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SEB
私人银行客户关系周期长、信息密度高。顾问每次会议后都要记录客户需求、兴趣、优先事项和后续跟进。如果顾问更换或团队协作不顺，客户关系连续性会受影响。
2026 年 SEB 因该工具获得 PWM Wealth Tech Awards “Best Private Bank for Use of AI”。 Sensaia 已在 Private Wealth Management & Family Office 业务内全面实施。 现在该工具被该业务内所有顾问使用。 顾问每次通话可节省显著时间，并释放更多时间用于客户会议。
ANZ
商业与机构银行客户经理需要及时回答市场相关问题，整合研究、新闻、数据和复杂知识导航。传统检索工具难以同时平衡速度、准确性、个性化和安全。
来源未单独披露量化效果；查看完整拆解了解适用条件。
Westpac
大型银行员工日常工作包含大量会议、邮件、文档、内部问答和流程操作。通用办公 AI 如果集中部署并配套培训，可成为全行效率基础设施。
面向 35,000 名员工及承包商、服务提供商开放 AI 助手。 这是亚太金融服务领域最大规模的 Copilot 部署之一。 此前在澳大利亚完成 15,000 名员工试点，帮助改善业务成果并释放时间。
TD Bank Group
银行工程团队既要快速交付，又要保证安全、可维护和合规。单元测试、代码解释、安全建议和重复开发任务适合用生成式 AI 辅助。
2023 年 9 月至 12 月，TD 在部分工程师中测试 GitHub Copilot。调研结果显示： 50% 受访工程师认为 Copilot 可在两周 sprint 中节省最多 20 小时。 93% 受访数据工程师表示在 Copilot 帮助下同样或更高效。 75% 受访工程师认为 Copilot 容易融入日常工作。
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。
Morgan Stanley
投行、销售交易和研究人员每天需要从大量研究报告、行业观点、评级变化和市场数据中快速抽取结论。传统检索能找到文档，但不一定能把多个报告中的非结构化信息综合成可直接用于客户沟通的洞察。 Morgan Stanley Research 每年发布超过 70,000 份专有研究报告。对机构业务来说，如何把这些高质量研究资产转化为更快、更深入、更一致的客户服务能力，是典型的 AI 价值场景。
Morgan Stanley 披露，该工具可覆盖每年 70,000+ 份专有研究报告，目标是让员工更全面、更深入地掌握最新研究信息，从而更有效地服务机构客户。
Wells Fargo
移动银行已经成为客户办理日常金融事务的主入口。客户希望在 App 内用自然语言完成转账、缴费、查询路由号、查看余额和理解消费情况，而不是在多个菜单中寻找入口。 Wells Fargo 的 Fargo 案例代表了“客户直接使用型 AI 助手”的规模化运营形态。它不是内部坐席助手，而是嵌入移动银行 App，直接服务大量客户的日常金融需求。
Wells Fargo 披露，Fargo 自 2023 年推出以来不到三年已支持超过 10 亿次客户互动。该行 2026 年披露移动活跃用户超过 3,300 万，App Store 评分 4.9，评价数超过 1,000 万。超过 300 万西语客户使用 Fargo，产生超过 1.6 亿次互动。
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。
KBC Group
零售银行数字助理如果只做问答，价值通常有限。真正能改变体验的是把“客户主动发问”和“银行主动提醒”结合起来，在合适时间提示客户完成续保、节省费用、处理风险或购买合适产品。 KBC 的 Kate 是欧洲银行数字助理的典型案例，已经运行多年，并在 2025 年继续强化生成式智能。它适合学习从早期聊天助手演进到主动经营入口的路径。
KBC 早期披露，Kate 上线 6 个月已产生约 235.75 万次对话，30% 对话带来进一步行动。2025 年案例材料披露，Kate 每月处理 60 万+ 查询、发送 130 万+ 主动提醒。公开资料还显示 Kate 已成为覆盖多国、数百万客户和约 8,000 万次对话的核心数字助理。
BMO
银行前线员工需要在大量政策、流程、作业指南和操作手册之间查找答案。政策越细、产品越多、渠道越复杂，员工越容易把时间花在搜索和确认上，而不是服务客户。 BMO 的 Lumi Assistant 聚焦加拿大 Personal & Business Banking 的政策与流程支持。这个案例说明，银行 AI 不一定一开始就面向客户，先帮助员工更快找到正确政策，也能改善客户体验。
BMO 披露，Lumi 获得 The Digital Banker “Best Use of Gen AI for Customer Experience – Canada”和 Global Finance “Top Innovation in Finance – North America”等奖项。银行称该工具帮助前线团队更快获得政策、流程和资源，减少搜索时间，把更多时间用于服务客户。
CIBC
银行员工对生成式 AI 的需求很分散：有人需要润色邮件，有人要起草报告，有人要准备演示，有人要编码辅助或会议支持。如果完全依赖外部通用工具，银行会面对数据治理、使用不可控和供应商风险。 CIBC 选择自研企业 GenAI 工具 CAI，重点是让员工在受控环境中使用生成式 AI，同时保留对数据治理、使用模式和组织培训的掌控。
CIBC 披露，CAI 从 500 人试点开始，8 个月内增长到超过 7,500 名用户。员工在多种岗位中将其用于沟通增强、报告起草、演示准备、编码帮助和会后支持。
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 ↗。