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 155 条
清除筛选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。
Bank Mandiri + AI Rudder
零售催收与贷后恢复是强运营、强合规、强客户体验约束的流程。传统大规模催收依赖人工外呼、名单分配、脚本执行和事后质检，容易出现效率波动、合规不一致、客户触达慢和管理不可视。 Bank Mandiri 与 AI Rudder 的合作把 AI 视为任务关键型运营解决方案，而不是试点。目标是把大规模催收转为结构化、可问责、AI 驱动的工作流，在提高效率的同时保证法律合规和运营透明。
官方披露，该合作直接强化 Bank Mandiri 的催收流程，带来更高效率、更快客户互动和更有纪律的合规执行。Bank Mandiri RCR 团队表示，合作成功把大规模 billing workflow 转化为合法合规的 AI-powered system。 AI Rudder 还披露其服务覆盖 22 个国家、支持 20 种语言、服务 500 多家企业客户。这说明面向催收、客服、提醒等语音运营场景，AI 供应商的多语言和跨市场治理能力也成为银行选择的重要因素。
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。
LHV Bank + Gradient Labs
银行客服邮件是典型的“低结构、高责任”流程。客户问题可能涉及账户、卡片、收费、产品、投诉、身份核验和监管时限，处理慢会影响体验，处理不一致又会带来合规风险。相比在线聊天，邮件往往包含更长上下文、附件、历史沟通和多轮处理记录。 LHV Bank 选择从邮件客服测试 Agentic AI，说明银行智能体落地并不一定从最炫的客户前端开始，而是可以从后台支持、草拟回复、分类、信息提取和处理建议切入。这个场景适合学习“智能体可自主规划，但最终责任仍在人”的银行实践。
2026 年 3-4 月公开披露 PoC。 场景聚焦零售客户服务中的邮件问询。 试验强调 explainability、auditability、clear accountability 和 human oversight。 PoC 结果将用于形成 LHV Bank 未来 AI 客服方法和高级 AI 系统内部框架。
Banco Santander + Mastercard
AI 智能体商务的关键问题不是“AI 能不能帮客户挑商品”，而是“AI 能否在客户授权下真正完成支付”。一旦智能体可以代表用户付款，银行和支付网络就必须重新定义同意、限额、凭证、商户识别、争议处理和责任分配。 Santander 与 Mastercard 的案例重要性在于，它不是沙盘推演，而是在受控环境中使用 Santander 实时支付基础设施完成端到端交易验证。它把智能体支付从概念带到银行真实支付链路验证阶段。
2026 年 3 月宣布完成欧洲首个由 AI agent 执行的实时端到端支付。 交易在 Santander 受监管支付框架内完成。 使用 Santander 实时支付基础设施验证真实运营和控制框架。 当前仍是试点，不构成商业化全面上线；后续将进入扩展测试和规模化探索。
Banca Transilvania Group
移动钱包和银行 App 功能越来越多，客户常见问题不再只是余额和转账，而是“某个功能在哪里、产品如何申请、费用怎么计算、BT Pay 或 BT Go 如何操作”。如果这些问题都进入电话中心，会造成高峰拥堵和重复人工劳动。 Banca Transilvania 的做法是把 AI 同时放到客户外部渠道和员工内部工作中。客户侧用 Chat BT 与 AI Search 降低查找成本，员工侧用 Copilot 和 Contact Center AI 提升处理效率，形成“客户自助 +
2025 年 1 月 Chat BT 在 BT Pay 推出。 2025 年有 130 万+ 人通过集成 AI 的外部沟通渠道与 BT Group 互动。 550,000 人使用 AI Search，较 2024 年增长 28%。 Chat BT 在 2025 年有 700,000+ 用户和 150 万次互动。 80% 用户通过 AI Search 找到所需信息，仅 20% 继续联系 Contact Center & Customer Care。 内部 Copilot 许可用户使用率超过 90%，80%+ 用户认为工具改善工作质量，内部调查估计每天节省 1-2 小时。
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。
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 ↗。