UC-021银行用例 ／ 平台治理
BNP Paribas
集团级 LLM as a Service 平台
银行内不同实体、业务线和职能部门都在探索生成式 AI。如果每个团队单独接入模型，容易出现成本重复、合规不一致、数据隐私风险和工程能力分散。
披露摘要
来源未单独披露量化效果；查看完整拆解了解适用条件。
SeekingDAO
正在打开页面
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。
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 156 条 · 生成式 AI
清除筛选BNP Paribas
银行内不同实体、业务线和职能部门都在探索生成式 AI。如果每个团队单独接入模型，容易出现成本重复、合规不一致、数据隐私风险和工程能力分散。
来源未单独披露量化效果；查看完整拆解了解适用条件。
Barclays US Consumer Bank
客户联系中心往往要处理多轮来电。如果坐席看不到上一次通话原因、已采取动作和下一步计划，就会重复询问客户，影响体验，也增加处理时间。
自 2025 年 10 月推出以来，已总结 800 万+ 通客户电话。 强化联系中心表现，并帮助坐席对复杂问题更快做出知情判断。 Barclays 明确说明，该技术不直接对客户账户做决定，也不直接与客户互动，责任仍由合格坐席承担。
UOB
银行内部知识分散在制度、流程、表格、邮件、PDF 和数据字典中。业务团队需要快速找到准确答案，但不可能每个小需求都排队等科技团队开发。
来源未单独披露量化效果；查看完整拆解了解适用条件。
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。
National Australia Bank（NAB）
大型银行拥有数百个应用、数百万行代码和跨地域开发团队。开发人员大量时间被会议、计划、遗留 Java 维护、合规任务占用，真正编码时间有限。
NAB 服务 1,000 万+ 客户。 拥有 3,000+ 开发者，分布在澳大利亚、印度和越南。 生产率提升 18%。 40% 生产代码来自 AI 生成建议，而不是完全手工输入。 当前约 1,000 名开发者使用，并计划扩展到整个开发团队。
Morgan Stanley
投行、销售交易和研究人员每天需要从大量研究报告、行业观点、评级变化和市场数据中快速抽取结论。传统检索能找到文档，但不一定能把多个报告中的非结构化信息综合成可直接用于客户沟通的洞察。 Morgan Stanley Research 每年发布超过 70,000 份专有研究报告。对机构业务来说，如何把这些高质量研究资产转化为更快、更深入、更一致的客户服务能力，是典型的 AI 价值场景。
Morgan Stanley 披露，该工具可覆盖每年 70,000+ 份专有研究报告，目标是让员工更全面、更深入地掌握最新研究信息，从而更有效地服务机构客户。
KBC Group
零售银行数字助理如果只做问答，价值通常有限。真正能改变体验的是把“客户主动发问”和“银行主动提醒”结合起来，在合适时间提示客户完成续保、节省费用、处理风险或购买合适产品。 KBC 的 Kate 是欧洲银行数字助理的典型案例，已经运行多年，并在 2025 年继续强化生成式智能。它适合学习从早期聊天助手演进到主动经营入口的路径。
KBC 早期披露，Kate 上线 6 个月已产生约 235.75 万次对话，30% 对话带来进一步行动。2025 年案例材料披露，Kate 每月处理 60 万+ 查询、发送 130 万+ 主动提醒。公开资料还显示 Kate 已成为覆盖多国、数百万客户和约 8,000 万次对话的核心数字助理。
BMO
银行前线员工需要在大量政策、流程、作业指南和操作手册之间查找答案。政策越细、产品越多、渠道越复杂，员工越容易把时间花在搜索和确认上，而不是服务客户。 BMO 的 Lumi Assistant 聚焦加拿大 Personal & Business Banking 的政策与流程支持。这个案例说明，银行 AI 不一定一开始就面向客户，先帮助员工更快找到正确政策，也能改善客户体验。
BMO 披露，Lumi 获得 The Digital Banker “Best Use of Gen AI for Customer Experience – Canada”和 Global Finance “Top Innovation in Finance – North America”等奖项。银行称该工具帮助前线团队更快获得政策、流程和资源，减少搜索时间，把更多时间用于服务客户。
CIBC
银行员工对生成式 AI 的需求很分散：有人需要润色邮件，有人要起草报告，有人要准备演示，有人要编码辅助或会议支持。如果完全依赖外部通用工具，银行会面对数据治理、使用不可控和供应商风险。 CIBC 选择自研企业 GenAI 工具 CAI，重点是让员工在受控环境中使用生成式 AI，同时保留对数据治理、使用模式和组织培训的掌控。
CIBC 披露，CAI 从 500 人试点开始，8 个月内增长到超过 7,500 名用户。员工在多种岗位中将其用于沟通增强、报告起草、演示准备、编码帮助和会后支持。
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
生成式 AI 在企业内部推广时，银行最担心的是信息泄露、错误回答和员工误用。SMBC 在日本大型银行集团中较早开发并推出自有 AI 助手，其重点不是简单接入 ChatGPT，而是在银行私有网络内创建可控工具。 该案例很适合学习“先建安全环境，再通过高频使用推动组织学习”的路径。SMBC 用很短时间完成系统开发，但把大量时间用于规则和治理设计。
SMBC 披露，SMBC-GAI 开发和规则设计历时 4 个月，其中实际开发只用了数日，更多时间用于规则建设。发布后，使用量从每日约 6,000 次增长到约 12,000 次，相当于约每 2 秒使用一次。
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 ↗。