随着（AI）人工智能大模型应用的逐步落地，银行业正在经历一场前所未有的变革。ChatGPT和DeepSeek的爆红让大模型走入寻常百姓家，也让银行管理者更加重视AI应用场景落地。
界面新闻记者从业内了解到，目前AI大模型已经运用到银行业务的前中后台，从服务、营销到产品等多个业务流程。不过，业内人士普遍认为，数据安全、合规，传统流程和组织架构乃至政策法规的适配，仍然是大模型在银行业更广泛应用需要面临的挑战。
应用多点开花
“您好，这里是银行智能客服，向您推荐一款理财产品，风险等级R2，最短持有期3个月，最近三个月年化3.05%，是否需要我将详细信息发送至您手机或为您转接专属客户经理。”界面新闻记者注意到，越来越多的银行外呼营销开始采用AI。
宇信科技CTO张宁在接受界面新闻记者专访时表示：“线索收集是银行营销最常见的场景之一，这并不是一个新技术或新场景，但大模型的出现让对话更自然，客户会觉得更像在和真人对话。”
一位上市城商行人士对界面新闻表示，类似外呼或智能客服这样的场景，是目前各家银行应用最为广泛，客户最容易接触到的场景。
中信银行副行长谷凌云在2024年业绩发布会上提到大模型落地场景时表示，目前处于探索研发期的应用场景有80多个，已落地的40多个，已应用的有16个。比如，中信银行基于大模型知识检索能力构建的智能体，已经在辅助650多名坐席人员与客户的对话，部分场景的内容检索效率提升了50%以上。
张宁向界面新闻解释说，银行营销的场景，80%以上都是标准化的问题，在大模型的支持下，又可以细分为两个响应模式：一种是全自动应答模式。这类问答相对简单，比如回答客户“最近的银行网点在哪儿”，适用于标准问题；另一种是人工辅助模式，系统生成建议后由客服人员决定是否采用，可以提高人工客服的效率，更多用于比较开放的问题。
前述城商行人士对界面新闻表示，就其个人观察，除了常见的已经广泛应用的场景，目前银行布局AI大模型主要的应用落地场景有两类。一类是对内部员工，完成财务报表、授信报告关键信息提取，生成会议通知或会议纪要，或基于内部文件、规章制度的知识库。“主要是提高日常经营管理工作效率，运行基于银行内网，合规风险也很可控。”
以民生银行为例，在2024年业绩发布会上，民生银行首席信息官张斌表示，2024年推出了15个面向员工各类工作场景的助手和工具类的应用，包括文案编写、公文校对，以会议通知这样的场景为例，全行日均使用超过万次。
一位银行软件开发部门人士对界面新闻表示，在软件开发过程中，AI大模型辅助代码生成也已经得到了广泛应用，这可以显著提升项目开发的效率。
张斌透露，民生银行在代码辅助方面，尤其是代码续写、迁移、单元测试的生成和接口文档的转化等场景，AI代码生成采用率超过了34%。
前述城商行人士对界面新闻表示，另一类AI大模型应用目前还没有完全落地，因为涉及银行更加核心的信贷或财富管理业务。
张宁也认为，在AI大模型的应用上，银行信贷业务前景非常广阔，但零售业务和对公业务面临的情况又有所不同。
“实际上，零售贷款审批速度大大提高，是基于已有的大量数据和风控模型支持，这其中大模型的作用并不突出，对公信贷中，大模型能发挥的作用比较大，比如授信报告的撰写。大模型可以结合信贷审核的规则，对客户经营情况进行初步判断，比如自动识别营业执照信息，或发现财报中不合理之处。”张宁对界面新闻记者表示。
“我被大模型骗了”
“有一次写报告需要查询相关政策法规，我问了大模型后，大模型告诉我是在第几章第几条，但我查询后发现根本没有这个内容。”
“我有一次想让大模型把答案整理成一个表格，它很爽快地答应了，并说要发我邮箱，五分钟后我才反应过来被骗了。”
在界面新闻记者采访中，有不少银行人士分享了日常使用大模型的体验。大模型在开放性话题中存在“一本正经地胡说八道”的“幻觉”问题。
张宁对界面新闻解释说，在银行的强约束、封闭式场景中，由于任务目标明确，模型产生幻觉的风险相对较低；但对于一些需要模型进行判断和推理的场景，例如评估公司经营状况是否健康，模型仍需结合业务思维链进行分解，可能出现偏差。如何确保模型输出的准确性和可靠性，是银行在应用大模型时必须解决的核心问题之一。
事实上，界面新闻记者了解到，目前AI大模型应用正在从效率提升逐步过渡到信贷、财富管理、金融市场交易等创造价值的核心业务中，但这类应用能否落地的关键之一是权责划分。
一位国有行信贷条线人士对界面新闻表示，基于大模型或数据风控模型生成的授信结果，还需要人工审核。在整个业务流程中，当AI在决策链条中发挥了主要作用，但最终仍需人工“拍板”时，AI权责与人的权责不对等，使得银行难以完全放心地将核心业务决策交给AI。“因此我们现在看到在零售场景中，前面的工作基本都由大数据和风控模型完成，最后一步是人工审核。”
一位股份行自营交易部门人士也对界面新闻表达了类似看法，基于行内私有云数据，有尝试利用AI进行模拟交易，包括自主定价和风险管理。预计AI agent未来可以快速准确分析市场信息。但数据隐私和合规边界是目前还没有解决的问题，“因为它不是人，我们需要给它建立一个框架。我们觉得未来可能的方向是，建立跨机构数据共享协议，确保数据安全，同时通过监管微调，确保agent训练确保隐私合规。”
前述交易部门人士对界面新闻补充说，上述问题还只是银行内部的问题，即便是理清了数据安全问题，AI做出的决策如何做到能让客户信任？整个决策路径透明化是技术层面的，在观念层面，客户短时间内可能难以接受，这可能是AI时代另一种投资者教育。
“另外，在人机训练过程中，端场景下存在大模型共振风险，AI agent判断会趋同，金融市场业务是对风险要求极高的场景，这可能需要在大模型精调训练是充分验证模型绝对对‘黑天鹅’事件的表现，采取多元化的措施避免大模型共振问题。”该交易部门人士对界面新闻记者表示。
中国银行原行长李礼辉在总结AI大模型应用面临的问题时对界面新闻表示，金融业是对安全和可信度要求近乎苛刻的行业。金融机构部署AI模型必须配置先进的安全技术工具，特别要注意这几点——用于市场分析和预测，特别注意克制模型幻觉；用于客户筛选和分层，特别注意避免模型歧视；用于量化交易和投资顾问，注意防止算法共振；用于身份识别和验证，要特别注意抵抗AI虚假；用于线上线下客户服务，要特别注意消解机器冰冷等。
路线与竞争
界面新闻从业内了解到，目前，国有大行和股份制银行已全面启动大模型应用建设，并在前、中、后台均有正式投产的应用案例。
其中，国有大行凭借雄厚的资金与技术积累，更注重技术的全栈掌控，旨在通过构建自主可控的技术体系，满足自身多样化的业务需求，进而提升核心竞争力。
一位股份制银行人士在谈到大模型应用落地投入时坦言，银行还是以信贷业务作为根基，大模型应用比较容易看到效果的金融市场业务，最近几年利润、营收贡献上以及经营管理重要性不断提高，但行内在智能体研发资源投入并没有跟上。
一位政策性银行软件开发部门人士对界面新闻表示，目前同时接洽了几家大模型厂商，出于数据安全和合规考量，未来肯定是做本地化部署。目前从各个业务部门抽调人手，成立了专门的项目组负责测试不同厂家的大模型。列出了一些“白名单”业务分类场景进行智能体搭建和技术验证。“决策的过程可能会比较长，所以需要多测试、磨合。”
在大模型的竞赛中，中小银行虽然不想掉队，但受限于资金和技术实力，难以像大行那样进行大规模的基础模型训练。对于他们而言，进行模型的微调训练已是足够的挑战。
一位国有大行人士对界面新闻表示：“此前，大型银行试图走向中小银行输出技术方案的路径，在实际操作中面临诸多阻碍。给自己使用和为外部输出的技术方案，其建设思路和标准存在巨大差异。”此外，在回归主责主业的背景下，大银行在技术输出上投入缩减，使得这一路线面临不确定性。
多位业内人士认为，AI大模型进一步落地有赖于银行体制机制变革。
中国银行副行长蔡钊在今年年初的业绩发布会上表示，围绕智能化建设发展，该行将“建机制，搭平台、汇数据、调模型、落场景、练队伍”，一方面，强化配套机制建设，推动建立人工智能应用治理架构，推进AI平台完善和模型调优，畅通大模型数据使用流程；另一方面，推进应用落地见效，按照“先内后外”的策略，以需求为牵引，以成效为驱动，优先聚焦知识辅助、内容生成等高价值场景，实现提质增效降本。
李礼辉向界面新闻记者强调，应该避免小型金融机构金融创新的边缘化。一方面，小型金融机构还有必要进一步进行兼并整合。另一方面，从金融科技技术发展上，应该考虑生态共建、技术共享、鼓励有实力金融机构和科技企业发挥龙头作用，选择适当商业模式建立1+N技术合作架构，为小型金融机构提供低投入、高品质金融科技服务。
李礼辉向界面新闻分析，从政策法规的角度来看，应该明确金融智能体法律地位，比如金融智能体行为边界在哪里，明确金融机构管理者的决策责任在哪里，如果智能体的决策发生了偏差，出了一些问题，产生了损失，到底这个决策责任是谁来担当？明确金融智能体与金融客户法理关系。
“所以一定要加快数字金融监管创新，一是完善法律法规，明确数字金融业务规范。二是完善一体化穿透式的金融监管系统，降低监管成本也降低被监管成本。三是完善数字金融审核制度，完善AI平台的测试标准和方法。四是完善数字金融市场风险分析和监测系统。”李礼辉总结说。
配资炒股配资门户提示：文章来自网络，不代表本站观点。
