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
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。
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。
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。
KASIKORNBANK / KASIKORN Business-Technology Group（KBTG）
泰国 KBank 的技术子公司 KBTG 把 2025 年定位为 Agentic AI 时代，目标不是单纯引入工具，而是把人才发展、AI 平台和社会价值结合起来。它提出 Human-First x AI-First Transformation，强调人和 AI 协同而非简单替代。 银行科技组织面临两类压力：一方面要把 AI 用到 eKYC、视频分析、文档 OCR、客服和数据分析等真实业务；另一方面要避免每个团队重复造助手、重复接模型、缺少治理。因此 KBTG 推出 Athen
官方披露，KBTG 目标是在未来五年创造超过 100 亿泰铢业务影响。其 AI 编码助手已生成超过 500,000 行代码，并至少减少开发者 20% 工作时间。KBTG 还获得 Global Finance 2024 Innovators 奖中的 eKYC 防面部欺诈创新类别。 该案例也披露 KBTG 在 AI 研发上有较强积累，包括 AINU、THaLLE、Future You、Koo Kid、AI-Enabled Video Analytics、Document OCR，以及 30 篇国际期刊论文和 ACL 2024 论文成果。
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
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。
Maybank Indonesia
东南亚零售银行客户正在从“查余额、转账”转向“理解资产、规划目标、获得个性化建议”。Maybank Indonesia 希望在移动 App 中提供统一入口，让客户查看投资组合、支出、资产负债，并围绕长期财务目标做计划和跟踪。 该行特别考虑年轻专业人士、年轻家庭、中年人和银发 / 黄金年龄客群的不同痛点。财富管理 AI 的关键不是推一个产品，而是根据客户生命周期、风险偏好、交易模式和目标，提供不同层次的建议和可视化。
ServiceNow 案例披露，该功能已在印尼市场推出，并显示出转型潜力。虽然项目仍处于较早阶段，但 Maybank 将印尼经验视为可迁移到集团其他市场的学习样本。 案例还显示，Maybank Indonesia 建立了三人高层治理委员会，包括首席数字官、CEO 和数字零售董事，监督银行所有转型举措执行。这说明财富 AI 上线不仅是产品功能，更是治理和组织转型。
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。
BMO Insurance
寿险顾问在客户现场沟通时，常常需要快速回答医学核保问题、理解承保规则、判断还需哪些资料。传统方式依赖顾问查阅大量文档或回到后台咨询核保人员，会拖慢销售和服务节奏，也影响客户体验。 BMO Insurance 将生成式 AI 用于 field underwriting，说明银行集团的 AI 不只局限于银行账户和支付，也可以延伸到保险、财富和综合金融服务。关键目标是让顾问在现场拿到准确、及时的信息，同时保持核保专业边界。
官方披露，该方案于 2024 年 8 月内部推出，并计划 2024 年 11 月 30 日开始外部分阶段推出。BMO 称其为加拿大个人寿险行业首个同类 AI 助手。 虽然官方未披露具体节省时间，但明确表示方案可加快 field underwriting 流程，帮助顾问减少复杂查询和文档搜索时间，把更多精力放在客户关系和个性化保障需求上。
DNB
DNB 是北欧大型银行，客户中心每天接收大量聊天请求。高峰期需要兼职临时人员处理大量重复问题，这会造成成本压力，也让专业客服无法专注复杂问题。银行因此选择“chat-first”策略，让客户先通过虚拟代理获得帮助。 Aino 的价值在于，它不是只回答简单 FAQ，而是作为第一线客户支持入口。客户可以询问信用卡、贷款等信息，登录后还能通过聊天界面直接与账户相关功能交互，并在复杂问题上转人工。
案例披露，Aino 每天完成 10,000 多次全自动客户互动。上线 6 个月内，它自动化超过 50% 的在线聊天流量，并累计与超过 100 万客户互动。DNB 报告 Aino 自动化 50%-60% 所有在线聊天流量，约占全渠道客户服务流量 22%。 案例还披露，DNB 在 6 个月内自动化 20% 全部客户服务流量，CSAT 在 2020 年第三季度达到 68% 的历史高位。虽然部分数据来自较早实施期，但 2026 年案例更新证明该系统仍被作为银行聊天自动化代表案例。
Absa Group + Salesforce
南非银行已经开始把 Agentic AI 用到业务关键流程。Absa 的案例展示了一个更接近“数字员工”的形态：智能体不只是回答问题，而是自动汇总客户资料、准备会前简报、处理多语言客服、监测技术问题，并在一定边界内完成任务。 中小企业开户和客户经营是典型痛点。传统 SME onboarding 需要客户经理跨系统收集文件、验证企业登记、做 KYC、评估信用并配置产品，可能分散在多天完成。自动化和智能体能把部分流程压缩到分钟级，扩大银行服务小微客户的经济可行性。
官方披露，客户经理过去约 75% 时间用于准备、25% 用于客户互动；AI agent 自动化大量准备工作后，行政时间降低 75%-90%，使客户经理把更多时间用于客户。客服智能体早期结果显示约 40% 查询无需人工，部分原本最多 30 分钟的回复变为即时，成功率接近 99%。 技术运维智能体已处理超过 6,400 个内部支持查询，成功率约 96%，大多数问题无需升级到技术支持团队。该案例把 Agentic AI 的价值从单点效率扩展到客户经营、服务和运营稳定性。
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。
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。
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 ↗。