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 89 条 · 生成式 AI
清除筛选Discover Financial Services + Google Cloud
Discover 拥有近 10,000 名客户关怀坐席，问题覆盖余额、支付、政策、流程、金融概念和复杂客户情况。传统坐席需要在内部知识库中关键词搜索、翻阅政策和流程文档，客户等待时间会被“找答案”拉长。 金融客服对准确性要求很高。坐席必须解释正确政策，不能因为生成式 AI 说得流畅就采纳错误答案。因此 Discover 与 Google Cloud 合作时，重点不是开放式聊天，而是用 GenAI 做实时搜索辅助、政策摘要和经过测试的内部答案。
官方披露，该方案赋能近 10,000 名客服坐席。GenAI 能力从 2024 年初开始集成并推出，早期结果显示，坐席可降低通话处理时长，并将政策和流程搜索时间最多改善 70%。 Discover 还计划进一步增强电话转写、来电主题分类、客户情绪分析，以及把 AI 能力注入内部 CRM 系统。这说明客服 AI 可以从“找答案”逐步扩展到“理解通话、分类意图、生成摘要、沉淀客户洞察”。
Crédit Mutuel Alliance Fédérale + IBM
Crédit Mutuel Alliance Fédérale 自 2016 年开始采用 AI，已经形成较成熟的顾问辅助、文档理解、风险和合规能力。到生成式 AI 阶段，问题不再是能否做一个试点，而是怎样在银行自有基础设施、伦理 AI 承诺和大规模顾问网络之间实现工业化。 该集团强调自身是“主权技术银行”，大量 IT 处理运行在自有数据中心。对于欧洲银行而言，这一点尤其重要：生成式 AI 要创造价值，同时要满足数据主权、客户关系、内控和审计要求。
官方披露，该集团 25,000 名顾问每天使用 AI，2023 年 AI 释放近 100 万小时行政工作时间，使顾问能更好服务客户和会员。35 个新用例计划从 2024 年夏天开始逐步上线首批能力。 案例也说明，生成式 AI 工业化不是从零开始，而是在已有 AI 文化、顾问使用习惯、内部数据中心和 Cognitive Factory 基础上继续升级。对银行来说，这种“已有 AI 能力 + 新大模型平台”的路径比纯试点更可复制。
Rabobank
很多银行 AI 项目失败，不是模型能力不够，而是没有进入员工每天真实使用的流程。Rabobank 的经验强调，企业价值不来自更炫的模型，而来自稳固集成到日常工作流：摘要、知识检索、客户历史梳理、流程支持。 客服和客户顾问的低价值消耗通常很“无聊”：读长对话、找历史记录、翻内部流程、总结上次互动。这些任务不适合完全自动决策，却非常适合 LLM 做信息蒸馏和检索增强，让员工把时间用在高质量服务上。
官方披露，仅 12 月单月 Rabobank 就向 20,000 多名独立用户交付超过 100 万份摘要，支持超过 300,000 次互动。文章估算，如果每通帮助台对话只节省 1 分钟，就相当于客户少等 1 分钟，员工合计节省 6,000 小时繁琐工作。 这个案例的价值在于，它给出了一种务实指标：不必先证明模型能“替代人”，而是证明它能在大规模互动中每次减少一点重复劳动。银行可用这种方式把 AI 价值从单次炫技变成累计运营收益。
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。
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。
Crédit Agricole CIB
公司与投行业务客户复杂、产品多、数据分散，客户经理需要理解客户画像、融资需求、交易银行、贸易金融、现金管理和风险信息。Crédit Agricole CIB 的数字化转型由 ACT 项目推动，目标是改善客户和员工体验，同时优化绩效。 该行一方面建设面向客户的 Optimall 平台和 API marketplace，另一方面建设 Augmented Banker，使高级银行家能在同一界面找到相关客户信息。这说明公司银行 AI 的核心不是单纯聊天，而是把分散客户信息、产品数据和
官方年报披露，AI Factory 在 2023 和 2024 年交付超过 100 个 AI 生产用例，其中包括 6 个生成式 AI 用例。Receivables and Supply Chain Finance 数字解决方案在 2024 年贡献 34% NBI 份额。 Optimall 平台已服务超过 100 家客户，并逐步整合 Trade Finance 和 Cash Management 服务。该行计划在 2025 年进一步普及 AI 项目，并扩大云等新技术使用。
State Street Investment Management
投资管理面对的不是单一客户问题，而是海量市场数据、非结构化文本、风险因子、交易信号和投资组合约束。AI 可以提升预测、研究和风险分析能力，但如果模型不可解释、过度复杂或对输入过度敏感，就可能影响投资纪律。 State Street Investment Management 的案例强调“AI backed by investment principles”。它把 AI 看作放大人类判断的工具，而不是替代投资专家的黑箱。对于银行资管、理财和投研团队来说，这种纪律性尤其重要。
官方文章披露，AI/ML 已在投资流程中服务交易、预测、风险分析和研究自动化。该机构持续增强量化投资平台，并用生成式 AI 强化这些平台的灵活性、可扩展性和自动化。 虽然文章没有给出收益率提升数字，但它提供了非常重要的治理框架：在投资领域，能否解释、能否稳健、能否融入流程，比单次预测准确率更关键。这对银行学习 AI 投研尤其有价值。
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。
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。
Yapı Kredi
银行分行销售目标管理经常面临两个难题：目标不公平和过程不可视。不同地区、客户基础、产品成熟度和员工能力差异很大，如果统一下达指标，容易引发争议；如果只到月底看结果，又很难及时纠偏。 Yapı Kredi 的案例把 200+ AI 模型、绩效跟踪和生成式 AI 教练放到一个分行销售管理场景中，体现了 AI 从“客户推荐”扩展到“组织管理与员工 coaching”的趋势。
2026 年 4 月 Qorus-Infosys Finacle Banking Innovation Awards 2026 案例披露。 官方摘要称 200+ AI 模型设定公平目标，一个屏幕替代四个屏幕。 披露结果包括 1,200 万美元收入增长、80%+ 活跃采用率、目标争议减少 80%。 生成式 AI coach 用于指导每位分行员工每日工作。
DBS Group
公司银行和现金管理中仍存在大量“手工付款”场景：客户提交的付款指令、附件、表格或非标准文本需要运营人员阅读、录入和校验。手工处理不仅慢，而且容易产生录入错误、重复沟通和运营风险。 DBS 的 IBGO 案例聚焦用生成式 AI 改造手工付款提取和处理，从印度和新加坡开始，再扩展到亚洲重点市场。这说明即使是数字化领先银行，后台支付运营中仍有大量可被 AI 重构的非结构化流程。
2025 年 6 月 Qorus-Infosys Finacle Banking Innovation Awards 2025 案例披露。 官方摘要称 DBS Bank 的 IBGO 用生成式 AI 改造手工付款。 从印度和新加坡开始，计划到 2026 年扩展到亚洲重点市场。 目标是告别手工数据录入，提升自动化效率。
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 ↗。