快驚醒過來，從被動防御展開主動反擊。銀行通過自建技術自研（如成立了金融科技子公司）、聯合科技公司（如BAT）的模式，一方面收獲了前所未有的流量與數據，另一方面吸收引進了分布式數據庫、大數據風控、云計算、機器學習等新一代數字科技。過去，人們辦理銀行業務，得親自跑到銀行柜臺，拿著號，排著長隊，填各種表單，等待兩三個小時后，才能見到柜臺業務人員，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。有時候就感覺，我銀行卡里的那點錢都對不起這一套流程。隨著銀行各個業務線數字化改造的完成，風控審批、轉賬匯款、賬戶查詢……這些原本需要跑腿的業務，普通用戶只需在手機上動動手指，就能輕松搞定。

就像《BANK 4.0》所說的，“金融常在，銀行不在”。經過波瀾壯闊的數字化改造，銀行產生了很多顯著的變化。

1、去網點化2025年上半年，累計約有2677家商業銀行的線下網點“關門停業”。那些矗立在大街小巷的物理網點已經不是銀行的“全部形象”了，除此之外，線上還有一個“銀行”，“云中”還有一個銀行，地上、線上和云中“三個”銀行在數字化的串聯下同生共長。如何同時管理好并利用好“三個”銀行，成為當前銀行業面臨的新課題。

2、客戶生態變化銀行客戶已經見頂了。據權威統計顯示，截至2024年末，全國信用卡和借貸合一卡開立7.27億張，較2023年末減少約4000萬張，同比下降5.14%。同時，數字化也讓客戶的形態發生了改變，形成了接觸型客戶和數字型客戶兩類客戶并存的格局。客戶無處不在，但又不常見面；客戶的需求個性化十足，同時又千變萬化。銀行如何與這兩類客戶同步建立起長期、深層次的信任關系，事關銀行的發展未來。

3、開放生態數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累計用戶1.58億，月活用戶6140.69萬，接入了幾十種場景，覆蓋人們的衣食住行。工商銀行“工銀聚富”平臺，通過開放API對接電商、物流等場景，2023年累計服務小微企業超50萬家，貸款余額突破800億元。銀行從剛開始的單一數據共享向場景金融、生態共建演進，但在開放生態的環境中，系統煙囪、數據壁壘仍在：營銷、風控、運營各跑各的模型，數據口徑不一， 這些數字墻成為了銀行發展的剛性約束。數字化建設已經棋過中場，初步完成了它的歷史使命，當下，銀行遇到的新挑戰，需要尋找一套新的解決思路了。銀行新的轉型大模型和智能體是最佳跳板銀行推動智能化的時間比很多人想象中要早，大概在2013年前后，深度學習技術剛剛大放異彩，一些嗅覺敏銳的銀行就開始“嘗鮮”了。但在早期，所謂的智能化只是單點的算法優化，就像一個單項運動的運動員，只能用于特定任務。比如用于人臉識別的OCR，或者搭建營銷模型、風控模型等。但它們彼此割裂，無法形成協同效應，更無法真正“理解”業務。而大模型和智能體的橫空出世，驚艷了世界的同時，也為銀行帶來了新的氣象。天創信用聯合創始人趙千里認為，大模型有強大的非結構化數據的分析能力，以及對于多模態數據的解析能力。“金融領域沉淀了大量的非結構化數據，在傳統算法模式下這些數據很難被有效利用。基于大模型，我們可以從這些非結構化信息中挖掘某些新特征。把這些新特征與傳統算法進行結合，就能對風控模型進行極大優化。同時，大模型強大的解析和生成能力，能夠將傳統的靜態畫像升級為動態、實時畫像。那么金融機構，就可以得到一個更接近于企業當前狀態的信用狀況。”數勢科技數據智能產品總經理岑潤哲則表示：“大模型帶來了兩個層面的革命，一是交互革命。從GUI（圖形用戶界面）到LUI（語言用戶界面），大大降低了業務人員使用數字工具的門檻；

二是價值創造。大模型拓寬了價值創造的深度。原來數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大模型主要的應用落地場景有兩類。一類是對內部，比如用于會議紀要、授信報告關鍵信息提取、代碼自動化生成等日常辦公輔助工作，以及用于數據分析、風險管理、用戶運營等決策分析類場景。另一類面向外部，AI大模型直接面向客戶服務，創造收益。比如零售信貸或財富管理業務。當前，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，并不產生實際業務價值，這也是困擾銀行的一個問題。畢竟大模型的投入是一筆不小的開支，很多項目大部分都淪為了“領導展示”工程。除了給領導考察的時候演示之外，并沒有產生實際價值。大模型在銀行系統落地，主要面臨三個方面的挑戰。

1、數據孤島問題銀行體量很大、場景很多，內部數據孤島的問題也很嚴重。不同部門之間，數據質量和數據治理水平參差不齊。

2、安全和權限問題銀行以強監管、嚴監管著稱，在很多場景下，AI的輸出結果需要具備可解釋性。大模型整個推理鏈路要實現“白盒化”和“可視化”。比如說每個指標的選取邏輯是什么，每一次查詢的依據在哪，都清晰地展現出來。保證銀行從結果回溯到原因，每一次的查詢，從過程到結果都是可信的。銀行還涉及到權限的問題。在現實中，一個基礎行員是沒辦法獲取全行的財務情況的，只有行長或分支行長才能夠了解一些核心指標。這樣的話，在設計智能體的任務流程時，必須考慮到不同角色的權限因素。目前AI大模型應用正在從效率提升逐步過渡到信貸、財富管理、金融市場交易等創造價值的核心業務中，但這類應用能否落地的關鍵之一是權責劃分。

3、幻覺大模型在開放性話題中存在“一本正經地胡說八道”的“幻覺”問題。趙千里表示：“大模型無法直接得出一個信用評分，它在推理上始終存在幻覺問題。”面對這些問題，怎么能夠讓銀行真正把大模型高效的利用起來呢？

1、以用促治：不貪大求全，由小及大數勢科技岑潤哲認為，面對數據孤島的問題，當前不急著上來就建一個全行級的平臺，可以先從局部入手，慢慢擴展到其他部門。以數據分析的場景為例，我們可以先做好領導的駕駛艙。或者從對公貸款的場景做起，先把這個場景下100個指標幾十個維度梳理好，讓AI大模型和智能體學會分析對公業務。而不是上來讓大模型把全行幾千、上萬個指標治理好，再做應用。我們稱之為 “以用促治”，用這種方式循序漸進打破數據孤島，將大模型滲透到銀行的業務中。

2、大小模型協同：大小搭配，科學分工大小模型架構的協同，有兩個主要優勢。首先就是緩解幻覺問題，比如在數據分析的場景下，數勢科技通過大小模型協同，以及指標語義層的配合，能夠有效解決取數的幻覺問題。“用戶用自然語言描述需求，大模型做意圖解析，把任務分拆底層的指標語義匹配，到指標引擎執行是小模型去做的。這種方式既可以發揮大模型對于語義理解的優勢，又能夠通過指標語義以及歸因小模型的配合，讓數據查詢準確率更高，生成報表的準確率也更高” 岑潤哲表示。大小模型的協同還有一個重要優勢，就是成本。小模型在聚類分析等任務上效率高、準確率高并且成本較低，語義深度理解、跨上下文關聯則是大模型的強項。大小模型的協作，能達到效果與性價比的平衡。“場景決定了模型的配置。” 容聯云大模型產品負責人唐興才表示。以智能客服為例，在618或者雙十一期間，銀行客服會迎來用戶咨詢的高峰。如果用戶咨詢的是常規話題，就可以用小模型解決：去FAQ庫快速匹配。如果遇到的是非常規問題，就結合大模型做上下文語義理解和個性化回復。同時，常規與不常規不是一成不變的。“比如我們利用模型幫助銀行優化，其中30%的客戶問題是非常規問題，系統會分析其共性規律、并形成標準應對話術，經人工審核后納入FAQ庫，這樣一來非常規的問題就變成了常規問題。循環往復之下，系統的“常規問題”會越來越豐富，效率會形成滾動提升的態勢。”容聯云大模型負責人唐興才說。

3、嵌入場景：不是“AI+業務”，而是“業務×AI”不要讓AI成為你唯一的焦點，它只是手段，而不是目的。這是天創信用趙千里對大模型應用的一個觀點。“想要大模型發揮作用，必須將它嵌入到銀行業務流程之中，除了AI之外，包括大數據分析、規則引擎、甚至人的經驗都要充分結合”。趙千里舉了一個案例，這是在營銷場景上，天創信用為銀行提供的方案。天創信用首先利用大數據建模，構建營銷意向分對客戶分層，識別出高潛力客戶。把潛在用戶吸引過來后，再結合大模型制定觸達策略，完成客戶轉化。“傳統營銷策略比較依賴人工，規則也比較簡單。在生成階段，我們正探索大模型生成策略的模式。利用大模型在短時間批量生成營銷策略，我們再利用對照組反復驗證和迭代優化，經過篩選，最終沉淀出一批最優策略。在執行階段，利用大模型優化營銷話術，針對不同客戶群體的特征，精準制定觸達渠道、話術、態度等策略，推動客戶的轉化效率”。嵌入場景并非只是在單一的封閉空間內展開，在一個開放的生態中，大模型也能有機的融合進去。天創信用以地方產業園為抓手，比如長沙高新區，把不同類型的幾萬家企業聚攏在一起，與當地的銀行合作，打造園區的信用管理平臺，用智能手段為中小企業做信用的量化評估。中小企業融資是世界性難題，中小企業數據散、小、亂，缺乏完整的財務信息。天創信用通過打造數據生態，把不同數據源的數據如稅務、發票，銷售數據，水電數據等，聚攏在一起。同時，小微企業還有很多非結構化的數據，例如手寫的票據、紙質憑證。基于大模型和智能風控手段，能夠高效識別、整合和挖掘這些結構化和非結構化的數據，形成企業動態更新的信用報告和信用評級。基于平臺，跟當地的金融機構如浦發銀行的長沙分行合作，用信用架起企業和金融機構合作的橋梁。

4、智能體框架：不只把它看成工具，要把它當成同事Deepseek是一個轉折點。此前很多銀行和科技公司不惜重金投向模型層面，但Deepseek問世后很多機構紛紛轉向：當下最重要的是讓大模型更好發揮價值，而不是打造一個更好的大模型。AI Agent成為了大模型落地銀行業務的新樞紐。國有大行投入百億級資金自研大模型，如工商銀行企業級千億金融大模型“工銀智涌”，賦能20多類業務、200余個場景。為每個崗位打造專屬AI助手，構建端到端的一體化智能體生態。交通銀行打造設計中心、知識中心等五大功能模塊的智能體平臺，支持自然語言交互和可視化“拖拉拽”模式編排智能體，還提供預制“橫控鏈”“實時庫”等。微眾銀行設計“多Agent協同”框架，通過任務分解解決大模型幻覺問題……銀行之所以加大智能體的應用，其本質在于智能體的核心價值。智能體的價值不僅在于單點工具替代，而是通過任務分解、多智能體協作與工具調用，實現技術與業務的匹配。同時還能激活“知識”這樣的隱形資產，解決大模型的幻覺問題。諸葛智能的智能業務分析一本通DataInsight Agent，基于用戶行為與業務數據，融合預訓練行業知識庫，以及行業分析指標體系、歷史最佳分析實踐等，并通過監督微調、強化學習、自動標注實現持續進化，實現了從數據到洞察的自動化升級。傳統的數據分析工具依賴人工設置分析邏輯，而諸葛智能一本通首先對分析目標進行多維度拆解，確定關鍵分析節點；隨后自動匹配適當的分析模型（如歸因分析、聚類算法等），并在關鍵分析節點引入人為控制，整體目標和節點都會要求確認；最終根據業務場景需求，智能生成結構化報告（表格、摘要或可視化圖表）。這種架構設計使智能體能夠模擬專業分析師的核心工作流程。“整個作業過程中，我們把智能體看做一個985的畢業生，是一個可塑之才。” 諸葛智能CTO文革表示。諸葛智能從多個維度去訓練這個“可塑之才”。反饋閉環系統：銀行的分析人員可對一本通輸出的結果做校正，校正的過程，就是智能體學習的過程。循環往復之下，準確性會螺旋上升。同時，一本通會基于不同維度構建獎勵評估數據，依靠大模型的自學習能力，人工對于不同結果的價值度進行獎勵或放棄，智能體在這個基礎上形成經驗沉淀。在這種模式下，一本通事實上已經脫離了工具的屬性。語義對齊技術：企業內部懂科技又懂業務還對政策有關注的人少之又少，造成很多指標體系不統一，數據源口徑不一致，這是可以統一后提效的。一本通基于大模型內置的行業知識和深度語義理解能力，會在業務員提出訴求的時候進一步確認分析結果和目標，實現指標和口徑的對齊。知識沉淀機制：一家上規模的商業銀行，需要數百名分析師作為業務支撐，但是很多銀行養不起這樣一支奢侈的團隊。在一本通的輔助下，不僅可以大幅增加分析師的作業效率，個體分析師的優化經驗還可以橫向復用到同類業務場景。比如說，某城商行業務分析員A，用諸葛智能的智能體做業務分析，但是分析結果出來后，跟業務人員的判斷有一定的分歧，那么業務人員會做認可或不認可的標注、智能體會去捕捉行為并反哺到模型訓練中。以后遇到同類型的問題的時候，就能接收優化后的結果了。當 AI 成為“數字員工”，銀行智能化的范式將如何改寫？當前，大模型在銀行的滲透速度非常快，越來越多的銀行將AI大模型應用到核心業務中。銀行正在努力擺脫對單一大模型的依賴，將目光放在構建“自主平臺+場景深耕+生態共建”三位一體的AI賦能體系上。一些新的合作模式正在悄然發生。銀行與科技服務商的關系，不再是簡單的甲乙兩方。大模型需要不斷迭代，更多數據的訓練，在場景落地反饋，進而形成一種循環。而且，大模型的迭代速度更快，傳統軟件的迭代周期是以半年計，大模型則是以月為單位快速進化，在這種高頻率、強交互的模式下，科技企業與銀行會形成一種共生關系。同時，智能體在銀行的應用正在會從單一智能體向智能體群進化。比如說，數勢科技提供的是數據分析智能體，天創信用提供風控智能體，容聯云提供質檢智能體、諸葛智能提供的分析智能體。各家提供的都是獨立的一套系統，將來勢必要整合在一起，就像復雜的工作需要多人的協作一樣，復雜任務也需要多個智能體分工配合。A智能體的記憶可以被分享和傳遞到B和C，C智能體遇到的問題可能反饋給D，形成"任務接力"的機制。面對新的發展形勢，銀行都要完成一次思維的升級，智能體不單是一個工具，我們要把它當“人”看。銀行要把智能體當成剛入職的“數字員工”，銀行要做的不是“買軟件”，而是招一個持續成長的"數據員工"：·給他配電腦（算力）；·帶他熟悉業務（數據、場景）；·給他定KPI（價值評估）；·允許他犯錯、持續培訓（迭代優化）。

而科技公司的角色則變成了培養數字人才的大學，為銀行提供985級別的"數字人才"，并告訴銀行這名“數字員工”的能力邊界在哪，有哪些潛力可挖，用什么方式去更好地訓練這名員工。在收費模式上，我們也可以大膽做個猜想。當前比較流行的項目制、SaaS收費模式可能會慢慢轉向"員工租賃+能力訂閱"，價值評估標準從功能實現變為價值實現。在將來，智能體作為新一代的打工人，不僅要為效率負責，還要直接為收益負責。這也將是銀行選擇合作伙伴或技術產品的重要衡量標準。