百融雲創陳立宇：銀行的智能化轉型需聚焦三個核心流程

專題：服貿會第七屆中國金融科技論壇

　　中國國際服務貿易交易會-第七屆中國金融科技論壇於2025年9月10日-11日在北京舉行。主題為「科技賦能—金融業數字化轉型與應用」。百融雲創高級副總裁陳立宇出席並演講。

　　以下為演講實錄：

　　各位嘉賓，下午好，我們是站在金融科技公司的角度，跟各位嘉賓匯報一下，我們在銀行智能化轉型方面的實踐。我們在做銀行智能化轉型的時候，可能想搞清楚一個問題，大模型的核心能力到底是什麼？它的能力邊界在哪里？它適合什麼場景？它不太適合什麼場景？

　　當前行業普遍關注大模型與通用人工智能（AGI）的關聯，若從人類智能的形成邏輯類比，可更清晰理解其核心路徑。人類通過視覺（眼睛）、聽覺（耳朵）等感知器官，能夠獲取文本、視頻及現實世界中的各類信息 —— 這一過程如同大模型對多模態數據的採集與輸入。

　　而人類智能的深化，離不開 「信息 - 知識 - 智慧」 的遞進轉化：一方面需通過 「讀萬卷書」 式的海量信息積累，構建基礎數據儲備；另一方面需結合 「行萬里路」 的實踐場景，將零散信息提煉為結構化知識；最終通過持續的理解、學習與實踐驗證，讓知識與現實需求深度融合，形成具備決策價值的智慧。這一從信息輸入到智慧輸出的閉環，本質上與大模型追求的智能化演進方向高度契合，也是通用人工智能發展需遵循的核心邏輯之一。

　　那麼，大模型的核心能力具體體現在哪些方面？結合實踐觀察，可歸納為以下四點：

　　其一，是業界廣泛認可的強大生成能力，這是大模型在內容創作、方案輸出等場景中發揮價值的基礎。

　　其二，是泛化性語言理解能力。這種理解並非侷限於訓練數據中的固定表述，而是能夠突破既有文本的約束，精準捕捉未直接出現過的表述背后的核心問題與邏輯，從而實現對複雜語言場景的靈活適配。

　　其三，是高效的少樣本學習與上下文學習能力。這一能力在實際業務中體現尤為顯著：傳統自然語言處理（NLP）技術在完成任務拆解、信息提取等工作時，往往需要 1000 條以上的樣本數據進行初始化訓練；而依託大模型技術，僅需不足 100 條樣本，即可訓練出在業務場景中準確率達 80 分以上的 NLP 模型，且能通過后續持續的數據標註與迭代，不斷優化模型的理解精度。

　　其四，是知識關聯與推理能力，但需客觀認識其與人類推理的本質差異：人類推理以邏輯理解為前提，基於對事物內在關聯的認知形成判斷；而大模型的 「推理」，本質上仍是基於海量數據的統計概率預測 —— 它通過學習訓練數據中隱含的邏輯模式，實現對知識關聯的模仿與呈現，並非真正具備人類式的邏輯認知能力。

　　此前，思維鏈（Chain of Thought， CoT）技術曾受到行業廣泛關注。從技術本質來看，思維鏈隸屬於提示詞工程的範疇，其核心邏輯是通過對複雜問題進行結構化拆解，將推理過程拆解為清晰的中間步驟，進而引導模型更精準地理解問題邏輯、梳理分析路徑，最終提升語言模型對複雜任務的理解與處理能力。

　　這種技術路徑的價值在於，它能有效彌補模型在直接應對多步推理問題時的侷限性 —— 通過顯式呈現推理環節，讓模型的分析過程更具邏輯性與可追溯性，而非依賴單一輸入直接生成結果，這也使其在需要深度邏輯推導的場景中，能更好地適配實際需求。

　　剛纔講的是一些題外話，今天的主題是大模型如何在業務場景當中產生價值，就提到一個很關鍵的，剛纔很多嘉賓都強調，我們這種智能化是需要有大量的成本投入的，這樣的成本投入，怎麼樣去衡量它的價值？所以我們提出來AI，我們所謂的AI Agent，也要像人一樣去完成KPI。在我看來，銀行的智能化轉型需聚焦三個核心流程，構建從業務升級到價值落地的完整路徑：

　　第一，推動業務流程 AI 化。銀行的業務體系由多類專業化流程構成，不同流程對應不同部門設置，各部門又圍繞具體崗位 KPI 開展工作 —— 而每一項業務流程，本質上都是由一系列連貫的業務活動組成。以信貸業務為例，從前端客户獲取、中期反欺詐覈查，到授信審批與貸后催收，每個環節均需特定崗位人員承接執行。業務流程 AI 化的核心，就是通過人工智能技術替代或輔助人工完成這些標準化、重複性的業務活動，實現流程效率的提升。

　　第二，實現業務流程 Knowhow（專業經驗）AI 化。銀行在長期運營中積累的業務規則、風險判斷邏輯、客户服務經驗等隱性 Know how，是其核心競爭力的重要組成部分。將這些專業經驗轉化為可被 AI 模型學習的結構化知識，讓模型能像資深從業者一樣理解業務邏輯、做出決策判斷，是智能化轉型深化的關鍵 —— 這不僅需要技術層面的算法優化，更需打通 「業務經驗提取 - 知識圖譜構建 - 模型訓練迭代」 的全鏈路。

　　第三，建立AI 價值交付的標準化評估體系。AI 技術的應用效果，不能僅以技術參數衡量，核心要看是否能 「規模化交付價值」—— 即 AI 方案能否在大規模業務場景中穩定落地，持續為銀行降本、增效、控險。

　　例如，我們當前正為多家金融機構提供 AI 驅動的貸后催收解決方案，這一需求的背景與當前銀行業面臨的 「三低一高」 挑戰密切相關：在市場利率下行、息差收窄、整體收益承壓的同時，不良資產風險受宏觀環境影響呈現一定上升趨勢。

　　站在行業領導的角度，我們怎麼去控制不良？現在銀行的做法，銀行的不良從M1就要開始委外，M1我們要交給外面的坐席，你的不良生成的多了之后，你是不是要加人？加人就要加預算，加人就是預算的問題。現在我們息差又收窄了，收益又下降了，收益下降對銀行來説就是預算少了，在這種情況下我們怎麼解決這個問題？

　　只能用硅基人軍團，硅基人要具備什麼能力呢？

　　第一，像人的智能，精準識別人類的情緒，理解客户的意圖，規劃下一步策略。催收是非常難的，要給客户做施壓，會根據客户的情緒做出相應的反饋，他要記錄和每一個客户交流的關鍵的節點，要為他的下一通電話做指引，所以對智能的要求是非常高。

　　第二就是要有端到端的交互，你不能讓你的硅基人聽上去跟人不一樣，一定要有擬人度，而且延迟要控制在500毫秒以內，還要把催收專家的能力放進去，我們現在知道這個催收，全員、全市場，我們現在大概有200萬的催員在作業，一個人的工資1年大概15萬，這事個3千億元的成本市場，其中大量的就是在M1階段。

　　百融首先事項了業務流程的AI化，做了9大智能體，9大智能體精細化分工，協同作業。

　　前臺是催收Agent，直接面客。這是一個勞動密集型的崗位；中臺是智慧大腦，對於下一次跟客户溝通的策略要做指引，這里有個聲紋識別Agent，這個主要是判斷是否是反催收黑產代理，如果一條聲紋與幾個手機號都匹配，那大概率是黑產代理；后臺質檢Agent也會像質檢專員一樣作業。

　　催收Agent是怎麼打造出來的？

　　首先我們訓練了催收專屬大模型。我們拿了大概Top Sales 15萬的有效樣本去做訓練，我們做了大量的語料的標註，包括還有情感的標註，快速的去學習它整個的學習流程；另外還有Builder去保障速度、抑制幻覺，我們還設計了一拖四的智能體架構，支持前線催收Agent作業。

　　我覺得這種業務Knowhow的AI化其實是推動了銀行業務能力的平權。它提升了銀行業務能力的天花板，它就是把我們行業最佳的實踐變成了Agent的作業流程和專項能力，這樣的話我們就可以實現第三個目標就是規模化的交付價值，以催收為例，我們可以一次性解決3大痛點，在今年預算不變的情況下，產能可以提高3倍，投訴能夠降低95%。這是我們在一個銀行信用卡的例子，在 M1 階段（逾期 1-30 天）的運營實踐中，已顯現出顯著的降本成效：依託該方案，合作機構在承接 9000 萬件催收案件的場景下，成功減少了 10 名人工坐席的配置。這一數據背后，可進一步看到 AI 技術在成本優化上的規模化潛力 —— 若案件量提升至 9 億件、甚至 90 億件，會節約多少成本？

　　接下來簡單介紹一下信貸報告，今天很多領導都講到這個產品，信貸報告最難的是什麼？人類專家經驗的AI化，科技部不懂業務，業務部門不願意參與大模型智能體的生產，怎麼辦呢？我覺得和第三方的科技公司合作是一個比較好的選擇。

　　信貸報告Agent複製了人類專家的思考和工作邏輯，知道要看什麼數據，從哪里找，從哪些維度來進行分析，最后形成一個什麼樣的模版，這是人類專家要乾的事情。信貸報告最難的事情並不是做出一個報告來，最難的是要有深度，要有關聯，要有助於下一步的決策。

　　信貸報告也要做行業分析，要分析哪些行業的特徵，對一些技術密集型的企業和資金密集型企業行業特徵是不一樣的。我們要拿到它行業周期的數據，瞭解行業的指標，這個指標對未來信貸的決策是至關重要的。

　　盡調報告生成產品，我們實現了多個智能體協作，從前端的數據OCR的錄入，到財務報表之間的交叉覈對，這個其實對小微的盡調報告是最關鍵的。上午農行的領導也講到，我們有一些無人機的數據，有一些衞星遙感監測的數據，還有客户經理實際調查的數據，那怎麼做數據之間的交叉覈驗，報告之間的配平。這個是要多個智能體一起去協作，來完成一個具有深度的盡調報告。

　　我再介紹一下百融雲創，百融雲創是一家在香港上市的一站式AI科技領航者，我們服務了大概7000多家金融機構，深耕金融行業大概十多年。今年5月，摩根士丹利發佈《中國AI：沉睡的巨人覺醒》藍皮書，將目光投向了中國AI產業的核心——中國AI 60強企業。百融雲創是唯一納入摩根士丹利「China AI 60-Finance AI」名單的企業。

　　這就是我今天分享的內容，謝謝大家，也希望有機會與在做的各位有進一步的交流。

　　新浪聲明：所有會議實錄均為現場速記整理，未經演講者審閲，新浪網登載此文出於傳遞更多信息之目的，並不意味着贊同其觀點或證實其描述。