AI赋能到原生的对公业务数智化演进 [page::4][page::6][page::7]

• 1.0阶段聚焦客户经理效率提升和个性化服务，典型案例有摩根大通COiN系统，自动化处理法律文档大幅节省工时。

- 2.0阶段实现指令驱动和智能运营，银行业务流程由AI核心驱动，自主完成复杂任务，高盛企业版Marcus进行“金融自动驾驶”实验。

• 3.0阶段银行打造数字员工，深度嵌入企业运营体系，形成生产力输出，国际机构诸如Workday发布基于角色的AI Agent。

- 国内银行目前仍处于初级AI应用阶段，亟需提升战略投入和AI生态构建能力[page::6][page::7][page::8].

银企三重生态融合与数智营销工具链构建 [page::11][page::25][page::26][page::28]

• 银行融入企业的内部、产业和区域生态，分别成为“经营效率倍增器”、“价值流动加速器”和“超个性化服务者”。

- AI驱动的数智营销工具链覆盖客户筛选、需求洞察、产品匹配、方案智能生成、转化成交、争议管理与长效经营7大环节。

• 具体技术方案包括动态客户标签构建、联邦学习、多轮对话转写、智能菜单调度、情绪识别与异议管理。

- 典型成效：某股份行营销转化率提升1.38倍，客户经理日均触达客户数量显著提升。

• 营销弹药库有效提升营销人员话术水平和客户满意度[page::25][page::26][page::28][page::34].

大语言模型驱动智能投研及数智客服实践 [page::18][page::19][page::35][page::38]

• 新一代智能客服构建“感知-思考-执行”闭环，兼具IQ和EQ，提供精准、高效且富有同理心的客户服务体验。

- 通过Rasa框架与大语言模型结合，实现多轮转写、菜单链路搜索及基于LLM的功能筛选，支持“高频业务一句话办理”。

• 大语言模型在投研领域实现信息提炼、情绪量化和推理补强，释放分析师70%阅读负担。

- 国内银行如工行、农行、浦发等积极开发本土大模型，聚焦政策解读、散户情绪监测和智能写作[page::18][page::19][page::35][page::36][page::37][page::38].

定价数智化能力跃迁与系统创新[page::39][page::40][page::41][page::42][page::43][page::44]

• 银行对公定价正经历从散点报价到系列化再到数智化精细定价的三阶段演进，3.0阶段实现“一户一策”和综合收益定价。

- 新一代智能定价系统基于图论DAG算法支持高并发定价计算，AI智能助手助力自然语言交互及动态定价。

• 定价审批引擎突破传统流程局限，支持表达式配置、审批流动态调整及消息可靠传输。

- 突破理念瓶颈，流程闭环与风险模型治理并重，打造数智化定价闭环生态[page::39][page::40][page::41][page::42][page::43][page::45].

AI智能体重构金融科技风险管理“新范式”[page::47][page::48][page::49][page::50][page::51][page::52][page::53]

• 传统AI赋能阶段基于孤立工具提升单环节效率，智能体重构阶段聚焦跨领域、多模型协作及动态调整。

- 引入智能体框架、模型上下文协议（MCP）和智能体间通信协议（A2A）实现模块化、多智能体协同及数据安全访问。

• 建议实施“识别-评估-设计”三部曲，强化人工干预与合规治理，逐步推进智能体驱动的风险管理体系建设。

- 未来将催生超个性化金融服务、自主金融运营与复杂金融能力民主化新生态[page::47][page::48][page::49][page::50][page::51][page::52][page::53].

业技融合：数字化深化与智能化未来[page::54][page::55][page::56][page::57][page::58][page::59][page::60]

• 业技融合经历信息化起步、数字化探索、智能化萌芽三个阶段，强调技术与业务的深度结合和运营模式创新。

- 金融行业业技融合受到严格监管，数据治理和安全成为核心，需兼顾合规与创新，实现数字金融支撑其他业务板块。

• 智能化时代带来个性化服务与精细运营新机遇，但同时面临数据流通障碍、技术伦理、安全风险和复合型人才瓶颈挑战[page::54][page::55][page::57][page::58][page::59][page::60].

摩根大通AI战略实战与中国启示[page::61][page::62][page::63][page::64][page::65][page::66][page::67][page::68][page::69]

• 摩根大通致力成为“AI原生”银行，设立CDAO、投入百亿美元级资金，构建全集团AI治理与应用体系。

- AI布局涵盖风险管理、客户服务、营销、投资顾问、运营效率等，显著提升业务效率和客户体验。

• 采用矩阵式组织架构，构建人才高地，建立JADE数据平台与多云架构保障AI算力与数据治理。

- 中国金融机构快速追随，结合国家政策和本土化生态，打造自主AI大模型，积极部署多场景智能应用。

• 强调结合中国金融环境和监管，制定差异化AI发展战略，促进数字金融高质量发展[page::61][page::62][page::63][page::64][page::65][page::66][page::67][page::68][page::69].

AI银行进化论打响对公业务数智化升维战——详尽分析报告

---

一、元数据与报告概览

• 报告标题： AI银行进化论打响对公业务数智化升维战

- 作者及机构： Thoughtworks 数智金融团队，包括肖然、夏寅、李文乔、吕晓曦、徐青、石梦莹、黄雨青、陈达等多位资深专家。

• 发布时间： 2025年6月

- 主题范围： 本报告全面聚焦银行业，特别是对公业务在人工智能（AI）、大模型及数智化浪潮背景下的发展阶段、趋势演进、应用实践与战略布局，涵盖智能客服、营销工具链、智能投研、定价新范式、风险管理演进及“业技融合”等方向。

• 核心论点及传达重点：

报告详细论述了银行对公业务如何在AI的赋能下经历从“效率革命”到“生态重构”的全面升级，划分为三个发展阶段（AI赋能、AI优先、AI原生），解构了全球金融巨头（以摩根大通为典型）的领先实践，结合中国本土生态和政策，强调“中国银行业必须积极参与AI时代的数智化转型，构建基于三重生态（企业内部、产业链、地域生态）的银企共振体系，才能在未来竞争中立于不败之地”[page::0-68][page::4-11].

---

二、逐节深度解读

第一章 趋势观点：从效率革命到生态重构（页3-11）

• 关键论点：

- 2025年全球金融正经历AI驱动的战略性转型，华尔街巨擘率先大规模融合AI，如摩根大通的法律智能化平台COiN，大幅节省人工工时；国内推动开源模型（DeepSeek）和AI Agent发展，形成“三足鼎立”生态格局。
- 中国政策全面支持金融与AI融合，金融AI投资高速增长，银行对公业务步入AI赋能（1.0），AI优先（2.0），AI原生（3.0）三个阶段的进阶序列。

• 阶段解析：

- 1.0 AI赋能： AI支持客户经理效率提升及个性化服务，如摩根大通法律文档智能解析，摩根士丹利知识助手，工商银行的“工小慧”和“工小审”等智能助手。成效体现在时间节约、服务响应加速、客户经理能力放大。
- 2.0 AI优先： 银行积极探索用户指令驱动的业务闭环执行。AI不再仅是助手，而是业务流程核心，举例包括高盛“Marcus”系统，Citi跨境支付智能执行等，银行内外形成“数字神经系统”，实现全流程智能调度和自主外部交互。
- 3.0 AI原生： AI与企业深度融合，银行从单纯服务提供者转型为生产力共建者。摩根士丹利“数字CFO”AI、彭博BloombergGPT虚拟交易员即为示例，推动银行服务向嵌入企业运营的“数字生命体”进化。

• 核心总结： AI时代已将银行对公业务推向技术与业务生态共生的深度转型期，单纯效率提升转向生产力赋能与生态融合[page::4-11].

第二章 聚势三重生态，探索银企共振进化（页12-16）

• 论点摘要：

银行需深度植根客户的三大生态体系：
1. 企业内部生态——经营效率倍增器： 银行智能客服和系统接口需整合企业ERP、协作系统等，做到AI服务接口与企业AI无缝交互，实现精准营销与风险动态调控。
2. 产业生态——价值流动加速器： 银行在产业链生态中提供供应链金融、贸易融资等多元化金融服务，推动数据共享与自动化流程，成为产业资金高效流动的关键节点。
3. 区域生态——超个性化服务者： 基于区域产业集群特征差异，银行需打造适应性极强的场景化金融服务，以AI精准识别区域客户金融需求，实现“一行一策”。

• 相关案例提炼： 高盛GS AI Assistant助力提升服务效率。招商银行、工商银行利用智能风控与AI助手助力提升风险管理能力。北京银行以大模型战略推动区域服务定制，实现风险有效响应。

- 分析结论： 银企间的数智融合不单是技术迭代，更是深度嵌入企业经营和产业生态的战略部署，是银行数智竞争力的基石[page::10-16].

第三章 业务专题精研

1. 基于大模型智能客服（18-24页）

• 关键点：

Thoughtworks提出智能客服的双商理念，即智商(IQ)体现在业务理解和解决方案精准，情商(EQ)强调自然交互与情感共鸣。通过结合Rasa框架和大语言模型，实现对话深度理解、多轮交互智能触发及情绪识别。

• 技术实践四大创新：

1) 大模型聊天底座，构建“感知—思考—执行”闭环；
2) 智能技能调度，重塑菜单推荐，从关键词定位功能；
3) 创新业务交互流程，预填核心槽位（时间、金额、账号），支持一口令完成操作；
4) 大模型原生运营支持，实现配置灵活、业务快速迭代。

• 用户体验升级： 传统菜单枯燥复杂，大模型客服提供更自然准确的服务体验，显著提升客户满意度和业务办理效率。

- 未来趋势： 人工客服与智能客服协同共融，AI客服承担大部分基础咨询，人工专注个性化复杂需求[page::18-24].

2. 数智营销工具链（25-34页）

• 业务挑战： 传统营销人力密集、客户需求洞察滞后、方案模板单一且同质化，难应对客户个性化服务与数字化转型。

- AI驱动营销升级方向：
- 智能客户分群+动态标签；
- 轻量化营销辅助工具提升客户触达；
- AI营销辅导和陪练提升员工能力；
- 内容生产自动化+营销传播；
- 垂直行业场景化营销工具包；
- 实时营销风控与智能化运营；
- 营销效果因果优化与动态调整；
- 嵌入企业日常场景，实现潜在需求激活。

• 七步作战图谱详解（筛选、洞察、匹配、呈现、转化、争议管理与长效经营），体现营销从盲目撒网转换精准制导，从经验推断到数据驱动，从静态补货到动态千人千面等多维度跃迁，AI不仅是工具，更是认知刷新。

- 关键创新点如动态客户洞察、个性化自动方案生成、弹性议价与智能异议管理极大提高营销效率与客户体验，实现客户关系的长期经营[page::25-34].

3. 大语言模型驱动智能投研（35-38页）

• 三重核心能力跃迁： 秒级信息提炼、情绪探针（社交媒体短期波动捕捉）、推理补强（跨域数据关联与假设生成）。

- 中国银行业大模型应用实例： 工商银行“工银智涌”、农业银行“Chat ABC”及“农银思享”、浦发银行智能投行解决方案，均体现对LLM训练、微调及定制能力的重视。

• 本土特殊挑战： 政策影响力大、散户主导市场、数据环境复杂，导致模型须重视政策解读、情绪监测、数据质量控制。

- 国际对比： 国内银行更加注重政策解读与散户情绪，中国金融数据特性促使本土模型发展趋势与国际略异。

• 未来趋势： LLM深度嵌入研究流程，实现自动报告生成、市场脉络感知、风险预警和智能投顾，实现普惠服务及机构端高端研究能力提升[page::35-38].

4. 定价数智化能力跃迁（39-46页）

• 行业挑战： 利率市场化与金融生态变化推动对公定价体系升级，传统成本加成和静态风险评估难满足敏捷差异化定价需求。

- 阶段划分：
1) 1.0初级散点式报价，重人工；
2) 2.0进阶系列化产品报价，区域定价；
3) 3.0数智化综合客户价值定价，实现“一户一策”。

• 新一代定价系统特点： 高性能计算架构、灵活审批流程、定价溯源与AI智能助手辅助定价决策。

- 技术实践： 利用DAG算法实现复杂指标的秒级计算，采用图谱及弹性审批应对复杂决策。

• 能力建设方案： 覆盖理念、流程、模型与工具全链路，推动定价由被动跟随走向主动价值发现和客户经营管理[page::39-46].

5. AI智能体重构金融科技风险管理（47-53页）

• 当前阶段（赋能）： AI多集中于信贷审批、反欺诈、风控等孤立环节，效率提升明显，风险识别准确度提升，误报率大幅降低。

- 新范式（重构）： 以AI智能体（Agent）为核心，构建模块化、协作化风险管理体系，实现流程自适应和实时预警。

• 关键技术：

- 智能体框架（LangChain等），支持多智能体系统设计；
- 模型上下文协议（MCP），统一数据和工具访问保障安全；
- 智能体间通信协议（A2A），实现智能体间协同和任务管理。

• 落地路径“三部曲”：识别风险管理新场景、评估投入产出、设计多智能体系统及人工监督机制。

- 未来愿景： 实现超个性化金融服务、自主金融运营和复杂金融能力民主化，推动风险管理由优化走向再造[page::47-53].

6. 数智化浪潮下的“业技融合”（54-60页）

• 内涵与发展阶段：

“业技融合”意味着业务与技术前所未有的深度协同，技术从辅助工具向驱动业务增长的核心要素转变。
- 信息化起步：电子化、自动化流程；
- 数字化探索：数据资产化、渠道优化；
- 数字化深化/智能化萌芽：驱动业务创新、组织流程再造。

• 金融行业背景： 监管严苛，强调数据安全、合规与风险防控，“五篇大文章”（科技金融、绿色金融、普惠金融、养老金融、数字金融）作为战略指导推动业技融合。

- 新机遇与挑战： 服务模式创新、运营效率倍增、业务边界扩张对金融生态提出更高要求；数据流通障碍、技术伦理风险、安全可控压力及复合型人才稀缺成为制约因素。

• 行业双轮驱动格局： 传统金融机构积极转型，科技企业跨界创新，两者共生促进行业生态发展，金融机构需建立合规、数据驱动、开放协同的融合能力[page::54-60].

第三章 标杆案例：摩根大通AI战略解码（61-68页）

• 战略高度与愿景：

总行CEO直接主导，将摩根大通定位为“AI原生”领先银行，深度融合AI提升客户体验、运营效能及风险合规。以“在亚马逊成为银行之前，我们先成为亚马逊”展现激进主动战略。

• 组织与人才： 设首席数据与分析官（CDAO）直线管理，矩阵化运营AI人才超过2000人，强化内部培训与技能升级，采用多云战略支撑训练与推理。

- 技术与平台： 建立JADE数据生态与数据网格架构，确保数据资产高可用、安全，结合OmniAI等AI平台助力模型落地。前瞻性算力采购保障基础设施稳健。

• 应用广度： 超400+生产环境AI用例覆盖风险管理（AML、欺诈）、客户服务（语音识别、智能助手）、投资策略（LOXM交易优化、IndexGPT投资顾问）、编码辅助与运营效率提升。

- 绩效与影响： 明确ROI衡量体系，部分领域获得数亿美元级效益，AI转型与业务发展深度融合。

• 中国启示： 吸取摩根大通战略管理、AI全链路矩阵投资与人才培养经验，结合中国政策环境和技术生态，发展自主金融大模型，推动中国特色AI金融转型[page::61-68].

---

三、图表、图片深度解读

1. “银企共振三重生态”示意（页11）

• 展示银行如何融入企业“内部生态”、“产业生态”和“区域生态”，形成从企业经营管理、产业链价值流动到区域产业集聚的多维联结。

- 视觉有效表达了银行作为“经营效率倍增器”、“价值流动加速器”和“超个性化服务者”的战略定位，通过生态层层递进体现服务复杂度与覆盖范围递增。

• 支撑文本指出智能化突破疑难问题与客户个性化即刻满足需置于不同生态层次的人机协同、数据驱动中[page::11].

2. 智能客服双商定义及五大评价维度图（页19）

• 使用韦恩图体现智能客服的IQ与EQ两大价值轴，分别划分五个评价维度：对话理解准确性、金融服务个性化与专业性、对话流程自然性、情感互动恰当性。

- 每个维度进一步细化考察点，例如情感互动强调同理心及客户被理解的体验，专业性涉及法规政策与新业务知识更新，突显智能客服综合能力的多维度平衡。

• 该图具指导意义，反映传统客服向智能客服转型过程中技术能力与用户体验双向驱动的系统化评价框架[page::19].

3. 智能调度菜单推荐优化流程图（页22）

• 描绘用户输入经过多轮转写、细粒度分类、菜单链路搜索、模型重排，到基于大语言模型的功能筛选的闭环流程。

- 引入“大模型+小模型”复合智能架构支持菜单调用，并结合用户交互推动澄清引导，重塑传统菜单枯燥使用体验。

• 关系逻辑清晰，说明智能客服业务办理能力从静态菜单向动态对话驱动服务转变[page::22].

4. 银行对公数智营销作战体系框架图（页29）

• 分为愿景、目标、作战地图（三层结构，包括潜客筛选、需求洞察、产品匹配、方案呈现、转化成交、争议管理、长效经营七步）。

- 目标指标具体，如提升商机线索有效性、产品推荐转化率等，作战地图详细划分从传统模式到AI驱动转型的跃迁路径。

• 体现银行从粗放式传统营销向智能精准经营跃迁的过程框架，强调跨团队协作和敏捷机制保障[page::29].

5. 定价转型国际比较图及潜力分析（页40）

• 横向柱状图展示东欧、南欧、西欧等区域银行因定价转型带来的额外收入幅度(6%-16%)，强调全球范畴内数智定价潜力巨大。

- 经济潜力漏斗图解析定价定量分解，各环节（漏损、挂牌、综合定价）贡献不同增量，潜力估计区间突出中国银行尚未大规模定价竞争空间。[page::40]

6. 新一代智能定价平台架构框图（页43）

• 左侧展示内外部数据输入（监管政策、客户产品成本、风险管理等），中间是新一代智能定价平台模块（包含价格计算、模型管理、审批引擎等），右侧为应用层（生产系统、管理会计）。

- 全面展现数据驱动、模型管理、审批与执行闭环，彰显科技与业务深度融合定价的能力架构。

• 体现智能助手基于国产大模型辅助定价决策的实际应用[page::43].

7. 风控智能体框架示意及多智能体架构示例（页49-50）

• 基于大语言模型搭载理解生成、知识储备、上下文学习和推理推断四大能力，驱动AI智能体，可实现自主决策、任务规划、自我改进。

- 多智能体架构图演示风险管理中交易捕获、欺诈分析、信用分析、合规检查、行为分析等各智能体并行协作的交互流程。

• 展示前沿架构下如何实现实时、多维度风险评估与自动化响应，关闭传统孤岛效应[page::49-50].

8. MCP与A2A协议说明（页51-52）

• MCP类似“AI的USB接口”，规范智能体安全访问本地数据和工具接口，保障数据不出域；A2A作为智能体间通信“语言”，支持任务分配、信息共享及协同执行。

- 图示围绕协议功能与在风险管理场景中智能体协同调查、安全运营中心跨智能体协调的应用，强调体系标准化对金融合规和敏捷运营的重要贡献[page::51-52].

9. 业技融合发展阶段表（页55）

• 归纳业技融合由信息化起步期（流程电子化）到数字化探索期（数据资产）、数字化深化智能化萌芽期（业务模型创新）的三个发展阶段，涵盖技术、目标、关键举措及挑战。

- 表格清晰呈现企业技术角色的演变与业绩目标进化过程，为理解金融业“业技融合”成熟度提供框架[page::55].

10. 五篇大文章对金融业业技融合的核心要求表（页58-59）

• 面向科技金融、绿色金融、普惠金融、养老金融、数字金融五大领域，归纳其对应的政策导向、融合要求与机遇。

- 强调数字金融贯穿全局的基础支撑地位，以及各领域对大数据、AI等技术应用的具体期待与挑战，体现中国金融战略层面对业技融合的系统布局[page::58-59].

---

四、估值分析（报告中无典型估值模型，本节聚焦价值提升与ROI分析）

• 报告通过案例和数据阐释了AI数智化在银行对公业务中的商业价值，诸如摩根大通AI应用带来的数亿美元节省与效益提升。

- 定价转型示例中，全球银行可通过数智定价实现6%-16%的业务收入增长，反映数智能力成熟度对盈利能力的直接提升。

• 摩根大通将2024年AI带来业务影响预计达20亿美元，技术投入与回报自成闭环，彰显AI技术投资的直接商业驱动力。

- 这一持久、科学的投资-回报评估体系是银行量化AI价值、驱动持续投入的核心[page::40, 65, 66].

---

五、风险因素评估

• 技术风险： AI模型的“幻觉效应”、不可解释性、误判风险存在，对金融合规和风险控制带来挑战。模型治理与实操环节仍需人工监督。

- 数据风险： 数据孤岛且标准化程度低，跨机构数据共享难，数据安全和隐私合规要求严峻。

• 监管风险： 持续严格且动态的监管环境要求银行强化合规治理，承担技术伦理和系统安全责任。

- 人才风险： 高端复合型金融科技人才短缺，人才流动和技能更新跟不上技术发展速度。

• 组织文化风险： 传统业务导向与创新驱动之间存在冲突，变革阻力大，AI项目落地难度高。

- 技术运维风险： 包括高算力依赖、系统复杂度增加导致的安全和稳定性风险。

• 缓解建议： 报告强调建立负责任AI治理框架，强化数字资产管理，推动跨部门协同合作，开展人才梯队建设及持续培训，设计带人工干预的智能体管控机制[page::46, 47, 53, 57, 60].

---

六、批判性视角与细微差别

• 报告对摩根大通等外资银行AI战略予以较高评价，部分实践具全球示范意义，但同时指出国内银行普遍AI投入不足，技术应用尚处初级阶段，急需突破算力和数据治理瓶颈。

- 以摩根大通战略为典范的AI顶层设计虽无限靠拢，但受限于中美监管、文化差异与市场结构，直接复制不切实际，需结合中国本土实际发展“特色化”AI战略。

• 尽管AI技术投入巨大，如何保证业务价值兑现、合规风险可控仍存较大挑战，技术伦理、数据隐私保护等课题需更深探讨。

- “业技融合”阶段性特征与挑战描摹全面，但对技术落地中组织文化阻力、人才激励机制、跨部门协作细节略显泛化，缺乏具体实践运营层面深挖。

• 报告多处致敬AI赋能及智能体重构潜力，但未多发掘对传统岗位和流程的短期冲击成本，未来转型抗拒与潜在适应风险依然值得关注[page::54-60,62-68].

---

七、结论性综合

报告全面且系统地阐述了银行业特别是对公业务在AI大模型及智能体驱动下的数智化升维路径。银行对公业务将经历三个阶段：从AI赋能客户经理与个性化服务的效率革命；过渡到AI优先驱动的指令式智能运营；最终演进至AI原生的数字员工深度嵌入企业运营体系，实现服务向生产力共建者转型。思想上，银行需深耕三大生态：企业内部运营生态、产业链金融服务生态及区域个性化服务生态，通过AI赋能实现银企深度共振。

智能客服、数智营销、大语言模型驱动投研及定价数智化等专题体现了AI技术在业务流程再造、客户洞察、场景营销个性化、风险量化及合规管控中的具体落地实践。搭建如智能体框架、MCP与A2A协议的前沿技术生态，支撑复杂风险管理重构，已不仅是任务优化，更是业务重生的基石。

摩根大通作为标杆案例，以顶层设计驱动、全链路投入、平台式组织建设和明晰ROI评估引领全球银行业AI浪潮，为中国银行业转型提供借鉴。国内银行需借助政策契机与国内强大科技生态，积极构建差异化自主AI战略路径。

图表解析则清晰展现出各阶段技术架构、管理流程及生态构建的复杂性及系统化，明确了智能服务双商并重评价体系、多智能体风险管理架构、及AI驱动的定价和营销战略矩阵挖掘的价值。

整体来看，报告以深度行业洞察和详实案例为基础，既有战略蓝图也有技术实践，对银行数智转型路径提供了全面且科学的指导框架，强调了技术、数据、人才与文化四大核心要素的协同演进。其对未来数智金融生态构建及AI产业赋能具有重要指引意义[page::0-68].

---

以上即为《AI银行进化论打响对公业务数智化升维战》报告的极致细致且内容全面的分析解读，涵盖逻辑层架构、关键案例、技术深度、商业价值、风险提示及战略指导，助力理解未来银行业AI战略的全貌。

报告