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 462 条
BBVA
大型银行的 AI 转型难点不在于做一个聊天机器人，而在于把客户交互、风险管理、流程运营、软件研发、员工工作方式和数据底座统一成可规模化的体系。单点试点容易出效果，但如果没有统一架构、数据治理、复用机制和组织能力，很快会变成重复建设和局部自动化。 BBVA 在 2025 年披露的 The Eight，把 AI 转型拆成六个“机器人”与两个基础支柱，体现了银行从“工具采用”进入“运营模式重塑”的趋势。它的目标不只是节省时间，而是让银行能更主动地理解客户需求、提供个性化建议、提升风
BBVA 披露，Blue 已能处理 150 多类查询并执行简单交易，未来将演进为面向数百万客户的智能财务助手。BBVA 内部员工已经创建 20,000 多个专用 GPT，其中 4,000 多个被频繁使用。 内部测量显示，部分任务节省时间超过 76%，员工反馈每周接近节省 3 小时。这说明企业级 GenAI 价值不只来自单个爆款应用，也来自大量小型、贴近岗位的自定义助手。
UniCredit + Google Cloud
跨国银行的技术基础设施通常分散在多个国家、多个核心系统和多个历史平台之上。要真正规模化 AI，不仅需要模型能力，还需要统一的数据、云、算力、身份权限、网络安全和弹性架构。否则，AI 只能停留在局部 PoC，难以跨市场复用。 UniCredit 与 Google Cloud 的 10 年合作说明，大型银行正在把 AI 作为云转型和技术现代化的一部分来推进。该项目不是单一应用，而是为 13 个核心市场逐步迁移关键应用、建立统一平台，并在此基础上开发客户体验、投行洞察、运营优化和金
官方披露，这是一个 10 年协议，覆盖 UniCredit 的 13 个核心市场，定位为该行数字战略的关键支柱。它将支持大量应用景观迁移，包括集团层面的遗留系统，并提供统一的可扩展基础。 该项目的价值不在于短期单一指标，而在于把 AI、数据和虚拟化基础设施推进到核心运营与一线客户方案。UniCredit 高管强调，合作需要满足网络安全态势和韧性要求，并支撑未来市场扩张和并购后的快速适配。
CaixaBank
当银行内部同时出现机器学习、生成式 AI、智能体和外部供应商 AI 服务时，传统的项目审批和模型管理机制很难覆盖完整生命周期。业务部门希望快速创新，合规和风控部门又必须确保伦理、监管、数据保护、模型稳健性和实际业务价值。 CaixaBank 的 AI Office 体现了一个重要趋势：银行不再把 AI 治理仅仅放在技术部门，而是建立集团级的单一入口和跨职能团队，覆盖所有类型 AI 项目的需求提交、策略制定、运行管理、文化培训和合规控制。
CaixaBank 在 2025-2027 战略计划中安排 50 亿欧元投资于流程和技术，并将生成式 AI 用于渠道更新、商业能力和客户服务能力建设。官方披露，AI 已经用于远程签约支持、App 客户产品探索、业务与运营流程自动化、员工决策支持和 IT 运维自动化。 在已披露效果上，CaixaBank 表示 AI 使客户查询响应能力提升 20%，银行卡相关事件响应时间降低 80%。该行还拥有西班牙金融业最大的数字客户基础，约 1,250 万数字客户。
平安银行
手机银行 App 往往承载大量产品、资讯、权益和活动，但很多内容以散点方式呈现，客户被动接收，缺少参与感和连续陪伴。长尾客户尤其难以获得高频、个性化、有温度的金融服务，传统人工客户经理又无法覆盖所有人。 平安银行的“小安”案例展示了零售银行如何把 AI、大数据、虚拟人、外呼和 App 内服务结合起来，把客户经营从“统一活动推送”改造成“基于客户旅程和实时事件的个性化陪伴”。同时，该行建设大模型开放平台，将能力复用到营销、客服、风险、办公等多个领域。
平安银行官方披露，截至 2024 年 9 月末，该行已落地超 100 个大模型应用场景。2024 年 1 月至 9 月，AI 外呼应用场景超过 550 个，外呼规模约 4.4 亿通；AI 质检配置模型超过 780 个，调用量超过 6.84 亿次。 这组数据说明，银行 AI 已经从“单个聊天机器人”走向“高频运营基础设施”。AI 外呼、质检、营销和风险政策问答等场景，虽然每个单点不一定都很炫，但能在大规模客户经营和运营管理中释放效率。
Commonwealth Bank of Australia + OpenAI
澳大利亚银行面对的核心挑战之一是诈骗和欺诈快速升级，尤其是社交工程、实时支付和跨渠道欺诈。同时，大型银行内部有大量员工需要处理客户服务、文档、分析、运营和技术工作，AI 能力如果只停留在小团队试点，很难形成组织级生产力。 CommBank 与 OpenAI 的多年期合作，代表银行将先进生成式 AI 同时用于客户保护、个性化服务和员工能力建设。它不是简单购买 ChatGPT，而是让双方工程师共同探索银行级 AI 解决方案，并通过企业级工具和培训建立负责任使用能力。
OpenAI 后续案例披露，CommBank 正在向接近 50,000 名员工推广 ChatGPT Enterprise，把 AI 从有限试点变成全组织核心能力。目标是把 AI 融入日常工作流，再扩展到智能体驱动的客户服务、欺诈和诈骗响应等高影响场景。 CommBank CEO Matt Comyn 表示，合作目标是把世界级能力带到澳大利亚，探索 AI 如何提升客户体验、保护客户并为澳大利亚企业释放新机会。Sam Altman 也强调，CommBank 每天服务大量个人和企业，双方希望让先进 AI 对澳大利亚人更有用。
招商银行
零售银行客户数量大、需求碎片化、产品组合复杂，是最适合 AI 探索的场景之一。客户需要随时查询账户、权益、理财、贷款、信用卡和生活服务，员工则需要快速理解制度、产品、流程和客户情况。如果客户侧和员工侧各自割裂，服务体验和运营效率都难以提升。 招商银行副行长王颖在 2025 年业绩说明会上表示，招行 AI 建设和应用主要聚焦“AI 小招”和“AI 小助”。这体现了一个清晰路径：客户侧用 AI 提升自助服务和个性化陪伴，员工侧用 AI 覆盖全岗位，形成“客户助手 + 员工助手”的
经济参考报 2025 年 9 月报道，招商银行“AI 小招”每月服务客户超过 2,000 万，“AI 小助”已覆盖全行所有岗位。招行还持续夯实“云 + AI + 中台”科技底座，并推动企业级 AI 中台支持全行大模型应用推广。 这组数据的价值在于说明，银行 AI 不再只是“少数员工试用的工具”，而是开始接入真实客户规模和全岗位员工规模。对学习者来说，招行案例适合理解零售银行 AI 的规模化入口。
工商银行
大型银行的信贷和市场风险管理需要处理制度、行业、财务、交易、抵质押、舆情、外部市场和客户经营等大量信息。传统流程依赖人工收集、人工阅读和人工判断，容易出现效率低、信息遗漏、风险传导不及时等问题。 工商银行的案例显示，AI 在风险管理中的价值正在从“辅助查询”升级到“智能体矩阵 + 风控平台”。它既覆盖市场风险智能排查，也进入对公信贷、评审助手和信用风险监控等核心风控环节。
官方披露的关键效果包括：企业级千亿金融大模型已赋能 20 余个主要业务领域、200 余个场景；2025 年新增 100 余个 AI 应用场景；智能风控平台覆盖全部境内分行和 130 多个风控决策场景。 这些指标表明，工行 AI 应用已经进入企业级规模化阶段，尤其是在市场风险和信贷风险等高价值场景中形成了平台化能力。对银行学习者而言，该案例适合理解“AI + 风控”不是一个模型，而是一组平台、知识、智能体和人工审批机制。
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%。
建设银行
国有大型银行业务线极广，既有网点服务、零售客户经理、普惠金融、财富管理，也有对公授信、国际结算、托管、研发测试和运营支持。AI 如果只在单点使用，很难改变整体效率；只有嵌入员工日常工作流和核心审批流程，才可能释放规模化价值。 建设银行披露的大模型 398 个场景，适合观察“人 + 数字员工”的协同模式。它不是把人替换掉，而是让柜面员工、客户经理、审批人员、研发人员都获得垂直智能体或助手，把重复性文案、信息检索、政策比对、单据识别和测试生成交给 AI。
建设银行大模型技术累计赋能 398 个场景应用。网点员工问题响应 AI 助手覆盖率达到 99.42%，日均访问量超过 10 万人次。授信审批全流程 AI 应用可在 1 分钟内生成包括 5 大模块的评级审查意见初稿，自动撰写十余页审查意见初稿，最高生成比例达 90%。 该授信审批功能已在境内外广泛应用，月均生成超过 5 万份，覆盖对公客户超过 11.3 万户；2025 年人工审批业务量同比实现两位数增长，审批平均净用时下降超过 30%。另据披露，建行通过 500 项智能判断应用实现信用证自动核查，AI 代码生成率贡献达到 64%，功能测试案例采纳率达到 48%。
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
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。
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。
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。
Starling Bank + Google Cloud
个人客户普遍希望知道“钱花到哪里去了”，但传统手机银行的支出分析多依赖分类图表和筛选器。客户需要自己切换时间、商户、类别，门槛并不低。生成式 AI 的价值在于让客户直接用自然语言提问，例如“上周我在食品杂货上花了多少钱？”或“去年我捐了多少慈善款？” Starling 是数字原生银行，其案例展示了客户侧 AI 可以从低风险、只读、强价值的消费洞察切入。该类场景不直接发起交易或推荐高风险产品，但能明显提高客户理解自身财务的能力。
Starling 官方称，这是英国银行业首次让客户在 App 内用 AI 和自然语言直接与自己的消费数据互动。该工具是 Starling 客户侧 AI 战略的第一阶段，并与其“Good with money”使命结合。 Google Cloud 案例披露，Starling 通过 Gemini 和 Google Cloud 创建了直观的 Spending Intelligence 工具；同时，Starling 使用 Gemini 自动总结客户服务电话记录，每月节省 8,000 小时，并在帮助中心提供即时准确答案，使客户服务转介减少 50%。
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：2026/11/15（香港时间）。当前来源修订：06778e55 ↗。