• 机构：BankUnited
• 项目：SAVI
• 时间：2025 年 8 月
• 类别：客户服务 / 中小企业银行 / 政策流程问答 / Amazon Bedrock / 坐席知识支持
• 来源：https://aws.amazon.com/solutions/case-studies/bankunited-case-study ↗

中小企业客户在联系银行时，常常询问账户服务、产品政策、流程要求、文件材料、异常处理等问题。对区域银行来说，挑战在于政策和流程文档分散、更新频繁，客服与客户经理需要在多个系统之间检索，容易造成通话时间长、回答不一致、客户体验不稳定。

BankUnited 总部位于美国佛罗里达，是一家区域性金融服务机构，服务个人和企业客户。该行披露，其政策和流程系统包含约 400 份文档。员工过去需要在这些文档中寻找答案，既影响服务效率，也影响客户和员工满意度。中小企业客户尤其重视响应速度，因为他们往往是在经营场景中即时遇到问题，例如资金安排、账户操作、业务材料和服务规则。

BankUnited 使用 AWS 构建生成式 AI 应用 SAVI，核心技术包括 Amazon Bedrock 以及相关云服务。SAVI 的定位不是直接替代人工客服，而是让员工能够几乎即时获得政策相关问题答案。员工提出自然语言问题后，系统基于银行内部政策和流程文档生成回答，帮助其更快、更一致地响应客户。

这个方案的关键设计是把生成式 AI 放在员工工作流内部，先解决“找不到、找得慢、回答不一致”的知识检索问题。由于知识来源限定在内部政策与流程体系，银行可以更容易地做内容范围控制、权限管理和回答质量评估。SAVI 还建立了 24×7 支持模式，使员工在不同班次和服务窗口都能获得一致的知识支持。

AWS 案例披露，SAVI 达到 95% 准确率，响应时间低于 10 秒，并建立 24×7 支持模式。这说明生成式 AI 在银行客服后台最直接的价值，是把“人工翻文档”的过程压缩成实时问答，从而降低客户等待时间并提升坐席信心。

该案例还体现了区域银行采用生成式 AI 的务实路径：不是先做大而全的平台，而是从约 400 份政策流程文档切入，把知识密集但边界清晰的场景做深。对中小企业银行业务而言，这类能力可以进一步扩展到开户材料核对、账户维护流程、贷款材料准备、现金管理产品问答等场景。

• 先选择政策流程文档相对稳定、答案可核验的场景。
• 把 AI 作为坐席知识助手，而不是直接对客户作最终承诺。
• 将内部制度、产品手册、操作流程统一接入可检索知识库。
• 对回答设置来源引用、版本号和更新日期，避免过期制度误导。
• 用准确率、响应时间、转人工率、重复咨询率衡量效果。
• 从 SMB 客服扩展到企业网银、现金管理和贷款运营支持。

• 政策流程类回答必须可追溯到正式制度，不能凭模型自由发挥。
• 涉及费用、利率、资格条件和法律义务时，需要人工确认或引用原文。
• 内部文档权限要分级，坐席只能看到其岗位可访问的信息。
• 建立错误反馈机制，把错误答案回流到知识库和提示词优化中。
• 对模型回答保留审计日志，支持客诉、合规检查和质量复盘。
• 24×7 支持不等于 24×7 自动承诺，超出范围的问题仍需升级人工。

• 用 20 条虚拟银行政策问答搭建一个“小型 SAVI”知识库。
• 设计坐席提问模板：客户问题、产品、地区、客户类型、期望输出。
• 比较关键词搜索与 RAG 问答在同一政策问题上的耗时和准确率。
• 制作答案质量评分表：是否引用来源、是否完整、是否有误导。
• 设计“AI 不能回答时”的升级话术。
• 模拟 SMB 客户账户服务 FAQ，测试 10 秒内返回结构化答案。