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。

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%。

中银香港披露，首轮 GenA.I. 沙盒测试取得积极反馈，超过半数参与测试的客户及员工受访者表示期待“数字人助理”进一步扩展应用范围。这说明数字人不只是展示型技术，如果能和真实知识库、语言能力及安全控制结合，客户和员工对扩展使用存在需求。 官方材料还显示，中银香港将在第二轮沙盒中继续深化 GenA.I. 技术应用，结合内外部数据与智能语音交互技术进一步优化客户服务体验，并通过强化 AI 安全防护机制提升银发族使用数码理财的信心。首轮测试成果成为第二轮财富管理和风险管理扩展的基础。

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。

建行（亚洲）披露，第一期沙盒成功验证了 GenA.I. 在优化服务流程、增强个性化交互和提升服务体验方面的应用效能。验证结果显示，通过高质量数据驱动、高效技术适配、灵活模型分层和混合合规架构，GenA.I. 可在银行业实现精准回应、快速迭代与安全扩展，有效提升客户体验。 该用例还在金管局公众展览上展示，并为第二期 Smart RM Assistant 积累经验。第二期重点将从“客户问答”延伸到“关系经理经营”，聚焦客户关系管理痛点，用 AI 提升客户服务质量和服务连续性。

2024 年 12 月，livi bank 正式宣布成为金管局 GenA.I. 首批沙盒参与机构，聚焦反诈骗方案开发。公开资料未披露量化成果，但确认该方案处于监管沙盒测试路径，并将获得算力资源和监管反馈。 该案例对学习者的价值在于：不是所有真实银行 AI 案例都会一开始披露节省多少时间或减少多少损失。对于反欺诈和反洗钱等敏感场景，早期公开信息往往只有方向、沙盒机制和治理安排。仍然可以从中学习“先沙盒、后上线、强监管反馈”的落地方法。

公开材料披露，OPUS 会员网站上线后访问量超过初始预期，MUFG 计划继续引入摩根士丹利的全球专业内容，如 Thoughts on the Market。WMPF 的三个核心能力包括统合 View、NBA（Next Best Action）和 GPS（Goal Planning System），生成式 AI 将增强这些能力。 该案例没有披露节省小时数，但对财富管理非常有代表性：银行用 AI 把市场内容、客户同意、集团协同、总资产视图、下一步行动和目标规划连接起来。它把财富管理从“单个产品推荐”提升为“客户人生目标和资产整体规划”的数字支持体系。

官方披露，该服务作为生成式 AI 客户查询应用，是 SMBC、日本总研和日本 IBM 的国内初服务。其服务特点包括 24×365 自由发话咨询、广范围回答、自助解决范围扩大，以及在复杂咨询或需要身份确认时无缝转接人工客服。 系统还建立质量提升循环：持续分析 AI 应答内容、转人工数据和通话记录，用于改善回答质量，并将高频咨询反馈到产品服务改进。银行计划未来从 Olive 一般咨询扩展到更广业务，以提升客户支持和减轻客服人员负担。

2025 年 11 月，Nomura 正式宣布与 OpenAI 建立战略合作。Nomura 集团 CEO 表示，生成式 AI 的力量不仅在提升效率，还能从根本上改变金融服务；合作将结合 Nomura 广泛数据资产和深厚专业能力，与先进 AI 一起提供更高级投资建议和市场分析，并创造超越传统业务模式的新收入机会。 公开资料尚未披露量化成效，但该案例代表了投研和资管 AI 的前沿方向：AI 不只是总结报告，而是参与研究计划、信息收集、观点综合和客户方案设计，前提是数据安全、治理和专业人员复核必须到位。

微软案例披露，RBI ChatGPT 最初部署给 2,000 名用户，现在活跃用户超过 20,000。员工反馈，过去耗时的任务现在可以快速完成，从而有更多时间处理增值任务或帮助客户解决复杂问题。银行还观察到更强协作和更快客户问题解决。 RBI 的案例说明，企业内部 ChatGPT 如果只做通用聊天，价值有限；真正价值来自与搜索、知识库、安全内容审核、监管问答和员工共创机制结合。yellowGPTs 让一线员工参与构建领域知识库，是一个值得学习的内部扩展模式。

AWS 案例披露，SAVI 达到 95% 准确率，响应时间低于 10 秒，并建立 24×7 支持模式。这说明生成式 AI 在银行客服后台最直接的价值，是把“人工翻文档”的过程压缩成实时问答，从而降低客户等待时间并提升坐席信心。 该案例还体现了区域银行采用生成式 AI 的务实路径：不是先做大而全的平台，而是从约 400 份政策流程文档切入，把知识密集但边界清晰的场景做深。对中小企业银行业务而言，这类能力可以进一步扩展到开户材料核对、账户维护流程、贷款材料准备、现金管理产品问答等场景。

AWS 案例披露，bunq 的支持效率提升 3 倍，输出准确率约 90%。这些指标显示，生成式 AI 已经进入数字银行的核心运营效率体系，而不是只做实验或营销展示。 同时，bunq 的案例强调了安全与合规：其扩张依赖可扩展基础设施，同时需要保护欧洲用户数据并符合 GDPR。对银行学习者而言，这个案例的价值在于说明“AI 客服效率提升”必须与“云安全、数据保护、权限治理、监管要求”一起设计，不能把模型能力和银行控制体系割裂。