UC-083银行用例 ／ 客户服务
Lloyds Banking Group
越来越多客户开始使用通用 AI 工具管理个人财务，但通用工具存在两个问题：一是不了解客户真实银行数据和个人情况，二是可能输出过时或不准确的金融建议。Lloyds 的调研显示，英国 56% 成年人在过去 12 个月使用过 AI 帮助管理钱，其中 80% 担心信息不准确或过时，69% 担心缺乏基于个人情况的个性化。 这为银行提供了机会：在安全的手机银行 App 内提供受监管、可解释、可转人工的 AI 财务助手，把消费洞察、储蓄投资规划和产品服务结合起来。与传统虚拟助手相比，该类工
披露摘要Lloyds 披露，2025 年生成式 AI 已交付约 5,000 万英镑价值，预计 2026 年下一代 AI 将创造超过 1 亿英镑价值。该财务助手计划从消费、储蓄、投资逐步扩展到 Lloyds 的完整金融产品，包括按揭、汽车金融和保障需求。 官方强调，该助手不同于通用 AI 模型，使用经策展的银行数据确保回答准确且贴合客户，并具备记忆能力以提供更整体的客户体验。它还内嵌 AI assurance framework 和 guardrails，帮助实现安全、可解释、受监管的互动。
UC-084银行用例 ／ 平台治理
Lloyds Banking Group
当银行各团队都开始尝试 AI Agents 时，最大的风险是重复建设、缺少统一控制、无法监控行为、难以复用成功经验。智能体比普通聊天机器人风险更高，因为它可能记忆上下文、调用工具、执行任务甚至影响客户旅程。 Lloyds 的 Envoy 案例展示了一个更成熟的组织模式：不是让每个团队独立搭建智能体，而是提供内部平台、模板、市场、审核、监控和审计轨迹，让团队在同一治理框架下构建和共享智能体。
披露摘要官方披露，Envoy 的目标是让员工更高效、改善客户旅程，并支持潜在的颠覆性业务模式。对于处理客户数据的 Agents，Envoy 允许在遵守隐私和保留规则的前提下记住对话中的重要细节，以减少客户重复说明。 Envoy 是 Lloyds 更广泛 AI 生态的一部分，功能将在 2026 年继续演进。它强调强控制、监控和监督，说明银行已经开始把智能体作为可治理的企业能力，而不是实验室玩具。
UC-088银行用例 ／ 平台治理
Monzo
数字银行的竞争优势很大程度来自数据和模型能力。欺诈防控、客户服务、信贷、个性化和产品体验都需要持续学习和快速迭代。Monzo 的 2025 年机器学习总结不是单一案例，而是展示一家数字银行如何把 ML 从早期试验发展成覆盖核心业务的能力体系。 该案例对银行从业者很有价值，因为它把 AI 应用按成熟度分层：反欺诈已是成熟高影响场景，客户与金融犯罪运营正在快速发展，信贷决策是负责任放贷基础，个性化是最新前沿，而 ML 平台是所有场景的基础设施。
披露摘要Monzo 披露，机器学习每年帮助防止数百万英镑的未授权交易、诈骗和 money-muling 损失。LLM 驱动的运营系统已经带来一批强结果，包括自动处理部分客户查询、更快的决策工作流、可衡量的客户满意度提升，以及更快、更一致、更具上下文感知的支持。 在信贷方面，Monzo 使用 ML 预测信用风险、理解额度使用和估计产品倾向，从而在风险偏好内向更多客户提供合适价格和额度。个性化方面，Monzo 正在用消费、储蓄和产品使用数据推荐下一步行动，帮助客户更好地管理钱。
UC-090银行用例 ／ 公司银行
American Express
智能体商务意味着 AI Agent 可以代表客户发现商品、比较选项并完成购买。传统支付系统假设“人”浏览、决策和点击购买；但当智能体根据客户预设意图执行交易时，支付网络必须回答新的问题：这个智能体是否被授权？它能花多少钱？能在哪些商户买？如果出错谁负责？ American Express 的 ACE Developer Kit 正是为这个新支付模型设计。它把客户意图、智能体授权、支付凭证、商户执行和审计追踪连接起来，试图在智能体自主性和支付安全之间建立可执行边界。
披露摘要American Express 在 2026 年 4 月发布 ACE Developer Kit，并宣布面向注册智能体购买的行业首创保护机制。技术文章披露，ACE 设计为不要求合作伙伴根本改变既有支付基础设施，商户仍可通过现有支付轨道处理交易。 ACE 还采用 OAuth、双向 TLS、加密、令牌化、动态凭证、短期授权工件和防重放保护。未来还将提供 SDK、Agent Skills、MCP server 和 reference implementations，降低开发者集成门槛。
UC-091银行用例 ／ 公司银行
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。
披露摘要官方披露，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。
UC-093银行用例 ／ 风控合规
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
披露摘要官方披露，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。
UC-094银行用例 ／ 数据与研发
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，
披露摘要官方披露，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。
UC-096银行用例 ／ 客户服务
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。
披露摘要官方披露，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”。
UC-097银行用例 ／ 平台治理
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。
披露摘要官方披露，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。
UC-098银行用例 ／ 客户服务
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。
披露摘要官方披露，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。
UC-099银行用例 ／ 运营提效
ABN AMRO Bank
ABN AMRO 已经运行多个聊天机器人，但生成式 AI 和新对话平台出现后，客户对数字助手的期望提高。银行不仅要回答问题，还要支持荷兰语理解、语音 IVR、员工门户、监控、生命周期管理和持续交付。 该案例代表“传统机器人迁移到智能体平台”的路径。银行不是单点做一个 chatbot，而是把客户文本 / 语音助手 Anna、员工门户助手 Abby、Azure AI Language、Azure Speech、Azure DevOps、Power BI 和监控体系组合起来。
披露摘要微软案例披露，ABN AMRO 迁移到 Copilot Studio 并部署新智能体后，荷兰语意图识别准确率提升 7%。Anna 在文本和语音渠道保持高客户满意度，IVR bot 降低了放弃率和转接率；Abby 则成为更有效、可靠的员工支持工具。 该行还因 Copilot Studio 内置能力降低了运营和维护成本，并提高扩展 AI 能力的能力。这个案例适合学习“语言模型 + 语音 + 中间件 + 指标仪表盘 + CI/CD”的完整交付方式。
UC-101银行用例 ／ 公司银行
Crédit Agricole CIB
公司与投行业务客户复杂、产品多、数据分散，客户经理需要理解客户画像、融资需求、交易银行、贸易金融、现金管理和风险信息。Crédit Agricole CIB 的数字化转型由 ACT 项目推动，目标是改善客户和员工体验，同时优化绩效。 该行一方面建设面向客户的 Optimall 平台和 API marketplace，另一方面建设 Augmented Banker，使高级银行家能在同一界面找到相关客户信息。这说明公司银行 AI 的核心不是单纯聊天，而是把分散客户信息、产品数据和
披露摘要官方年报披露，AI Factory 在 2023 和 2024 年交付超过 100 个 AI 生产用例，其中包括 6 个生成式 AI 用例。Receivables and Supply Chain Finance 数字解决方案在 2024 年贡献 34% NBI 份额。 Optimall 平台已服务超过 100 家客户，并逐步整合 Trade Finance 和 Cash Management 服务。该行计划在 2025 年进一步普及 AI 项目，并扩大云等新技术使用。