UC-090银行用例 ／ 公司银行
American Express
智能体商务意味着 AI Agent 可以代表客户发现商品、比较选项并完成购买。传统支付系统假设“人”浏览、决策和点击购买；但当智能体根据客户预设意图执行交易时，支付网络必须回答新的问题：这个智能体是否被授权？它能花多少钱？能在哪些商户买？如果出错谁负责？ American Express 的 ACE Developer Kit 正是为这个新支付模型设计。它把客户意图、智能体授权、支付凭证、商户执行和审计追踪连接起来，试图在智能体自主性和支付安全之间建立可执行边界。
披露摘要American Express 在 2026 年 4 月发布 ACE Developer Kit，并宣布面向注册智能体购买的行业首创保护机制。技术文章披露，ACE 设计为不要求合作伙伴根本改变既有支付基础设施，商户仍可通过现有支付轨道处理交易。 ACE 还采用 OAuth、双向 TLS、加密、令牌化、动态凭证、短期授权工件和防重放保护。未来还将提供 SDK、Agent Skills、MCP server 和 reference implementations，降低开发者集成门槛。
UC-099银行用例 ／ 运营提效
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。
披露摘要微软案例披露，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。
UC-100银行用例 ／ 平台治理
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
披露摘要官方披露，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。
UC-106银行用例 ／ 运营提效
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。
披露摘要官方披露，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。
UC-113银行用例 ／ 客户服务
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。
披露摘要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。
UC-114银行用例 ／ 公司银行
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。
披露摘要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。
UC-122银行用例 ／ 保险服务
KBC Bank / KBC Insurance
银行集团往往同时经营银行和保险，理赔处理是非常适合 AI 的知识工作流。家庭责任险等案件需要处理事故报告、邮件、信函、第三方沟通和保单条款，理赔员要判断文件是否齐全、责任是否明确、是否需要补充信息。 KBC 的 AI Agents 4 Claims 不是让 AI 直接决定赔不赔，而是让 AI 把新案件准备成“可决策”状态，让理赔员专注于覆盖范围、责任和损害判断。这是金融场景中较清晰的“智能体准备、人工决策”模式。
披露摘要2026 年 2 月 Qorus-NTT DATA Innovation in Insurance Awards 2026 案例披露。 面向家庭责任险理赔，目标是减少理赔员行政负担和长处理周期。 AI Agent 可抽取关键数据、识别缺失信息、生成沟通和摘要报告。 KBC 表示 2026 年将继续扩展到新能力和新产品，目标是减少理赔生命周期中的人工触点。
UC-123银行用例 ／ 信贷融资
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。
披露摘要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。
UC-124银行用例 ／ 运营提效
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
披露摘要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%。
UC-128银行用例 ／ 运营提效
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
披露摘要该项目于 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。
UC-130银行用例 ／ 财富投研
Shanghai Commercial Bank
财富管理和企业客户服务都依赖客户经理的知识、经验和实时判断。客户经理需要理解客户档案、通话记录、现有投资、产品知识、市场趋势和资产配置逻辑，再把这些信息转化成下一步沟通和理财策略。传统方式下，信息分散在不同系统和文档中，客户经理很难在短时间内形成完整观点。 上海商业银行入选金管局第二期 GenA.I. 沙盒的方案，正是围绕客户经理知识中枢和多智能体协作展开。它不是简单做一个问答机器人，而是把知识中心设计成虚拟理财助理，帮助客户经理识别客户需求、生成市场和资产配置观点，并给出个
披露摘要官方材料披露，该方案预计可显著提高客户经理工作效率，通过实时洞察增强对客户需求的识别能力，并为财富管理、跨境金融等场景的智能化转型奠定技术基础。虽然项目处于沙盒入选和测试阶段，但目标已经明确指向客户经理效率、需求识别和精准理财策略。 这个案例的可学习之处在于：银行把生成式 AI 放在“客户经理决策前的知识融合和建议生成”位置，而不是直接面对客户做复杂投资建议。这样既能提升一线效率，也更容易保留人工专业判断和合规审查。
UC-134银行用例 ／ 平台治理
First Abu Dhabi Bank + Presight + Microsoft
大型银行在 AI 落地中经常遇到“试点很多、上线很少”的问题。业务团队知道痛点，但不了解 AI 能力；技术团队懂模型和平台，但不一定熟悉每条业务线的真实流程。要从概念走向实际价值，银行需要一种机制让业务、技术和合作伙伴围绕明确问题快速共创、评估和筛选方案。 First Abu Dhabi Bank 在 2026 年与 Presight 合作、Microsoft 支持下举办 AI Agentathon，体现中东大型银行从 AI 试点转向企业级落地的组织方法。它不是单个产品，而是
披露摘要FAB 披露，Agentathon 形成的方案概念将为未来银行 AI 项目和企业用例提供参考，支持长期数字化转型议程。它帮助银行通过动手协作更快开发和验证 AI 方案，推动从试点倡议走向实际影响。 公开资料未给出具体财务节省，但展示了一个重要管理指标：AI 用例不应仅由创新部门单独提出，而应通过业务挑战、跨职能团队、技术伙伴和评审机制共同筛选。这样能提高用例与真实业务优先级的贴合度。