UC-086银行用例 ／ 风控合规
Starling Bank + Google Cloud
授权推送支付诈骗（APP fraud）的难点在于，客户本人往往在骗子诱导下主动发起转账。传统银行风控可以识别异常交易，但很难看到客户在社交平台、二手市场或聊天软件中的受骗上下文。客户在付款前如果能得到及时、具体的风险提示，就有机会阻止损失。 Starling 的 Scam Intelligence 把 AI 用在付款前的客户教育和风险识别上，让客户上传在线市场广告、商品图片、卖家消息或短信截图，系统在几秒内识别诈骗信号。它代表反欺诈从“交易后补救”进一步前移到“交易前识别”。
披露摘要Starling 官方称，这是英国银行业首次在 App 中提供 AI 驱动的诈骗检测工具。该工具在 2025 年 10 月上线，适用于个人、联名和企业账户客户。当时英国 2024 年欺诈损失达到 11.7 亿英镑，其中 APP fraud 为 4.5 亿英镑。 Google Cloud 案例披露，Scam Intelligence 的首阶段消费者测试在 4 周内交付；该工具已经使客户取消市场支付的比例提高 300%。这说明多模态 AI 不只是识别风险，还能改变客户付款前行为。
UC-087银行用例 ／ 客户服务
Starling Bank
当消费分析和诈骗识别等单点 AI 工具逐步成熟后，客户需要一个统一入口来管理日常财务，而不是在 App 中寻找多个功能。Agentic AI 的意义在于，它不仅能回答问题，还能在客户授权下执行任务，例如创建储蓄目标、组织账单空间、查询交易历史和提供支持指引。 Starling Assistant 是从“AI 功能”向“AI 界面”的升级。它把 Spending Intelligence、Scam Intelligence 和新的智能体能力整合到一个对话界面，让客户通过自然语言
披露摘要Starling 官方称，该工具是英国首个 Agentic AI 财务助手，建立在 Starling 自有技术平台之上，并使用 Google Gemini 和 Google Cloud 技术。Starling 表示，该助手来自八年 AI 开发积累，并整合了上一年推出的多个生成式 AI 工具。 2026 年 3 月起，Starling Assistant 面向个人活期账户客户推出，企业和联名账户随后跟进。它展示了银行 App 未来可能从菜单式交互转向对话式、任务式交互。
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-089银行用例 ／ 运营提效
Royal Bank of Canada（RBC）
银行软件系统复杂、监管要求高、遗留系统多，开发效率直接影响数字产品迭代速度和安全质量。AI 代码生成如果由开发者个人随意使用，可能带来数据泄露、代码质量不稳定和安全漏洞；但如果纳入企业级开发平台，就能与流水线、测试、部署和安全扫描结合。 RBC 的案例展示了银行如何把 AI 代码能力嵌入集中式开发者平台，而不是单独发放一个代码助手。重点是让 AI 支持构建、测试、部署、缺陷预防、问题解决和安全威胁应对。
披露摘要RBC 披露，该平台覆盖 6,000 多名开发者，并把 AI 代码生成与构建、测试、部署自动化结合。虽然官方页面未给出节省小时数，但其价值在于把 AI 研发能力纳入银行级平台和治理，而不是碎片化使用。 RBC 同页还披露，该行使用 AI 支持 NOMI、身份验证、电子交易、数据与 AI 洞察、员工技术支持等场景，说明开发者平台是更广泛 AI 生态的一部分。
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-092银行用例 ／ 风控合规
Revolut
现代诈骗越来越多从社交平台、加密聊天软件和虚假广告开始，银行或金融 App 往往只在最后付款环节才看到风险。Revolut 的报告指出，诈骗者正在转向 WhatsApp 和 Telegram 等加密消息应用，而 Meta 平台在其全球报告诈骗中仍占最大来源。 这类场景说明，银行反欺诈不能只盯交易本身，还要理解诈骗来源、客户被诱导路径、社交平台责任和付款前教育。金融机构虽然不能单独解决所有社交平台诈骗，但可以通过实时 AI 检测、应用内通话、交易限额、生物认证和教育资源降低损失
披露摘要Revolut 披露，2024 年阻止了超过 6 亿英镑潜在客户欺诈损失。报告指出，Facebook 仍是诈骗者偏好的平台，占报告欺诈 28%；Meta 平台整体占 54%；相比之下，Google 平台占 0.09%。 2024 年下半年，来自 Telegram 的诈骗案件增长 121%，来自 WhatsApp 的案件增长 67%，两者合计占报告诈骗的 39%。Revolut 也呼吁社交媒体平台采取更强行动，包括主动移除诈骗内容、验证广告主，并分担源自其平台的诈骗受害者赔付。
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。
UC-095银行用例 ／ 风控合规
U.S. Bank
银行数字产品设计不仅要好看，还必须满足可访问性、品牌、内容、组件复用、风险提示和工程可实现性等要求。设计师在出交付规格时常常要做大量细碎检查，既耗时又容易遗漏，后续还会造成工程返工和质量风险。 U.S. Bank 把 AI 用在设计系统和设计工具里，说明银行 AI 场景可以覆盖产品研发前端。它关注的不是自动替代设计师，而是让设计师更快发现不合规组件、获得替换建议，并把更多精力放到客户体验和业务结果上。
披露摘要官方披露，该工具已在 2025 年 12 月面向公司全部体验设计师推出，并已经完全纳入日常工作流程。银行称其产生了可衡量的生产率收益，包括实时分析设计、可访问性、内容和品牌标准合规情况。 U.S. Bank 强调，Design Assistant 不只是效率工具，也支持更大规模的个性化和品牌发布，让团队在更少工作量下更有信心地交付一致体验。这体现了银行内部 AI 从“写文档”走向“嵌入专业工具链”的趋势。
UC-096银行用例 ／ 客户服务
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。
披露摘要官方披露，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”。
UC-097银行用例 ／ 平台治理
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。
披露摘要官方披露，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。