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 41 条 · 智能体
清除筛选Citi
大型银行的员工日常工作常常横跨多个系统：内部通讯录、项目管理工具、文档库、网页信息、数据分析环境和审批流程。传统 AI 聊天工具可以帮助起草或总结，但员工仍然需要自己拆解任务、复制信息、切换系统、汇总结论。 Citi 的重点不是只把 AI 当成“写作工具”，而是把它推进到“可完成复杂目标的工作台”。这类场景特别适合研究银行下一阶段智能体落地：AI 不再只回答单个问题，而是连接内部系统、执行多步骤研究和分析，帮助员工把更多时间放到判断、沟通和客户价值上。
Citi 披露，新版本的目标是让员工更快、更高效、更有洞察地处理复杂工作，减少手工任务，把精力转向更战略性的业务工作。该项目也被 Citi 定位为技术创新战略的重要步骤，强调“更智能、更连接”的工具体系。
BNY
银行做 AI 规模化时，最大挑战往往不是模型本身，而是如何让全员安全使用、如何让非工程员工也能参与创新、如何避免不同部门重复建设孤岛工具。BNY 的思路是把 AI 做成企业平台，而不是把 AI 分散成一个个部门小工具。 BNY 将其企业 AI 平台命名为 Eliza。这个命名来自 BNY 创始人 Alexander Hamilton 的妻子 Eliza，体现其把平台视为核心资产的定位。该案例适合学习“平台化 + 全民采用 + 强治理”的银行 AI 路线。
BNY 披露，近乎所有员工已经接受企业 AI 平台 Eliza 的使用培训；多数 AI builders 已经来自工程团队之外。这说明平台不只是技术团队工具，而正在成为全行员工参与流程优化和智能体建设的入口。
CaixaBank
客户在银行网站或 App 上申请贷款、储蓄、保险等产品时，经常会在费率、期限、材料、资格、下一步操作上产生疑问。传统页面说明难以覆盖所有上下文，人工客服又会增加等待和运营成本。 CaixaBank 的案例关注“签约前引导”而不是让 AI 完成最终签约。它把 AI Agent 放在客户数字对话的第一入口，帮助客户理解产品、完成申请流程前半段，并在关键环节交给人工经理。
CaixaBank 披露，该 AI Agent 将覆盖约 40 类金融产品，平均每月处理约 6,000 次对话。银行称其为西班牙首家在数字渠道所有客户对话中部署这类生成式 AI 解决方案的金融机构。
Banco Bradesco
巴西金融市场监管复杂，欺诈和网络威胁上升，客户又习惯通过电话、聊天、手机 App 和 WhatsApp 等多渠道办理业务。Bradesco 原有虚拟助手已能处理部分请求，但跨渠道体验、审批流程、技术集成和内部信息分散限制了规模化。
BIA for Customers 面向约 7400 万客户。 客户数字服务解决率 83%。 员工问答解决率 80%，NPS 提升 6 分。 89% 请求无需升级即可留在系统内解决。 生成式 AI 工具带来管理效率 8 倍提升。 审计计划效率提升 65%。 工程与业务团队开展 400+ 实验，至少 20 个用例进入生产。 催收领域 MentorIA 每天自动分析 18,000+ 通电话，转化率提升 22%+。
Capital One
银行客服坐席要快速理解客户问题、查找制度和产品信息、判断下一步操作。对于大规模客户服务组织来说，坐席辅助工具能直接影响处理时长、一次解决率和客户满意度。
官方披露已使用 10,000+ 次。 支持 Capital One 全公司数千名坐席。 Capital One 同页还披露其 AI 驱动个性化系统面向 1 亿客户进行数字和移动渠道体验定制。
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。
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。
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。
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
当消费分析和诈骗识别等单点 AI 工具逐步成熟后，客户需要一个统一入口来管理日常财务，而不是在 App 中寻找多个功能。Agentic AI 的意义在于，它不仅能回答问题，还能在客户授权下执行任务，例如创建储蓄目标、组织账单空间、查询交易历史和提供支持指引。 Starling Assistant 是从“AI 功能”向“AI 界面”的升级。它把 Spending Intelligence、Scam Intelligence 和新的智能体能力整合到一个对话界面，让客户通过自然语言
Starling 官方称，该工具是英国首个 Agentic AI 财务助手，建立在 Starling 自有技术平台之上，并使用 Google Gemini 和 Google Cloud 技术。Starling 表示，该助手来自八年 AI 开发积累，并整合了上一年推出的多个生成式 AI 工具。 2026 年 3 月起，Starling Assistant 面向个人活期账户客户推出，企业和联名账户随后跟进。它展示了银行 App 未来可能从菜单式交互转向对话式、任务式交互。
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。
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。
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 ↗。