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 122 条 · 人工复核
清除筛选Danske Bank
生成式 AI 在银行内部落地时，最难的往往不是单个工具开发，而是如何让员工真实采用、如何把模型接入合规知识和流程、如何避免影子 AI。Danske Bank 将生成式 AI 作为 Forward ’28 战略和数字技术转型的一部分，目标是成为更“AI first”的银行。
近 16,000 名员工每月使用一个或多个内部生成式 AI 解决方案。 90% 的 Danske Bank 员工已经参加生成式 AI 培训。 官方表示 AI 将成为客户互动、咨询和支持方式转型的重要基础。
Banco Bradesco
巴西金融市场监管复杂，欺诈和网络威胁上升，客户又习惯通过电话、聊天、手机 App 和 WhatsApp 等多渠道办理业务。Bradesco 原有虚拟助手已能处理部分请求，但跨渠道体验、审批流程、技术集成和内部信息分散限制了规模化。
BIA for Customers 面向约 7400 万客户。 客户数字服务解决率 83%。 员工问答解决率 80%，NPS 提升 6 分。 89% 请求无需升级即可留在系统内解决。 生成式 AI 工具带来管理效率 8 倍提升。 审计计划效率提升 65%。 工程与业务团队开展 400+ 实验，至少 20 个用例进入生产。 催收领域 MentorIA 每天自动分析 18,000+ 通电话，转化率提升 22%+。
交通银行
大型银行推进 AI 不能只靠单点应用，需要算力、算法、数据、模型治理和业务场景一起规划。交通银行在多年 AI 深耕基础上，发布 2025-2026 年行动方案，目标是推动“AI+金融”生态模式变革。
已构建千亿级金融大模型。 2024 年通过大小模型协同新增落地 100+ 应用场景。 应用领域包括反洗钱、反欺诈、客户服务、集中营运等。 行动方案覆盖 2025-2026 年。
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。
BBVA
大型银行的 AI 转型难点不在于做一个聊天机器人，而在于把客户交互、风险管理、流程运营、软件研发、员工工作方式和数据底座统一成可规模化的体系。单点试点容易出效果，但如果没有统一架构、数据治理、复用机制和组织能力，很快会变成重复建设和局部自动化。 BBVA 在 2025 年披露的 The Eight，把 AI 转型拆成六个“机器人”与两个基础支柱，体现了银行从“工具采用”进入“运营模式重塑”的趋势。它的目标不只是节省时间，而是让银行能更主动地理解客户需求、提供个性化建议、提升风
BBVA 披露，Blue 已能处理 150 多类查询并执行简单交易，未来将演进为面向数百万客户的智能财务助手。BBVA 内部员工已经创建 20,000 多个专用 GPT，其中 4,000 多个被频繁使用。 内部测量显示，部分任务节省时间超过 76%，员工反馈每周接近节省 3 小时。这说明企业级 GenAI 价值不只来自单个爆款应用，也来自大量小型、贴近岗位的自定义助手。
工商银行
大型银行的信贷和市场风险管理需要处理制度、行业、财务、交易、抵质押、舆情、外部市场和客户经营等大量信息。传统流程依赖人工收集、人工阅读和人工判断，容易出现效率低、信息遗漏、风险传导不及时等问题。 工商银行的案例显示，AI 在风险管理中的价值正在从“辅助查询”升级到“智能体矩阵 + 风控平台”。它既覆盖市场风险智能排查，也进入对公信贷、评审助手和信用风险监控等核心风控环节。
官方披露的关键效果包括：企业级千亿金融大模型已赋能 20 余个主要业务领域、200 余个场景；2025 年新增 100 余个 AI 应用场景；智能风控平台覆盖全部境内分行和 130 多个风控决策场景。 这些指标表明，工行 AI 应用已经进入企业级规模化阶段，尤其是在市场风险和信贷风险等高价值场景中形成了平台化能力。对银行学习者而言，该案例适合理解“AI + 风控”不是一个模型，而是一组平台、知识、智能体和人工审批机制。
邮储银行
邮储银行具有覆盖广、客户多、下沉市场深的特点，三农、信用卡、票据、投行、反欺诈和反洗钱等场景都存在高频、复杂、人工成本高的问题。尤其在审贷和风险监测中，图像、文本、交易流水和关系网络信息量巨大，传统人工处理难以兼顾效率与质量。 邮储银行的“邮智”大模型展示了银行如何吸收多款主流大模型并落地到 230 多个场景。它的特色不是只做聊天，而是把大模型、交易机器人、图像识别、实时流计算、知识图谱和反洗钱报告自动生成结合起来。
披露效果非常具体：邮小宝使询价交易效率提升 95% 以上；智能审贷助手每天支持三农、信用卡等信审场景超 3 万笔业务；2025 年上半年反欺诈体系累计保护潜在受害账户逾 10 万户，防止客户资金损失超 8 亿元。 反洗钱方面，邮储银行每日加工约 1.27 亿笔交易流水数据，构建近百个可疑预警模型，并实现可疑分析报告自动化生成，有效呈现团伙洗钱证据链，帮助人工甄别效率提升 30%。
建设银行
国有大型银行业务线极广，既有网点服务、零售客户经理、普惠金融、财富管理，也有对公授信、国际结算、托管、研发测试和运营支持。AI 如果只在单点使用，很难改变整体效率；只有嵌入员工日常工作流和核心审批流程，才可能释放规模化价值。 建设银行披露的大模型 398 个场景，适合观察“人 + 数字员工”的协同模式。它不是把人替换掉，而是让柜面员工、客户经理、审批人员、研发人员都获得垂直智能体或助手，把重复性文案、信息检索、政策比对、单据识别和测试生成交给 AI。
建设银行大模型技术累计赋能 398 个场景应用。网点员工问题响应 AI 助手覆盖率达到 99.42%，日均访问量超过 10 万人次。授信审批全流程 AI 应用可在 1 分钟内生成包括 5 大模块的评级审查意见初稿，自动撰写十余页审查意见初稿，最高生成比例达 90%。 该授信审批功能已在境内外广泛应用，月均生成超过 5 万份，覆盖对公客户超过 11.3 万户；2025 年人工审批业务量同比实现两位数增长，审批平均净用时下降超过 30%。另据披露，建行通过 500 项智能判断应用实现信用证自动核查，AI 代码生成率贡献达到 64%，功能测试案例采纳率达到 48%。
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”。
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。
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
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。
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。
Banco do Brasil + IBM + EY
当银行只有几个 AI 试点时，治理可以依靠项目评审和人工文档；但当 AI 进入数百个生产用例、服务上千万客户时，风险就变成体系问题。模型是否公平、可解释、合规、可追溯，已经不是数据科学团队内部问题，而是银行信任和公共责任问题。 Banco do Brasil 是拉丁美洲历史最悠久的大型银行之一，IBM 案例披露其拥有 80 百万+ 客户和数百个生产 AI 用例。作为公共金融机构，它需要在创新、监管义务和公众期望之间建立可证明的 AI 治理体系。
IBM 案例披露 Banco do Brasil 拥有数百个生产 AI 用例和 80 百万+ 客户。 项目目标是用统一 AI 治理系统支持责任、透明和规模化 AI。 关注公平性、可解释性、合规性、监管证据和制度化监督。 Banco do Brasil AI 负责人公开表示 AI 不替代人，而是通过自动化释放人的潜力，但前提是有正确结构、文化和治理。
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 ↗。