图片来源@视觉中国
传统的人工服务已无法满足银行业务普及所带来的服务空缺，以人工智能大模型为代表的科技进步为填补这一空缺提供了机会，各大有实力的银行纷纷开启了对大模型在银行各个业务环节的探索应用。其中，“数字员工”取代前台应用较为普遍，也有不少银行在探索利用人工智能、大数据、云计算等技术建设赋能中后台风控体系，开发风控领域的大模型应用。
数字员工为银行减负
减费让利背景下，降低人力成本成为银行经营的重要一环，而数字员工对人工的替代成为降本的重要抓手。传统人工客服服务的培训成本和工资成本较高，在银行业务广泛普及的时代，人工服务已经无法满足对十几亿用户金融服务的全方位覆盖，因此具有接近真人服务体验和能力的数字员工受到银行热捧。银行体系中存在大量传统的“重复劳动”或“低效率”岗位，这些岗位都可以进行数字化替代，由数字员工承担相应的职责可以释放人力进行更有创造性的工作，并达到降本增效的效果。
银行理财是银行收入的一大板块，在财富管理方面，现有规模的客户经理无法满足对存量客户所需要的一对一精准服务，数字员工的引入可以实现用户购前清晰认知和购后及时更新动态。人工智能客服可以通过客户账面的资金情况给出目前资金管理评分和对应的投资意见，但事实上目前的“投资意见”没有做得很完善，主要原因是数据模型和数据库的不完善，抛开大净值客户，“平民”客户所获得的智能客服建议都是比较单调的。
图片来源：浦发银行
针对银行理财的服务需求，大多数银行都在抢占高敏捷开发赛道，实现语义理解、表情识别、对话平台等多种场景的自由切换模式，对需要应用的业务场景进行快速赋能，并进行数字员工场景试点，验证其在“替代”财富规划师、AI培训师、大堂经理、智慧柜员、数字主播、数字信贷员、智能外呼及数字审核员等人员的可行性，从而进一步提升银行对客服务效率和体验。
据钛媒体APP了解，浦发银行“AI驱动的3D金融数字人”创新计划于2019年建设并投入金融应用，通过前沿AI、RPA及数字孪生等新技术，对标真人岗位角色、业务能力，打造了数字员工“小浦”，是业内首个综合运用3D人像实时驱动、多模态交互、自然语言处理、情绪识别、智能推荐、多因素生物认证等前沿技术，连接多个金融交易系统及物联网系统、在金融云上运行的规模化数字人金融应用。
目前大多数银行数字员工所具备的能力包括以下五类，一是最基础的人工智能能力；二是数据处理能力，从丰富的语言库中进行识别，从而使机器人能够很好地处理非结构化数据；三是跨渠道协同能力，人工智能机器人能接入APP、电话、微信等多个渠道支持与用户的“沟通”；四是人机协同能力，实现在文本、音频、视频等多种方式下的人机协同能力，降低验证工作的重复性和合规性问题；五是安全性能高，机器对使用者多形态核身、登录认证可以降低人工智能网络风险。
伴随着大模型的精准化，银行“数字员工”也开始向“数字化劳动力”转型。在经历了人工智能的“初级员工”阶段后，“数字员工“开始向”高级员工“升级，经过丰富的交易、对话数据等训练，银行对数字员工的服务状态、效率、差错率等进行实时监控、评分和改进，通过对不同岗位“数字员工”的职责进行绩效评价，同时与真人绩效评价形成对比，从公司经营成本和持续增长的角度出发，形成数字员工和真人员工的竞争，并根据双方的特长进行同岗位更细致的分工，并定期调整对“数字员工”群体的评价治理体系，最终完整形成“数字员工”的组装、出厂、优化、应用及治理等完整的数字员工管理体系。此外人工智能大模型的介入使得“数字员工”对于任务的学习、识别、处理、纠错、反馈等工作流程形成更强的自动化和智能化的双重合力，从而使得“员工”时代开始往“劳动力”时代过渡。
据钛媒体APP了解，浦发银行的数字化劳动力体系已经覆盖12个数字渠道、量产十多个数字岗位角色，包括财富规划师、数字审核员、AI培训师等，并在浦发银行零售业务部、网络金融部、运营管理部等多个部门得到落地应用。银行融合了AI、物联网、大数据、5G、生物识别、云计算等技术的数字员工在各业务条线全面推动金融服务的数字化、智能化转型，并且形成了可量化的数字化劳动力评价体系，以对标真人员工KPI的视角评估数字化劳动力带来的价值。数字化劳动力的建设不断迭代优化，释放人类员工，实现降本增效，这也是目前国有大行和大型股份制银行争分夺秒正在进行的事。
大模型赋能银行风控
风险管理体现了银行的经营管理能力和竞争力，在“数字员工”取代前台的同时，银行业也开始利用人工智能、大数据、云计算等技术建设赋能中后台风控体系，而当大模型时代来临时，不少银行也开始转型研究风控领域的大模型应用。人工智能大模型与旧时定义的“人工智能”有着显著的区别，以往的“人工智能”通常专注于特定的任务，功能之间是相互独立的，无法进行有效的协作或集成，而大模型是一种参数规模庞大的人工神经网络，其特点是能够通过大量的数据训练提升其在多个任务上的表现。
大模型赋能银行风控体系主要体现在以下三个方面：强化风险评估能力、减少人工操作运营风险和提高监管合规风险管理水平。旧时的人工智能需对不同业务场景进行对应的建模，且训练所用的数据集较局限，从而导致准确性和可靠性受限，而大模型可以更快速处理大量的结构化和非结构化金融交易数据等，通过许多自动化流程取代手工流程，同时减少人为错误并提高工作效率。在监管审查方面，银行工作需要严格精确地审查大量数据文件，通过分析多个变量评估公司的风险状况，并向监管机构提交相应的审批。银行大模型的引入可简化并准确化这些流程，降低因为风控问题带来的处罚成本。但由于市场处于起步阶段，目前市面上通用基础大模型较多，而实际应用于金融等领域的模型仍存在专业性欠佳、数据库不完整、开发成本高等问题。
大数据和大模型对零售业务场景的“重塑”
在布置了基础的人工智能建设基石后，银行开始进行人工智能大模型对零售业务的支持。上海浦发银行总行信息科技部大数据专家陈春宝罗列了大数据在零售业务主要应用的五个阶段，这五个阶段是银行目前和未来应用大模型给予更多智能化解决方案所面临的必经之路。
第一个是客户获取阶段，通过获客引流等方式，解决客户需求多元化的问题，第一步先解决最基础的反欺诈、风控的需求，未来进一步建立社会关系网络。
第二阶段是客户提升，分别是精准营销并扩宽客户，让客户与银行获得双赢，这也是目前大多数银行表现最成熟的一个领域。
第三阶段是客户成熟阶段，重点在于客户维系，其中又分为主动的客户维系和被动的客户维系，区别在于被动的客户维系是让客户持有更多的产品，提高客户离开的机会成本，而主动的客户维系是做客户细分，对客群不断的细分，发现每个客群的需求，加载产品，提供服务。
第四阶段是客户衰退阶段，面临客户衰退、离开的问题时的提前预判、模型测算以及应对方案。
第五阶段是客户挽留阶段，通过建立客户全生命周期管理的流程，从而更具有针对性对高价值的客户提供更优质的服务，避免或者延缓第五阶段的到来。
目前人工智能的应用很多在于语音识别、智能机器人等等，这已经是银行AI服务最基础的配置。据钛媒体APP了解，浦发银行有以下四种初步的人工智能大模型应用服务：
第一种是浦发的信用分，类似于“支付宝”的“芝麻信用”，浦发银行根据公司内部开发的评分算法，对客户打上信用分，一定程度上精准定位了受众客户。例如消费信贷，客户都有提交审批的疾患，但在银行严格的风控制度下，比较低质量的客户申请通常会到了审批环节才被拒，在套用模型之后，风控环节前置到营销阶段，大模型可以提前剔除明显评分偏低的、有信用缺陷的客户，节省营销资源和运营成本。根据浦发银行统计，这款网贷产品的营销拒贷率降为原来的一半。
从应用场景上看，市面上大部分信用分产品可应用于对应的合作机构进行免押金服务、提升借款额度、低利率借款等，如芝麻分、小白信用分、唯品信用分等，甚至少数信用分产品可应用于政府、企业合作，可以说相比较互联网金融平台，银行推出这类大模型服务的时间较晚，因此其“分数”所应用覆盖范围仅局限在该银行内部体系中。
银行信用大模型未来发展方向可能有两种，一是会向标准化，统一化进步，银行之间协作形成一个统一信用评级的大模型体系；二是银行间竞争产生出最优秀的评分模型，其容错率和实际效益最高，这样的模型将会统一各银行分散的评分系统。
第二种是精准营销，大模型的引入让它由原来的单次、大批量客户的营销模式逐渐演变成高频次、每一次小批量的客户营销。例如浦发银行的爱客计划，通过模型识别客户的潜在需求，结合内外部数据构建模型并开展营销，对每一个数据标签做价值评估，作为外部数据合作和采购的依据。大部分大型商业银行其实都在做类似的大模型，他们相较于中小银行拥有海量的客户数据，能够给机器学习提供更全面的数据库。通过利用数据挖掘和机器学习等技术，银行可以分析客户的消费行为和需求，大模型进而通过这些信息推算出适合客户的产品和服务。通过客户的消费记录和投资偏好记录，大模型可以进行自动测算，进行服务的个性化的推荐和定制，更高效全面地满足客户的需求，这是人工所无法精细了解的。
第三种是平衡风控和营销，目前有许多银行都推出了“分分钟放款”的信贷产品，根据历史数据和经验看，营销响应率不足2%。浦发银行通过营销模型、信用模型和违约评分模型，将营销成功率提升至接近10%，审批通过率超过50%，最终落地成功率相比传统模式提升了20倍。“秒放贷”以前总被互联网金融平台包揽，近几年逐渐向银行平台倾斜，浦银点贷的竞品包括中邮钱包、平安i贷、农业银行小额贷、建行快贷、广发e秒贷等，根据不同银行对信用评定的侧重，不同产品对最高授信、最长贷款期限、用途、贷款人年龄等条件进行不同的限制。
第四种是风险图谱分析。市场上目前应用较多的银行知识图谱是一种表示和组织领域知识的结构化数据模型，该技术当前面临语料数据标注效率低、知识抽取质量难以保证、语义理解和自然语言处理难度大等瓶颈，而通过借助大模型的结构化信息提取能力，知识图谱面临的这些瓶颈可以得到改善和补足。基于大模型框架，银行可以从图结构信息、节点属性和模型特征中提取关键信息，生成智能风险报告，并通过基于特征的联动图谱可视化展示，使得分析更加智能化和直观化。浦发银行设计了为各个业务场景做客户画像辅助决策的大模型，运用大数据对应大量的数据标签，当识别到问题场景时，银行会根据研发的特征识别算法计算结果，给每一个场景画客户的脸谱，比如三个月内哪些客户有过存取款、半个月内谁在做跨行转帐等等。银行大模型图谱分析的应用将客户群维度的关系进行了可视化展现，能够分析深层次隐性关联，进行更深度的关系挖掘服务，未来风险图谱的关系识别将进一步推动银行风险推理能力的增强。
图片来源@畅享网
银行AI大模型技术的不足
由于银行本身对安全系数要求高，政府对于银行业的监管更为严格，对于银行的业务、经营等活动所涉及的范围要求更加严谨，因此，银行端所使用的人工智能大模型仍存在技术层面的局限，这将是商业银行使用人工智能所要攻克的难题。
1.核心技术不成熟
目前银行所使用的人工智能大多是为利用语言处理技术和生成技术，实现与客户的对话互通，其本身形式更像是通过同类词联想并生成答复，本质并不意味着数字客服真正理解用户输入，因此所能回答的问题仍局限于“机器人客服”阶段，只能回答智库中所记录的问题，并不能真正承担起“数字理财经理”、“数字小管家”等称号。由于人工智能大模型生成技术的训练主要基于数据库，类似于Chatgpt的机器人和数据库尚无法应用在银行的人工智能模型中，银行领域的AI数据也多数处于建设当中，在不具备大规模应用所需的知识储备的背景下，可供银行AI内容生成技术学习的数据源非常局限。总结来说，现阶段，最常见的银行人工智能技术应用于客服、数据分析、风控等领域，该技术更多用于常见问题的回答工作和数据处理，主要用于提升重复工作而产生的效率问题，但仍无法做到完全取代人工工作。
2.专业性有待提升
人工智能内容生成技术是基于对银行基础产品及服务的简单理解，但并不能对复杂和专业性强的业务问题进行赋能，例如银行经营所涉及的管理制度、工作规范等，银行未来的战略部署等全新领域的规划是人工智能内容生成技术暂时无法妥善处理的板块。此外，人工智能可能存在对于客户需求的“误解”，因此现阶段人工智能“理财经理”更多用于辅助理财经理设计投资方案，这也是目前专业性强的金融从业者仍有和人工智能“对抗”的底气。
3.网络、合规等风险无法妥善解决
由于人工智能、大数据模型都基于网络和数据，对于网络和数据安全的考虑是目前第一风险点。银行业敏感数据泄露问题日益严峻，因此越发增加了信息部门对数据信息保护的严格要求。此外，并不是所有银行都有能力开发自己的系统，因此与外包技术提供方之间的技术壁垒和信息交互可能使人工智能内容生成技术在银行落地的应用安全性被质疑。人工智能内容生成技术可能会将在模型训练中的个体逻辑、错误信息引入实际的商业活动中，从而带来潜在的风险。（本文首发于钛媒体APP，作者｜李婧滢，编辑｜刘洋雪）
更多宏观研究干货，请关注钛媒体国际智库公众号：