“銀行正經歷從數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——中國農業(yè)銀行西藏自治區(qū)分行最后一批114個手工作業(yè)營業(yè)網點，完成電子化聯(lián)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(yè)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(fā)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(yè)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(yè)，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(chuàng)信用、數勢科技、容聯(lián)云、諸葛智能等多家深度服務銀行機構的科技企業(yè)，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(fā)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(lián)網時代的到來是又一個重要節(jié)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(fā)如果換做我們，系統(tǒng)會崩掉。

而崩塌的不只是系統(tǒng)，還有銀行對于“渠道”的自信。2014年微信紅包“偷襲”春節(jié)，那一年銀行轉賬業(yè)務驟降。與此同時，各類互聯(lián)網金融大規(guī)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(yè)和新模式，也開始跨界競爭了。這是歷史上從未發(fā)生過的事情。

一開始銀行有些發(fā)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(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(yè)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(yè)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(yè)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(yè)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(yè)銀行的線下網點“關門停業(yè)”。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(lián)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(yè)面臨的新課題。

2、客戶生態(tài)變化

銀行客戶已經見頂了。據權威統(tǒng)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(tài)發(fā)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(fā)展未來。

3、開放生態(tài)

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(yè)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(tài)共建演進，但在開放生態(tài)的環(huán)境中，系統(tǒng)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(fā)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(zhàn)，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(yōu)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(xié)同效應，更無法真正“理解”業(yè)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(chuàng)信用聯(lián)合創(chuàng)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(tài)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(tǒng)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(tǒng)算法進行結合，就能對風控模型進行極大優(yōu)化。同時，大模型強大的解析和生成能力，能夠將傳統(tǒng)的靜態(tài)畫像升級為動態(tài)、實時畫像。那么金融機構，就可以得到一個更接近于企業(yè)當前狀態(tài)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(yè)務人員使用數字工具的門檻；二是價值創(chuàng)造。大模型拓寬了價值創(chuàng)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(chuàng)造收益。比如零售信貸或財富管理業(yè)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(yè)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(tǒng)落地，主要面臨三個方面的挑戰(zhàn)。

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(jiān)管、嚴監(jiān)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(chuàng)造價值的核心業(yè)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(yè)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(yè)務中。

2、大小模型協(xié)同：大小搭配，科學分工

大小模型架構的協(xié)同，有兩個主要優(yōu)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(xié)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(zhí)行是小模型去做的。這種方式既可以發(fā)揮大模型對于語義理解的優(yōu)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(xié)同還有一個重要優(yōu)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(lián)則是大模型的強項。大小模型的協(xié)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(lián)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(guī)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(guī)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(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%的客戶問題是非常規(guī)問題，系統(tǒng)會分析其共性規(guī)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(guī)的問題就變成了常規(guī)問題。循環(huán)往復之下，系統(tǒng)的“常規(guī)問題”會越來越豐富，效率會形成滾動提升的態(tài)勢。”容聯(lián)云大模型負責人唐興才說。

3、嵌入場景：不是“AI+業(yè)務”，而是“業(yè)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(chuàng)信用趙千里對大模型應用的一個觀點。“想要大模型發(fā)揮作用，必須將它嵌入到銀行業(yè)務流程之中，除了AI之外，包括大數據分析、規(guī)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(chuàng)信用為銀行提供的方案。天創(chuàng)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(tǒng)營銷策略比較依賴人工，規(guī)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(yōu)化，經過篩選，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(tài)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(tài)中，大模型也能有機的融合進去。

天創(chuàng)信用以地方產業(yè)園為抓手，比如長沙高新區(qū)，把不同類型的幾萬家企業(yè)聚攏在一起，與當地的銀行合作，打造園區(qū)的信用管理平臺，用智能手段為中小企業(yè)做信用的量化評估。

中小企業(yè)融資是世界性難題，中小企業(yè)數據散、小、亂，缺乏完整的財務信息。天創(chuàng)信用通過打造數據生態(tài)，把不同數據源的數據如稅務、發(fā)票，銷售數據，水電數據等，聚攏在一起。同時，小微企業(yè)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(yè)動態(tài)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(fā)銀行的長沙分行合作，用信用架起企業(yè)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(fā)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(yè)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(yè)級千億金融大模型“工銀智涌”，賦能20多類業(yè)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(tài)。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(xié)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(xié)作與工具調用，實現技術與業(yè)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(yè)務分析一本通DataInsight Agent，基于用戶行為與業(yè)務數據，融合預訓練行業(yè)知識庫，以及行業(yè)分析指標體系、歷史最佳分析實踐等，并通過監(jiān)督微調、強化學習、自動標注實現持續(xù)進化，實現了從數據到洞察的自動化升級。

傳統(tǒng)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(jié)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(jié)點引入人為控制，整體目標和節(jié)點都會要求確認；最終根據業(yè)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(yè)分析師的核心工作流程。

“整個作業(yè)過程中，我們把智能體看做一個985的畢業(yè)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(huán)系統(tǒng)：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(huán)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(yè)內部懂科技又懂業(yè)務還對政策有關注的人少之又少，造成很多指標體系不統(tǒng)一，數據源口徑不一致，這是可以統(tǒng)一后提效的。一本通基于大模型內置的行業(yè)知識和深度語義理解能力，會在業(yè)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(guī)模的商業(yè)銀行，需要數百名分析師作為業(yè)務支撐，但是很多銀行養(yǎng)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(yè)效率，個體分析師的優(yōu)化經驗還可以橫向復用到同類業(yè)務場景。比如說，某城商行業(yè)務分析員A，用諸葛智能的智能體做業(yè)務分析，但是分析結果出來后，跟業(yè)務人員的判斷有一定的分歧，那么業(yè)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(yōu)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(yè)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(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(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，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(yè)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(chuàng)信用提供風控智能體，容聯(lián)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(tǒng)，將來勢必要整合在一起，就像復雜的工作需要多人的協(xié)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(fā)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(xù)成長的"數據員工"：

·給他配電腦（算力）；

·帶他熟悉業(yè)務（數據、場景）；

·給他定KPI（價值評估）；

·允許他犯錯、持續(xù)培訓（迭代優(yōu)化）。

而科技公司的角色則變成了培養(yǎng)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?yōu)閮r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。