浪潮前夕，各个行业都在努力拥抱AI，通用人工智能的快速发展打破了原有的依赖规则驱动的模式，基于大数据和深度学习，从“规则为基础”向“数据驱动”，综合能力和应用能力也更强。

一、金融行业数字化转型

金融行业的数字化转型一直在持续进行中，当下的AI应用浪潮，也是数字化转型中的第三阶段，当下及未来的阶段。

从这个路径的理解来看，金融行业要更好地进行AI的应用落地实践，依然离不开数据的建设，以数据为驱动的大模型的落地应该如何应用，首先需要理解AI究竟带来的是什么样的能力(与以往纯粹的[线下搬到线上]的方式相比有什么不同)、业务平台与AI模型之间应该如何协作构建，最后再来看金融行业中的AI应用场景。

二、大模型的能力理解

长远一点来看，把AI智能体当做一个可塑可训练的、具备记忆、有理解能力、能够做出决策、并且行动(任务处理或内容输出)的“人”。

可训练：微调、语料训练、prompt工程等方式都可以在通用大模型的基础上，进行进一步的训练和塑造，这一点对大模型的能力落地提供了更多的可能性，也让大模型的能力发挥降低了应用门槛。在企业应用层面，可以基于特定的产品场景需求进行设置和微调，在用户层面，也可以通过调整和设置形成个人自定义的角色塑造。

输入/感知：输入，即接收来自外界直接的需求信息，文字/音频/图像/视频等，以及用户在特定使用场景中的设置调整。在硬件上的应用可能会涉及到更多的信息输送，比如AI-pin、AR眼镜、智能录音笔等，使输入窗口更丰富，听觉、触觉、视觉等，都以成为接收的信息要素，多样化的信息输入也会带来信息量的激增和结构的丰富，比如音频中除文字信息外，语气、语调、停顿等也包含了很多信息，对模型的理解能力和信息处理速度会有更高的要求。感知，对场景/场域的感知、对用户行为习惯的感知等。近期支付宝推出的[支小宝]，智能陪伴的模块就发挥了对用户场景及场域的感知，比如到了旅游某个景点，推荐当地的特色、订车等服务，在家快递待取件，提醒取件等，以及随着使用时间越长，对用户的行为习惯的感知会更加精准。

理解/推理：基于大量数据的训练和深度学习，通用大模型对自然语言有更强的语义理解能力，扩展到多模态的话，需要大模型对丰富的信息结构有更深的理解，比如音频、图像、视频等。

记忆/学习：记忆包括短期记忆和长期记忆，短期记忆比如对话上下文、提示词的上下文，长期记忆涉及到外部的数据检索访问，数据库、知识库等；

任务处理：结合应用业务平台的需求和能力，给AI的输出提供[执行能力]，包含决策支持、围绕工作流的智能选择最优-自动执行-优化等。决策支持主要是通过数据分析和机器学习进行决策，识别趋势、预测结果和评估风险，比如金融领域的风险评估、组合优化建议等；工作流的选择/执行/优化上，在场景匹配中选择工作流执行+RPA实现自动化，提升工作效率，智能动态调整与执行，则能够给工作流的执行带来更多灵活的提升优化。

内容输出：在掌握对特定场景的内容创作要求及方法后，AI可以基于需求快速进行内容创作，涵盖了从数据分析到创造性的表达，通过对大量数据的处理与理解，结合企业内部的数据或内容资产、场景及定义，AI能够自动生成具有逻辑性和连贯性的内容。此处的内容输出包含但不限于文本、图像、音频和视频，也可以是结合应用场景拓展的组合型内容，比如PPT等。

结合AI的多项能力，AI agent智能体是综合决策+工作流执行，最接近人类综合工作能力的概念。从主动性和自治程度来看，包含Copilot和Autopilot，copilot更强调提供辅助建议和增强操作体验，autopilot更强调自主的决策和执行，高程度的自治和自动化。从现阶段的应用来看，主要还是以Copilot的形式和定位，即使是决策型的AI，或者是具备工作流决策和执行能力的智能体，在目前的阶段还是辅助作用。

Copilot是一种辅助工具，强调用户的主动性和控制，主要用于提高效率；而Autopilot则倾向于更高程度的自动化，旨在减少人类干预。两者的核心区别在于用户参与的程度和自动化的水平。

两者在技术路径上有较大的区别，Copilot旨在辅助用户在特定工作流中提高效率，也是目前比较常见的方式，比如GitHub Copilot为用户提供代码建议、阅读总结类产品比如微信读书AI总结都是此类，技术上，Copilot通常通过自然语言处理（NLP）技术与机器学习算法相结合，提供上下文相关的帮助；

Autopilot通常指的是一种更加全面的自动化系统，旨在在没有人类干预的情况下完成特定的任务或操作。从技术上讲，Autopilot系统往往依赖于组合多种技术，如计算机视觉、传感器融合和深度学习，以实现实时环境感知和决策。

从应用落地的角度来看，主要分为两种环节和方式，决策类、任务工作流选择/执行/优化，两者有不同的侧重点，也可以结合应用。

决策类的主要应用在策略决策，包含管理策略(团队或业务优化管理)、营销策略、安全风控策略、评估评级、运营策略等。

工作流选择/执行/优化，侧重于任务处理的动作(RPA自动执行)，也包含智能决策选择最优工作流、工作流的优化评估。

三、AI 应用价值

AI 的能力和价值长期来看，目标是以与[工作领域专家]的决策能力和工作执行能力对齐的智能体，是在现有工作流基础上的智能化和强化，以高效或业务优化为目标，未必是改革工作流本身(还没有超过人类的智慧能力和全新的创造)。

这种智能体的概念在许多产品上已经有所应用，比如钉钉推出的数字助理，就是以【知识+技能+工作流】的方式构建出具备实际工作能力的数字助理，借助钉钉已有的各类小应用和工具，为智能体提供了实际的执行能力。

1. AI 应用能力-价值

高效，这种效率不仅包括单一环节的工作效率提升，也包含业务流程效率的提升。利用AI的信息收集-快速处理-输出执行，相比人工的方式更加高效，特别是对于海量信息的理解和再输出、数据的处理，人工的方式需要耗费比较多的时间和工作量。

能力的赋予(升维)，结合AI的理解-决策-执行能力，优秀工作者的能力能够通过这一方式“结构化”，变成一项可以高效复用的能力。这种赋予可以体现在内容的创作、策略决策的赋予等。在内容创作上，借助AI工具，只需要提示与需求简述即可快速输出内容，让内容输出创作这件事情的门槛降低、效率和质量更高，本质上也是内容创作技能的赋予。策略或决策上的赋予，借助AI的决策能力、工作能力和优秀实践的策略积累，通过计算、调整，可以应用更优的策略或优化工作流，比如智能策略的引入，对唤醒沉睡客户、提升潜在客户转化等的应用；

团队协作及“对齐”，这里的对齐指的是信息对齐、能力对齐。在信息对齐上，比如企业知识库、业务智能助手，可通过在各个工作或对客服务场景提供统一来源的企业信息数据，同时，基于企业数据库、素材库的营销AIGC应用，也可以确保内部的素材输出口径的一致和基础再创作。在能力对齐上，其实前述提到的场景以及智能工作流中，AI应用能力的输出本身就是一定程度的员工工作能力的输出，包括在一些培训业务上的智能陪练等应用，也对团队能力对齐上有帮助；

服务的提升，在一些智能客服、服务场景上的应用，信息和能力的对齐、更灵活的理解和输出能力，可以提升服务质量，系统代替人工响应的方式，可以提升响应速度，智能营销策略、智能产品/资配推荐等的引入，可以提升服务的专属定制属性，千人千面、个性化专属服务，特别是在情感陪伴场景上的可塑造性、专属及私隐性质，是人工难以替代的；

新的洞察或方法，随着open-AI最新推理模型的发布，大模型的推理能力又有了非常大的提升，这种强大的推理能力，结合智能体的反思、批判和修复能力，相比人类更强大的数据和信息处理能力，未来很可能会创造出超越人类原有智慧的新的洞察（拭目以待！）

2. 应用价值评估

当然，对于目前掀起的各式的AI应用尝试，也必须提前做好评估，其实本质上也是产品方案前期的评估和定位，回归产品最本质的问题，依然是带着场景和问题去找到解决方案，而不是拿着AI这个锤子去找钉子，在积极探索应用的同时，也需要进行思考和评估：

1. 这个场景本身是否具备足够的应用价值，对用户来说属于什么类型的需求(期望-需求评估模型)？和业务/绩效目标关联性如何？PMF高吗？

2. 通过AI 应用来解决的方式，是不可替代的吗？是否有其他的方式也可以达到相似的目标

3. 在使用AI之前，一般可以通过什么方式解决？使用AI之后带来多少价值，投入产出比如何？｜价值-成本｜是否足够大？

4. 由于AI的输出和处理依然具备不确定性，需要考虑是否具备风险，风险的可控边界如何？

四、AI 落地构建

随着AI大模型的能力迭代，AI的能力似乎赋予了大家无差别的能力起点，在这个过程中，金融业务方如何更好进行应用的构建？什么才是积累壁垒的关键？这些问题，需要先理解大模型与业务平台之间的构建关系，以及业务平台作为中间层的角色。这一过程，其实也就是结合AI本身的能力和价值，结合业务场景进行应用构建。

1. 信息处理加工，包括信息结构化、形式转化、意图加工等，其中也包括对用户输入侧的场景信息、以及对用户侧做了便捷工具的整合加工；

2. 业务逻辑或规则加工处理，比如出于金融领域合规要求对输入和输出端的安全控制；

3. 提供数据/工具/工作流，辅助构建[认知/行动能力]，也是落地应用过程中可以构建壁垒的环节和关键资源。其中的数据不仅指广泛意义的金融数据库，也包括行为数据，以及多样的知识库(资讯、研报等动态知识库、FAQ知识库、通识知识库、企业内部知识库等)；

五、金融AI应用场景

带着前面我们对AI的能力、应用价值以及跟平台之间的应用关系的思考，以这个视角来看，目前金融行业中的一些应用场景。这些应用场景不仅仅是单一的AI能力的构建，而是结合业务场景的需要，综合地利用AI的多项能力，最大化地发挥应用的价值。

1. 客户服务与体验

智能客服

利用AI对用户意图/情绪的理解能力，结合业务的数据库、知识库，可实时对用户进行服务响应，价值主要在于对客服务应答效率和服务质量)的提升和降低客服人工成本，相比之前规则驱动的智能客服，可以更加灵活地回复响应解答，辅助业务转化。

在应用上也是目前探索比较多的方向，比如蚂蚁财富的支小宝和各大银行的智能客服，但是由于直接面对投资者，合规风险上也比较高，并且对于模型可能出现的幻觉(理解错误/推断错误/信息错误)都需要进行处理和把控。

投资陪伴/智能投研

结合业务侧对用户的场景和行为习惯的感知，可以在客户旅程的环节中提供智能投资产品推荐、个性化投资建议，在提供投资陪伴、辅助投资决策上，可以提供智能投研工具、降维分析解读陪伴等。这一场景可以拓展出来的细分场景和应用比较多，后续可以再展开聊聊。

智能营销

营销内容的智能合成，比如海报设计、营销文案、视频等智能生成，通识的营销理念(节日及心理话术)+ 业务场景营销策略+机构内部的内容数字资产，可以产出更多元化、更高效的营销场景素材，降低营销内容创作成本投入，同时可保证核心素材的一致性和复用。

营销策略的执行和优化上，营销策略是基于【目标洞察+场景+系列的营销动作执行+监测优化】，在目标洞察环节可以通过智能数据分析进行更精确的客户标签分类，并且在不同的场景触发中使用对应最优的营销动作组合，结合业务平台提供的多类金融工具推进营销工作流执行，并对营销转化效果进行监控，及时进行调整优化。通过大量的营销策略执行和优化，还可以作为策略模型学习的训练数据，进一步构建更智能更有效的营销策略模型。

在应用场景上和业务目标也比较一致，比如代发客群转化、沉默客户召回、存款转理财等，并且可以进行营销策略资源的积累，也是比较能形成壁垒的，最具价值的不是营销执行的工具，而且营销运营的策略和方法。

金融智能营销，索信达算是行业比较头部的，也有自己的策略积累和应用实践数据，对营销的全流程进行灵活设置调整、跟踪和管理。

售后陪伴

结合信息检索和处理，提供持仓产品的动态解读和分析，组合分析和调仓建议等。

业务流程提效

对于需要客户介入、重复性高、对行业知识要求不高的业务流程，可以结合AI的理解能力+信息处理能力+自动化执行，进行业务流程的提效。比如支付宝的智能理赔流程，对用户提交的理赔材料进行加工处理(结构化+信息提取)，能有效避免理赔过程中反复的材料检查、重新提交等情况，缩短理赔响应时间、降低人工理赔投入的工作量成本。

2. 业务团队效能

管理侧，数据智能分析，包含业务数据、员工绩效数据、用户数据等，基于一定的数据建设(数字化转型的第一阶段)，结合模型对海量数据的处理、理解、内容生成能力，可以辅助管理侧高效分析和了解业务数据情况，定期形成数据报告辅助决策。与普通的数据驾驶舱相比，智能的分析助手可以低门槛、更灵活地进行数据挖掘和分析。

投研侧，主要是 海量信息搜集-信息处理-结合业务场景提供价值，其中信息处理的环节，涉及到多模态内容转化、信息结构化等能力，比如路演视频的信息提炼总结(视频传播从营销的角度来说或许占据优势，但是信息获取效率不够高)；海量信息的搜集到价值信息的提炼，市场资讯、分析师观点等快速提取热点观点解读、挖掘线索与变化。面向机构侧的智能投研产品，比如讯兔。

团队能力上，包含智能培训(能力对齐)、业务助手(能力赋予)。智能培训借助大模型的生成能力+企业内部知识库，可以提供灵活的、接近实战的智能陪练，相比传统的考试模式可以更有效训练员工的实战能力，降低培训成本；业务助手的应用范围可以更广，根据服务的员工角色和工作场景，可以提供多元的辅助，通过大模型+业务平台的共同构建，可以创建具备【业务专家】+【秘书助手】的综合业务助手，结合内部的知识库问答，可以赋予优秀工作和便捷处理工作的能力，并保证内部的知识资产可以得到有效的利用。

3. 风控与合规

智能风控系统、信用风险智能评估等，在信贷业务中应用比较广泛，这一方面也已经有比较多的产品，比如百融云创；工作流程上，也可以应用到合规审查流程中，利用自然语言处理技术审查合同和文档等。

六、最后

在过去十年中，金融行业的数字化转型已经在很多细分场景上有所应用，并且也已经有很多行业垂类的AI产品出现，随着AI应用探索浪潮迭起，通用大模型的能力日新月异(新的模型层出不穷，升级迭代速度极快)，AI也许会给我们带来全新的思考和工作方式。