UC-078银行用例 ／ 平台治理
Commonwealth Bank of Australia + OpenAI
澳大利亚银行面对的核心挑战之一是诈骗和欺诈快速升级，尤其是社交工程、实时支付和跨渠道欺诈。同时，大型银行内部有大量员工需要处理客户服务、文档、分析、运营和技术工作，AI 能力如果只停留在小团队试点，很难形成组织级生产力。 CommBank 与 OpenAI 的多年期合作，代表银行将先进生成式 AI 同时用于客户保护、个性化服务和员工能力建设。它不是简单购买 ChatGPT，而是让双方工程师共同探索银行级 AI 解决方案，并通过企业级工具和培训建立负责任使用能力。
披露摘要OpenAI 后续案例披露，CommBank 正在向接近 50,000 名员工推广 ChatGPT Enterprise，把 AI 从有限试点变成全组织核心能力。目标是把 AI 融入日常工作流，再扩展到智能体驱动的客户服务、欺诈和诈骗响应等高影响场景。 CommBank CEO Matt Comyn 表示，合作目标是把世界级能力带到澳大利亚，探索 AI 如何提升客户体验、保护客户并为澳大利亚企业释放新机会。Sam Altman 也强调，CommBank 每天服务大量个人和企业，双方希望让先进 AI 对澳大利亚人更有用。
UC-079银行用例 ／ 营销经营
招商银行
零售银行客户数量大、需求碎片化、产品组合复杂，是最适合 AI 探索的场景之一。客户需要随时查询账户、权益、理财、贷款、信用卡和生活服务，员工则需要快速理解制度、产品、流程和客户情况。如果客户侧和员工侧各自割裂，服务体验和运营效率都难以提升。 招商银行副行长王颖在 2025 年业绩说明会上表示，招行 AI 建设和应用主要聚焦“AI 小招”和“AI 小助”。这体现了一个清晰路径：客户侧用 AI 提升自助服务和个性化陪伴，员工侧用 AI 覆盖全岗位，形成“客户助手 + 员工助手”的
披露摘要经济参考报 2025 年 9 月报道，招商银行“AI 小招”每月服务客户超过 2,000 万，“AI 小助”已覆盖全行所有岗位。招行还持续夯实“云 + AI + 中台”科技底座，并推动企业级 AI 中台支持全行大模型应用推广。 这组数据的价值在于说明，银行 AI 不再只是“少数员工试用的工具”，而是开始接入真实客户规模和全岗位员工规模。对学习者来说，招行案例适合理解零售银行 AI 的规模化入口。
UC-080银行用例 ／ 风控合规
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。
披露摘要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。
UC-081银行用例 ／ 风控合规
邮储银行
邮储银行具有覆盖广、客户多、下沉市场深的特点，三农、信用卡、票据、投行、反欺诈和反洗钱等场景都存在高频、复杂、人工成本高的问题。尤其在审贷和风险监测中，图像、文本、交易流水和关系网络信息量巨大，传统人工处理难以兼顾效率与质量。 邮储银行的“邮智”大模型展示了银行如何吸收多款主流大模型并落地到 230 多个场景。它的特色不是只做聊天，而是把大模型、交易机器人、图像识别、实时流计算、知识图谱和反洗钱报告自动生成结合起来。
披露摘要披露效果非常具体：邮小宝使询价交易效率提升 95% 以上；智能审贷助手每天支持三农、信用卡等信审场景超 3 万笔业务；2025 年上半年反欺诈体系累计保护潜在受害账户逾 10 万户，防止客户资金损失超 8 亿元。 反洗钱方面，邮储银行每日加工约 1.27 亿笔交易流水数据，构建近百个可疑预警模型，并实现可疑分析报告自动化生成，有效呈现团伙洗钱证据链，帮助人工甄别效率提升 30%。
UC-082银行用例 ／ 运营提效
建设银行
国有大型银行业务线极广，既有网点服务、零售客户经理、普惠金融、财富管理，也有对公授信、国际结算、托管、研发测试和运营支持。AI 如果只在单点使用，很难改变整体效率；只有嵌入员工日常工作流和核心审批流程，才可能释放规模化价值。 建设银行披露的大模型 398 个场景，适合观察“人 + 数字员工”的协同模式。它不是把人替换掉，而是让柜面员工、客户经理、审批人员、研发人员都获得垂直智能体或助手，把重复性文案、信息检索、政策比对、单据识别和测试生成交给 AI。
披露摘要建设银行大模型技术累计赋能 398 个场景应用。网点员工问题响应 AI 助手覆盖率达到 99.42%，日均访问量超过 10 万人次。授信审批全流程 AI 应用可在 1 分钟内生成包括 5 大模块的评级审查意见初稿，自动撰写十余页审查意见初稿，最高生成比例达 90%。 该授信审批功能已在境内外广泛应用，月均生成超过 5 万份，覆盖对公客户超过 11.3 万户；2025 年人工审批业务量同比实现两位数增长，审批平均净用时下降超过 30%。另据披露，建行通过 500 项智能判断应用实现信用证自动核查，AI 代码生成率贡献达到 64%，功能测试案例采纳率达到 48%。
UC-083银行用例 ／ 客户服务
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
披露摘要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。
UC-084银行用例 ／ 平台治理
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。
披露摘要官方披露，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。
UC-088银行用例 ／ 平台治理
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。
披露摘要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。
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-091银行用例 ／ 公司银行
Visa
支付争议是银行卡生态中的长期痛点。消费者不理解交易、商户提交材料不完整、发卡行和收单行人工审核成本高、欺诈争议和友好欺诈混在一起，都会造成大量运营成本和客户体验问题。Visa 披露，2025 年全球处理 1.06 亿件争议，较 2019 年增长 35%。 争议管理正在从后台运营事项变成战略优先级。原因是争议量上升、监管压力加大、客户体验要求提高，同时碎片化、手工化流程会让可追回收入流失，也会让金融机构承担本可避免的成本。
披露摘要官方披露，这些工具旨在帮助商户和金融机构削减行政成本、减少欺诈相关损失，并把资源重新投入增长、创新和客户体验。部分工具已经试点或可用，部分计划在 2026 年晚些时候普遍可用。 Visa 强调，争议会给支付生态各方造成压力：消费者感到困惑，商户和金融机构承担成本与复杂性，过时技术无法跟上时还会让欺诈漏检。新工具通过 AI 和 Visa 专有数据提高可见性和处理效率。
UC-093银行用例 ／ 风控合规
Axis Bank
企业活期账户的 ReKYC 和经营资料更新是典型的高频、强监管、低体验流程。客户要提交营业信息、经营性质、KYC 文件，分支机构和运营团队再做人工核验、补件、录入和复核。传统做法不仅慢，也容易因为文件质量、字段缺失和代码选择错误造成返工。 Axis Bank 把这个流程作为 AI 改造对象，说明银行生成式 AI 不只适合客服问答，也适合放到监管流程的“入口处”。客户体验目标是无纸化、即时提交和少跑网点；银行目标则是降低 NFTR、减少人工负荷、提高 First Time Ri
披露摘要官方披露，该方案已在印度全国范围推出，覆盖非个人活期账户客户中约 90% ReKYC 量对应的主要客户类型。资料更新原本需要大量人工、纸质材料和较长处理时间，现在可实现端到端数字化、即时提交和更高准确率。 Axis Bank 还披露早期结果显示返工和跟进显著减少，周转时间更快，分支和运营团队生产率提升。虽然没有披露具体分钟数和节约金额，但案例清楚说明 LLM 与税务经营数据、文档智能和工作流结合，可以在合规流程中创造可度量价值。
UC-094银行用例 ／ 数据与研发
U.S. Bank
嵌入式银行的客户往往不是个人用户，而是企业产品团队、软件服务商、聚合器和外部开发者。他们要把支付、资金管理、数据聚合、消费金融等能力嵌入自己的平台，真正的难点不是“有没有 API”，而是能否快速理解哪个服务适用、怎样鉴权、怎样写代码、怎样排错。 U.S. Bank 的 Developer Portal 已经承载全球公司开发者访问，并支持数十亿次 API 请求。随着 API 产品增多，传统文档、人工技术咨询和支持工单会成为集成速度瓶颈，因此该行把 GenAI 放到开发者门户里，
披露摘要官方披露，Developer Portal 支持数十亿次 U.S. Bank API 请求；2025 年门户拥有 20,000 多名独立访客和 149,000 多次会话。Developer Assistant 的目标是显著减少技术咨询和支持工单，把平均客户集成时间缩短数周。 该门户曾获 2024 年 Devportal Awards 的 Best Findability of Products in a Devportal。Developer Assistant 在这个基础上继续提升外部开发者体验，使银行能力更容易嵌入客户业务平台。