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 19 条 · RAG／知识库
清除筛选Lloyds Banking Group
大型银行客服坐席面对的问题高度碎片化：账户、支付、卡片、贷款、网银、投诉、身份验证、流程规则等都可能在一次通话中出现。传统知识库依赖关键词搜索，坐席需要在大量内部文章中查找答案，客户等待时间随之增加。
Lloyds 拥有 2,800 万客户。 电话和线上银行团队每月支持约 200 万客户。 Athena 将平均搜索时间从约 59 秒降至约 20 秒，降幅约 66%。 2025 年以来，21,000 名集团员工使用 Athena 搜索 210 万次。 单看电话银行团队，预计节省约 4,000 小时搜索时间。
DBS
呼叫中心坐席需要边听客户问题、边检索知识库、边操作系统、边记录工单。重复劳动多，培训成本高，新员工很难快速达到熟练坐席水平。
面向新加坡 500 多名客服人员。 预计通话处理时长最多降低 20%。 试点中转写和解答准确性接近 100%。 近 90% 参与试点的客服认为该工具对工作流有正面影响。 DBS 还计划在 12 个月内推广到中国台湾和中国香港等市场。
ING
ING 在荷兰每周通过电话和在线聊天收到约 85,000 个客户请求。传统聊天机器人能解决其中约 40%-45%，仍有约 16,500 名客户每周需要人工坐席帮助。
7 周内完成构建。 早期使用阶段，相比旧方案多帮助 20% 的客户避免长时间等待。 形成可向 10 个市场扩展的蓝图，潜在覆盖 40 个国家、3,700 万客户。
OCBC
银行日常工作中存在大量写作、研究、代码、文档摘要、通话记录和内部知识查询任务。若每个团队单独开发工具，容易重复建设，也难以统一治理。
OCBC 每天约 600 万个决策由 AI 支持。 已有 300+ AI 用例。 部分生成式 AI 工具将生产率最高提升 50%。
Deutsche Bank
投研分析师需要阅读财报、监管文件、行业报告、历史研究和市场材料，再形成研究报告和观点。大量时间消耗在资料收集、摘要、交叉验证和写作上。
数百名研究分析师采用。 由 dbResearch、内部开发团队和多方协作超过 12 个月完成。 通过内联引用和来源查看器支持事实核验。 建立自定义评估框架，指标包括准确性、完整性、延迟、引用精确率、引用召回率、错误拒答率等。
TD Securities
机构销售、交易和研究人员每天需要快速回答客户关于市场、行业、证券、历史数据和研究观点的问题。信息分散在研究文档、历史数据和内部数据库中。
来源未单独披露量化效果；查看完整拆解了解适用条件。
CIBC
银行客户经理和运营团队每天面对大量产品资料、流程说明、客户文件、扫描件和非结构化文本。传统流程依赖人工查找、复制、录入和判断，效率低且容易产生遗漏。 CIBC 公开列举了多个 2025 年生产级 AI 用例，其中 Knowledge Central AI 面向客户一线团队，Document Ingestion 面向运营团队，展示了“知识检索 + 文档理解 + 运营流程自动化”的组合路径。
CIBC 披露，相关用例已在 2025 年生产中运行。其反欺诈能力每月监测约 2.5 亿笔客户交易，使用包括 XGBoost 和神经网络在内的多种 AI 模型来识别和缓释潜在欺诈。
TD Bank Group
联系中心坐席需要快速回答客户关于日常银行业务的问题，例如海外丢失借记卡、开户、TFSA、GIC 等。如果坐席要打开多个系统和几十个标签页查找政策流程，客户等待时间会增加，也容易发生转接。 TD 的案例聚焦坐席辅助，而不是让 AI 直接替代人工客服。它通过内部政策和流程知识管理，让坐席在通话中快速得到可验证答案。
TD 披露，该虚拟助手先在 2024 年初小范围推出，试点对象包括熟悉复杂问题的 resource agents。试点中通话等待时间降低 15%。到 2025 年，该工具已有 1,000+ 联系中心代表每日使用。
SMBC Group / Sumitomo Mitsui Banking Corporation
银行组织文化、领导者判断方式和经营哲学通常存在于讲话、会议、提案反馈和员工记忆中，很难被系统化复用。SMBC 的 AI CEO 不是普通知识库，而是尝试把集团 CEO 的管理哲学、思考深度和表达风格转化为员工可交互的工具。 这种场景看似不直接产生业务收入，但对大型金融机构的文化传承、提案质量、年轻员工培养和 AI 文化推广有启发意义。它把 AI 从“效率工具”扩展到“组织陪伴和思维训练工具”。
项目于 2024 年 12 月启动，2025 年 3 月完成原型。SMBC 披露，在发布前使用 300+ 查询测试集验证 AI CEO 回答，确保符合集团内部 AI 治理标准。CEO 本人也在 IR 和高管交流场合使用 AI CEO 作为破冰和开场工具。
Société Générale
法国零售银行客户同时使用网站、手机 App、电话、邮件和网点等触点。客户希望简单问题能快速解决，复杂问题能顺畅转给人工顾问；员工则面对大量制度、产品、流程和内部文档，传统搜索往往耗时且依赖经验。 Société Générale 在 2025 年明确提出，银行 AI 的核心不是替代银行从业者，而是同时支持客户和员工：一方面改善客户触达体验，另一方面帮助顾问更快访问可信知识。
Société Générale 披露其已在反欺诈、个性化金融建议等领域部署多个 AI 用例；2025 年的重点是把智能助手作为规模化方向。官方材料强调员工反馈会用于持续改善 AI 回答质量，且集团正在通过统一技术底座和治理标准加速业务线落地。
DBS
传统企业教练通常只覆盖高管或高潜人才，因为一对一教练成本高、难规模化。但银行员工面对岗位变化、技能更新、职业路径选择和工作生活平衡问题，也需要个性化指导。 DBS 将职业韧性视为未来工作能力的重要组成部分，并通过 Education、Exposure、Experience 的 Triple E 框架支持员工成长。
2025 年推出，目标是把教练能力扩展给 DBS 网络内员工。 DBS Learning Hub 提供 10,000+ 课程。 2024 年员工参与 4,000+ 次 Be My Guest 跨部门机会。 DBS 2025 年在 TIME 亚太 500 家最佳公司中排名第一，并连续多年获雇主认可。
Itaú Unibanco
财富管理服务长期存在“专业建议稀缺”和“客户自主决策困难”的矛盾。很多客户已经在手机银行或超级 App 中完成交易，但面对产品选择、风险收益解释、组合配置、赎回时点等问题，仍需要投顾或客户经理帮助。对大型零售银行来说，如果所有咨询都依赖人工顾问，服务覆盖率、服务成本和响应速度都会成为瓶颈。 Itaú 的场景特别适合观察银行投资顾问如何从“人找报告、人问专家”转向“客户直接对话 AI + 必要时接入人工专家”。该项目不是单纯做一个金融知识问答，而是把生成式 AI、投资产品货架、
官方披露，Itaú 已经拥有 1,300 多个在用 AI 模型，应用范围从产品建模到客户服务渠道。此次投资智能体把原本更偏运营效率的 AI 能力推向客户直接体验，并尝试把 5,000 多个投资产品以更简单、更直观的方式提供给客户。 项目上线前经过多学科团队和认证专业人员的严格测试，并由 2,000 多名员工参与体验和反馈。官方强调，该方案可以提供 7×24 小时投资支持，在数秒内回答问题，使投资建议在不增加客户成本的情况下更容易规模化。
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 ↗。