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 156 条 · 生成式 AI
清除筛选State Street Investment Management
投资管理面对的不是单一客户问题，而是海量市场数据、非结构化文本、风险因子、交易信号和投资组合约束。AI 可以提升预测、研究和风险分析能力，但如果模型不可解释、过度复杂或对输入过度敏感，就可能影响投资纪律。 State Street Investment Management 的案例强调“AI backed by investment principles”。它把 AI 看作放大人类判断的工具，而不是替代投资专家的黑箱。对于银行资管、理财和投研团队来说，这种纪律性尤其重要。
官方文章披露，AI/ML 已在投资流程中服务交易、预测、风险分析和研究自动化。该机构持续增强量化投资平台，并用生成式 AI 强化这些平台的灵活性、可扩展性和自动化。 虽然文章没有给出收益率提升数字，但它提供了非常重要的治理框架：在投资领域，能否解释、能否稳健、能否融入流程，比单次预测准确率更关键。这对银行学习 AI 投研尤其有价值。
Nomura Group + AWS
金融机构的营销材料、广告和客户沟通内容需要满足严格合规要求。人工审查需要专业知识，遇到高峰量时容易形成瓶颈，拖慢业务上线和全球运营协作。对于跨 30 多个国家运营的 Nomura，合规审查效率和一致性尤其重要。 这个案例说明生成式 AI 在金融机构中很适合用于“高量、规则密集、需要专家复核”的流程。目标不是绕过合规，而是用 AI 先识别问题、加速审查、提高一致性，使专家把精力放到真正复杂和高风险内容上。
AWS 案例披露，Nomura 在 12 个月内利用 AWS Managed Services 和多模型编排，缓解了高量广告审查所需专业知识造成的瓶颈。通过自动化合规检查和简化运营，Nomura 提高了准确性、缩短处理时间，并实现更顺畅的全球运营。 该案例没有披露具体百分比，但重点在于把生成式 AI 纳入合规流程本身，而不是把 AI 视为需要被合规审查的外部工具。这对银行广告、产品材料、理财销售话术和公告审核都有借鉴意义。
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。
Commerzbank
移动银行已经成为零售客户处理日常金融事务的主入口，但传统 App 菜单和规则式机器人仍然要求客户理解银行产品结构、找到正确入口、按固定路径点击。对于账户模型、信用卡、交易操作、密码、限额等问题，客户往往需要在 App、网页 FAQ、电话客服之间切换。 Commerzbank 推出 Ava 的重点不是简单增加一个聊天窗口，而是把“银行 App 内自然语言服务”做成更接近真人互动的形态。Avatar 让客户看到一个可对话的虚拟形象，同时保留银行级安全、身份认证和监管约束，适合学习
2025 年 4 月宣布推出，面向 Commerzbank banking app 用户逐步开放。 官方称其为德国较早将生成式 AI 与 Avatar 技术结合到客户银行应用中的案例。 Ava 提供 7×24 即时支持，目标是减少等待时间，让日常银行事务更快、更简单、更便利。 开发过程中考虑了高安全标准和与人工智能相关的监管要求。
La Banque Postale + Mistral AI
欧洲银行在部署生成式 AI 时面临两个并行目标：一方面要获得高性能大语言模型带来的效率提升，另一方面要满足银行数据安全、监管、国家数字主权和供应链可控要求。尤其是客户数据、内部流程、支付和保险资料，不能简单交给不可控外部环境处理。 La Banque Postale 与 Mistral AI 的三年合作体现了“模型公司 + 银行本地基础设施 + 嵌入式工程团队”的新模式。它不是一次工具采购，而是把生成式 AI 平台放到银行自身技术体系中，让员工、业务部门和未来客户场景都能在主
2026 年 5 月宣布三年战略合作。 Mistral AI 模型将部署在 La Banque Postale 的服务器和数据中心。 专属 Mistral AI 团队将与银行开发团队协作。 目标覆盖员工、业务部门和客户场景，并兼顾经济绩效与国家主权要求。
Yapı Kredi
银行分行销售目标管理经常面临两个难题：目标不公平和过程不可视。不同地区、客户基础、产品成熟度和员工能力差异很大，如果统一下达指标，容易引发争议；如果只到月底看结果，又很难及时纠偏。 Yapı Kredi 的案例把 200+ AI 模型、绩效跟踪和生成式 AI 教练放到一个分行销售管理场景中，体现了 AI 从“客户推荐”扩展到“组织管理与员工 coaching”的趋势。
2026 年 4 月 Qorus-Infosys Finacle Banking Innovation Awards 2026 案例披露。 官方摘要称 200+ AI 模型设定公平目标，一个屏幕替代四个屏幕。 披露结果包括 1,200 万美元收入增长、80%+ 活跃采用率、目标争议减少 80%。 生成式 AI coach 用于指导每位分行员工每日工作。
DBS Group
公司银行和现金管理中仍存在大量“手工付款”场景：客户提交的付款指令、附件、表格或非标准文本需要运营人员阅读、录入和校验。手工处理不仅慢，而且容易产生录入错误、重复沟通和运营风险。 DBS 的 IBGO 案例聚焦用生成式 AI 改造手工付款提取和处理，从印度和新加坡开始，再扩展到亚洲重点市场。这说明即使是数字化领先银行，后台支付运营中仍有大量可被 AI 重构的非结构化流程。
2025 年 6 月 Qorus-Infosys Finacle Banking Innovation Awards 2025 案例披露。 官方摘要称 DBS Bank 的 IBGO 用生成式 AI 改造手工付款。 从印度和新加坡开始，计划到 2026 年扩展到亚洲重点市场。 目标是告别手工数据录入，提升自动化效率。
ING
按揭是银行最复杂、客户体验痛点最明显的零售流程之一。需求波峰、材料多、审批链条长、客户焦虑强，都会导致响应时间变慢。与此同时，大型银行还要维护大量遗留系统，迁移成本高、风险大、周期长。 ING 零售银行负责人在 2026 年访谈中明确提到，AI 已不再局限于运营效率，而可能让更多客户获得过去只服务高端客群的金融建议。其 Agentic AI 测试从按揭开始，同时覆盖对话式 AI、遗留系统迁移和竞品监控，体现了银行从单点助手走向工作流智能体。
2026 年 4 月 ING 官方新闻发布访谈。 Agentic AI 从按揭开始测试，并计划扩展到欧洲层面。 目标是在需求高峰中保持响应速度，同时推动更自然的客户交互。 遗留系统迁移 agents 处于 pilot 阶段，访谈称可将成本减半。 大语言模型用于监测竞争对手并持续审查，提高适应市场能力。
Lloyds Banking Group
银行 AI 规模化的瓶颈不只在模型，而在组织能力。几万名员工每天会遇到 HR 政策、福利、流程、系统使用和客户服务相关问题，如果全部依靠人工支持，响应慢且成本高；如果员工不会负责任使用 AI，工具也难以产生真实价值。 Lloyds Banking Group 在 2026 年披露，2025 年 GenAI 已创造约 5,000 万英镑价值，并预计 2026 年下一代 AI 再带来超过 1 亿英镑价值。除了客户财务助手、Athena、工程 Copilot 之外，AI HR As
2025 年 Lloyds 部署 50+ GenAI 解决方案。 2025 年 GenAI 为集团创造约 5,000 万英镑价值，2026 年预计新增超过 1 亿英镑价值。 AI HR Assistant 约 90% HR 查询首次正确解决。 集团计划为 67,000 名员工推出 AI Academy。 约 5,000 名工程师使用 AI 编码工具，既有系统代码转换效率提升 50%；Athena 由 20,000 名员工使用，平均搜索时间减少 66%。
Bank of China (Hong Kong)（中银香港）
香港银行业同时面临两个方向的数字化压力：一方面，客户希望手机银行和线上渠道能够提供更自然、更个性化、更具语言适配能力的服务；另一方面，深度伪造、伪造文件、伪造生物特征等新型欺诈正在提高数字开户、贷款审批和远程身份核验的风险。 中银香港在金管局 GenA.I. 沙盒首轮中同时测试“数字人助理”和防欺诈解决方案，代表了一个很重要的趋势：银行不再只把 GenAI 用作问答机器人，也把多模态 AI 用于视频、图像、语音、文件和身份风险控制。对于跨境和东南亚区域化服务，语言、多渠道和安
中银香港披露，首轮 GenA.I. 沙盒测试取得积极反馈，超过半数参与测试的客户及员工受访者表示期待“数字人助理”进一步扩展应用范围。这说明数字人不只是展示型技术，如果能和真实知识库、语言能力及安全控制结合，客户和员工对扩展使用存在需求。 官方材料还显示，中银香港将在第二轮沙盒中继续深化 GenA.I. 技术应用，结合内外部数据与智能语音交互技术进一步优化客户服务体验，并通过强化 AI 安全防护机制提升银发族使用数码理财的信心。首轮测试成果成为第二轮财富管理和风险管理扩展的基础。
Bank of East Asia + CLPS
很多银行已经部署 RPA，但传统 RPA 面临两个典型问题：一是流程设计和维护依赖技术人员，业务人员难以自建；二是自动化流程一旦增多，合规要求、流程变更、异常监控和运行风险会变得复杂。生成式 AI 让银行有机会把“写流程、查规则、监控运行、解释异常”这些工作智能化。 Bank of East Asia 在金管局第二期 GenA.I. 沙盒中与 CLPS 合作测试 Nibot，目标是把 GenAI 与 RPA 结合，提升银行运营效率，同时主动管理风险。这个案例的特点是，它不只做
该项目于 2025 年 10 月入选金管局第二期 GenA.I. 沙盒，作为提升运营效率和风险管理的 PoC。BEA 披露，该方案旨在精简工作流、提升效率并主动管理风险；通过 BEAST 金融科技协作平台，银行将自身业务经验与 CLPS 技术能力结合，探索新一代智能风控与运营自动化模式。 虽然公开材料尚未披露量化节省时间，但它展示了银行 RPA 从“脚本自动化”走向“AI 辅助流程工程”的方向。对于已经有大量机器人流程的银行，后续价值可能来自流程开发周期缩短、控制点一致性提高、运行异常更早发现，以及业务用户参与自动化创新的门槛降低。
China Construction Bank (Asia)
银行客户在寻找产品和服务时，经常遇到信息过载、回答不一致和缺乏个性化的问题。尤其在全功能商业银行中，零售、商业、企业、跨境、绿色金融等产品线复杂，客户和前线人员都需要更准确、更快速的服务入口。传统搜索和固定菜单很难理解自然语言意图，也很难根据客户特征生成合适回应。 建行（亚洲）在金管局第一期 GenA.I. 沙盒中测试 Smart Engage，并在第二期继续以 Smart RM Assistant 探索客户经理辅助。这个案例把客户自助问答和客户经理经营连接起来：前者解决客户
建行（亚洲）披露，第一期沙盒成功验证了 GenA.I. 在优化服务流程、增强个性化交互和提升服务体验方面的应用效能。验证结果显示，通过高质量数据驱动、高效技术适配、灵活模型分层和混合合规架构，GenA.I. 可在银行业实现精准回应、快速迭代与安全扩展，有效提升客户体验。 该用例还在金管局公众展览上展示，并为第二期 Smart RM Assistant 积累经验。第二期重点将从“客户问答”延伸到“关系经理经营”，聚焦客户关系管理痛点，用 AI 提升客户服务质量和服务连续性。
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 ↗。