页面准备好后会自动显示。等待期间仍可使用顶部导航切换。
SEEKINGDAO / FIELD NOTES
从真实业务出发，看清 AI 如何落地。读懂做法、成效与边界，把案例变成自己的判断。
它解决了什么业务问题？用了哪些数据？披露的效果是实绩、试点，还是计划？
THE INDEX
找到 131 条 · 文档／报告
清除筛选邮储银行
邮储银行具有覆盖广、客户多、下沉市场深的特点，三农、信用卡、票据、投行、反欺诈和反洗钱等场景都存在高频、复杂、人工成本高的问题。尤其在审贷和风险监测中，图像、文本、交易流水和关系网络信息量巨大，传统人工处理难以兼顾效率与质量。 邮储银行的“邮智”大模型展示了银行如何吸收多款主流大模型并落地到 230 多个场景。它的特色不是只做聊天，而是把大模型、交易机器人、图像识别、实时流计算、知识图谱和反洗钱报告自动生成结合起来。
披露效果非常具体：邮小宝使询价交易效率提升 95% 以上；智能审贷助手每天支持三农、信用卡等信审场景超 3 万笔业务；2025 年上半年反欺诈体系累计保护潜在受害账户逾 10 万户，防止客户资金损失超 8 亿元。 反洗钱方面，邮储银行每日加工约 1.27 亿笔交易流水数据，构建近百个可疑预警模型，并实现可疑分析报告自动化生成，有效呈现团伙洗钱证据链，帮助人工甄别效率提升 30%。
Visa
支付争议是银行卡生态中的长期痛点。消费者不理解交易、商户提交材料不完整、发卡行和收单行人工审核成本高、欺诈争议和友好欺诈混在一起，都会造成大量运营成本和客户体验问题。Visa 披露，2025 年全球处理 1.06 亿件争议，较 2019 年增长 35%。 争议管理正在从后台运营事项变成战略优先级。原因是争议量上升、监管压力加大、客户体验要求提高，同时碎片化、手工化流程会让可追回收入流失，也会让金融机构承担本可避免的成本。
官方披露，这些工具旨在帮助商户和金融机构削减行政成本、减少欺诈相关损失，并把资源重新投入增长、创新和客户体验。部分工具已经试点或可用，部分计划在 2026 年晚些时候普遍可用。 Visa 强调，争议会给支付生态各方造成压力：消费者感到困惑，商户和金融机构承担成本与复杂性，过时技术无法跟上时还会让欺诈漏检。新工具通过 AI 和 Visa 专有数据提高可见性和处理效率。
Revolut
现代诈骗越来越多从社交平台、加密聊天软件和虚假广告开始，银行或金融 App 往往只在最后付款环节才看到风险。Revolut 的报告指出，诈骗者正在转向 WhatsApp 和 Telegram 等加密消息应用，而 Meta 平台在其全球报告诈骗中仍占最大来源。 这类场景说明，银行反欺诈不能只盯交易本身，还要理解诈骗来源、客户被诱导路径、社交平台责任和付款前教育。金融机构虽然不能单独解决所有社交平台诈骗，但可以通过实时 AI 检测、应用内通话、交易限额、生物认证和教育资源降低损失
Revolut 披露，2024 年阻止了超过 6 亿英镑潜在客户欺诈损失。报告指出，Facebook 仍是诈骗者偏好的平台，占报告欺诈 28%；Meta 平台整体占 54%；相比之下，Google 平台占 0.09%。 2024 年下半年，来自 Telegram 的诈骗案件增长 121%，来自 WhatsApp 的案件增长 67%，两者合计占报告诈骗的 39%。Revolut 也呼吁社交媒体平台采取更强行动，包括主动移除诈骗内容、验证广告主，并分担源自其平台的诈骗受害者赔付。
Axis Bank
企业活期账户的 ReKYC 和经营资料更新是典型的高频、强监管、低体验流程。客户要提交营业信息、经营性质、KYC 文件，分支机构和运营团队再做人工核验、补件、录入和复核。传统做法不仅慢，也容易因为文件质量、字段缺失和代码选择错误造成返工。 Axis Bank 把这个流程作为 AI 改造对象，说明银行生成式 AI 不只适合客服问答，也适合放到监管流程的“入口处”。客户体验目标是无纸化、即时提交和少跑网点；银行目标则是降低 NFTR、减少人工负荷、提高 First Time Ri
官方披露，该方案已在印度全国范围推出，覆盖非个人活期账户客户中约 90% ReKYC 量对应的主要客户类型。资料更新原本需要大量人工、纸质材料和较长处理时间，现在可实现端到端数字化、即时提交和更高准确率。 Axis Bank 还披露早期结果显示返工和跟进显著减少，周转时间更快，分支和运营团队生产率提升。虽然没有披露具体分钟数和节约金额，但案例清楚说明 LLM 与税务经营数据、文档智能和工作流结合，可以在合规流程中创造可度量价值。
U.S. Bank
嵌入式银行的客户往往不是个人用户，而是企业产品团队、软件服务商、聚合器和外部开发者。他们要把支付、资金管理、数据聚合、消费金融等能力嵌入自己的平台，真正的难点不是“有没有 API”，而是能否快速理解哪个服务适用、怎样鉴权、怎样写代码、怎样排错。 U.S. Bank 的 Developer Portal 已经承载全球公司开发者访问，并支持数十亿次 API 请求。随着 API 产品增多，传统文档、人工技术咨询和支持工单会成为集成速度瓶颈，因此该行把 GenAI 放到开发者门户里，
官方披露，Developer Portal 支持数十亿次 U.S. Bank API 请求；2025 年门户拥有 20,000 多名独立访客和 149,000 多次会话。Developer Assistant 的目标是显著减少技术咨询和支持工单，把平均客户集成时间缩短数周。 该门户曾获 2024 年 Devportal Awards 的 Best Findability of Products in a Devportal。Developer Assistant 在这个基础上继续提升外部开发者体验，使银行能力更容易嵌入客户业务平台。
Discover Financial Services + Google Cloud
Discover 拥有近 10,000 名客户关怀坐席，问题覆盖余额、支付、政策、流程、金融概念和复杂客户情况。传统坐席需要在内部知识库中关键词搜索、翻阅政策和流程文档，客户等待时间会被“找答案”拉长。 金融客服对准确性要求很高。坐席必须解释正确政策，不能因为生成式 AI 说得流畅就采纳错误答案。因此 Discover 与 Google Cloud 合作时，重点不是开放式聊天，而是用 GenAI 做实时搜索辅助、政策摘要和经过测试的内部答案。
官方披露，该方案赋能近 10,000 名客服坐席。GenAI 能力从 2024 年初开始集成并推出，早期结果显示，坐席可降低通话处理时长，并将政策和流程搜索时间最多改善 70%。 Discover 还计划进一步增强电话转写、来电主题分类、客户情绪分析，以及把 AI 能力注入内部 CRM 系统。这说明客服 AI 可以从“找答案”逐步扩展到“理解通话、分类意图、生成摘要、沉淀客户洞察”。
Crédit Mutuel Alliance Fédérale + IBM
Crédit Mutuel Alliance Fédérale 自 2016 年开始采用 AI，已经形成较成熟的顾问辅助、文档理解、风险和合规能力。到生成式 AI 阶段，问题不再是能否做一个试点，而是怎样在银行自有基础设施、伦理 AI 承诺和大规模顾问网络之间实现工业化。 该集团强调自身是“主权技术银行”，大量 IT 处理运行在自有数据中心。对于欧洲银行而言，这一点尤其重要：生成式 AI 要创造价值，同时要满足数据主权、客户关系、内控和审计要求。
官方披露，该集团 25,000 名顾问每天使用 AI，2023 年 AI 释放近 100 万小时行政工作时间，使顾问能更好服务客户和会员。35 个新用例计划从 2024 年夏天开始逐步上线首批能力。 案例也说明，生成式 AI 工业化不是从零开始，而是在已有 AI 文化、顾问使用习惯、内部数据中心和 Cognitive Factory 基础上继续升级。对银行来说，这种“已有 AI 能力 + 新大模型平台”的路径比纯试点更可复制。
Rabobank
很多银行 AI 项目失败，不是模型能力不够，而是没有进入员工每天真实使用的流程。Rabobank 的经验强调，企业价值不来自更炫的模型，而来自稳固集成到日常工作流：摘要、知识检索、客户历史梳理、流程支持。 客服和客户顾问的低价值消耗通常很“无聊”：读长对话、找历史记录、翻内部流程、总结上次互动。这些任务不适合完全自动决策，却非常适合 LLM 做信息蒸馏和检索增强，让员工把时间用在高质量服务上。
官方披露，仅 12 月单月 Rabobank 就向 20,000 多名独立用户交付超过 100 万份摘要，支持超过 300,000 次互动。文章估算，如果每通帮助台对话只节省 1 分钟，就相当于客户少等 1 分钟，员工合计节省 6,000 小时繁琐工作。 这个案例的价值在于，它给出了一种务实指标：不必先证明模型能“替代人”，而是证明它能在大规模互动中每次减少一点重复劳动。银行可用这种方式把 AI 价值从单次炫技变成累计运营收益。
Intesa Sanpaolo
公司银行全球关系经理要处理大量客户、市场、监管、产品和内部信息。如果信息无法快速整理，客户经理就会把时间花在资料处理上，而不是客户关系和方案设计上。Intesa Sanpaolo 把 AI 定位为员工的“第二大脑”，用于处理和总结大量信息。 同时，监管文本数量大、变化快，银行很难完全依靠人工阅读。Lisa 和 Aptus.AI 展示了监管科技方向：让机器读取、结构化并支持交互式访问监管文件，提高决策勤勉性。
官方文章披露，公司银行 AI 方案已经帮助全球关系经理将 proposal conversion rate 提升 70%。银行还披露，生成式 AI 实验已识别 15 个潜在新业务用例，影响范围覆盖 HR、后台、公司银行、法律等多个部门。 该行预计 2024 年底会看到第一个生成式 AI 生产解决方案。这个案例说明银行可先在传统 AI 和文本智能上形成生产价值，再逐步把生成式 AI 引入更广泛流程。
MUFG Bank + Private AI
银行拥有大量邮件、呼叫中心记录、内部文档、PDF、聊天日志等非结构化数据，这些数据对生成式 AI 和高级分析非常有价值，但包含个人身份信息和机密信息，直接使用会带来重大隐私与治理风险。 MUFG 的案例说明，在生成式 AI 规模化之前，银行必须先解决数据可用性与数据保护之间的矛盾。不是所有数据都能直接进入大模型或数据湖，必须先完成识别、脱敏、匿名化和权限控制。
官方披露，在正式采用前，MUFG 已对模拟实际业务的多种非结构化文件进行技术测试，并确认对金融机构特别重要的信息类别具备足够实用的高精度匿名化表现。实施后，原本难以使用的非结构化数据可以在治理框架内进入分析和 AI 流程。 该案例的重要性在于，它不是直接展示一个前台 AI 功能，而是展示银行 AI 的“数据底座治理”。如果没有这类能力，很多生成式 AI 用例只能停留在公开资料或低敏数据，无法进入真正有价值的业务流程。
Banco do Brasil + IBM + EY
当银行只有几个 AI 试点时，治理可以依靠项目评审和人工文档；但当 AI 进入数百个生产用例、服务上千万客户时，风险就变成体系问题。模型是否公平、可解释、合规、可追溯，已经不是数据科学团队内部问题，而是银行信任和公共责任问题。 Banco do Brasil 是拉丁美洲历史最悠久的大型银行之一，IBM 案例披露其拥有 80 百万+ 客户和数百个生产 AI 用例。作为公共金融机构，它需要在创新、监管义务和公众期望之间建立可证明的 AI 治理体系。
IBM 案例披露 Banco do Brasil 拥有数百个生产 AI 用例和 80 百万+ 客户。 项目目标是用统一 AI 治理系统支持责任、透明和规模化 AI。 关注公平性、可解释性、合规性、监管证据和制度化监督。 Banco do Brasil AI 负责人公开表示 AI 不替代人，而是通过自动化释放人的潜力，但前提是有正确结构、文化和治理。
Allica Bank
成熟中小企业申请融资时，银行需要处理财务报表、银行流水、工商资料、资产信息、经营说明和担保材料。传统流程中，大量时间消耗在材料收集、人工录入、初步核对和跨团队传递上，客户感受到的是等待，信贷团队感受到的是重复劳动。 Allica Bank 在 Qorus-Infosys Finacle Banking Innovation Awards 2026 提交的案例强调，用 AI 去除人工瓶颈、加速信用决策、改善企业客户体验。该案例虽然公开细节有限，但足以反映英国中小企业银行把 AI
2026 年 4 月作为 Qorus-Infosys Finacle Banking Innovation Awards 2026 银行创新案例披露。 官方摘要称其改变了成熟企业申请融资的体验。 目标是用 AI 消除人工瓶颈、加速信用决策并改善客户体验。 属于真实银行提交的创新案例，但公开页面为 Premium，细节披露有限。
内容整理自金融 AI 长期进化实验室。银行用例、开源项目与 Skill 工作流分开展示；商业合作、计划和试点的表述按原分析保留，披露指标不等同于独立审计结果。
业务分类和技术标签按公开规则归纳；同机构不同项目、同名但来源不同的 Skill 独立保留。总览与正文只计一次，相同机构项目或相同上游路径合并并保留来源版本。当前 462 条来源记录，合并 0 条重复记录。
每日检查公开仓库，更新时保留上一版有效内容；如果来源删除已有记录或结构发生变化，暂停覆盖，等待核对。最近检查：2026/11/14（香港时间）。当前来源修订：06778e55 ↗。