ChatGPT近兩個月以來不斷引爆熱點，對人工智能應用發展的熱潮前所未有地高漲，ChatGPT所代表的大模型在語義理解、多輪交互、內容生成中所展現的突出能力令人驚喜。而人工智能技術在金融行業的落地應用仍然面臨挑戰，雖然已經讓大量寶貴的人力從簡單任務中解放出來，但大量應用環節與場景仍然停留在“讓機器看見、聽見”的階段，有待升級。

ChatGPT“讓機器理解”的能力為金融行業智能化轉型升級打開了新的大門。易觀基于金融行業數字化轉型與人工智能技術的研究積累，對金融行業的大模型應用進行了進一步探索。

1. 應用趨勢

(1) 大規模預訓練模型拓寬金融行業AI應用邊界，加速金融行業智能化升級。

(2) AI應用場景與產品類型不斷豐富，縱深行業，以業務理解為導向推動AI應用鋪開，進入金融機構以需求為導向的拉動階段。

(3) AI與金融應用生態的建設有待于進一步完善，豐富的開發者生態、金融垂直應用生態以及人才生態等，是護航大模型以及AI深入業務賦能的重要關鍵。

2. 應用價值

l 升級用戶體驗

通過人機交互方式的變革，實現多輪對話與KYC，提升對話與服務體驗；通過與數字人相結合，實現虛擬場景的溫度服務。

金融行業在客戶經營層面，在過往主要關注用戶數字化趨勢之下，以App為核心的移動應用生態的建設與運營，以手機銀行App、證券App等活躍用戶（即MAU）作為重要的北極星指標，當下需要轉換思路，全渠道體系數字化經營的重要性更加突出，用戶體驗是用戶流量競爭過后下一階段的關鍵點。MAU與用戶體驗并重，是金融行業客戶經營的兩個重要基石。相應地，智能客戶也許僅僅是依托于大模型升級的開始，在金融機構與用戶交互的各個環節，都有體驗價值的洼地需要予以關注。

l 優化內容生產創意與效率

與AIGC相結合，在自動化生成營銷物料的同時，實現千人千面的個性化營銷。

金融行業當下無論是營銷側，還是投教方面的內容質量以及數量均無法滿足精準化個性化營銷的需求，個性化營銷與服務需要精準的用戶畫像，敏捷的金融產品研發與面向市場的機制與體系，橋接點在于能夠通過個性化的營銷手段，將用戶需求與產品鏈接起來，過往金融行業補課的關鍵點在于用戶畫像以及產品研發，那么內容的生產以及優化就是當下需要重視的短板，僅僅依賴于供應商解決內容環節的短缺和供給問題，無非是把成本轉移，同時，無法形成內容資產的有效積累。大模型與AIGC相結合，可以是破解之道之一。

l 降本提效

在投研、研發編程、授信審核以及流程管理等方面提高效率，減少基礎人員投入。金融機構以往依賴于各種外包服務提供商，并通過RPA、知識圖譜等各種手段提升員工效率，大模型以及其他各種AI技術的應用都是手段之一，在這個過程中，需要同時關注組織能力的升級，這也是后文應用挑戰的重要部分。

l 產品/業務創新

通過在通用基礎能力的AI底座中引入高級認知能力，整合碎片知識與多樣化需求，形成創新的產品化模型與業務解決方案。

1. 應用挑戰

l 可信度挑戰

大模型仍存在倫理、穩定性、準確性、安全性等問題，是深入應用的核心挑戰。

可信AI是指人工智能技術本身具備可信的品質。從銀行業的角度，將從應用性上對其進行概念延伸。人工智能在從事智能識別、智能交互、智能篩選、智能決策、智能推薦等銀行業務活動時，具有可信、可控的特征，其行為能夠符合科技倫理、行業標準與道德規范，能夠使決策與建議的邏輯透明可釋，能夠做到公平普惠，且具備抗風險、抗攻擊和隱私保護的能力。針對銀行實際場景需求、對可信AI的能力要求等，將其延展為8個特征，并結合場景來確立研究范圍、技術路線等，主要包括：穩定性、魯棒性、可解釋性、安全性、公平性、普惠性、客戶自治性以及可追溯性。

即便大模型各個方面能力卓越，但是仍然需要圍繞可信層面做好評估與應用保障機制。

l 業務理解挑戰

大模型基于通用知識庫進行訓練，進入到金融業務場景，需要針對業務屬性進行增量訓練，才能真正解決業務問題。

l 成本投入挑戰

當下大模型的應用成本仍較高，包括算力消耗、模型訓練、訓練語料與數據標注等，需要通過模型壓縮、小樣本訓練等方式進一步降低應用成本。

l 組織能力挑戰

大模型以及一系列AI應用與員工的有機協同仍然需要通過機制設計進行磨合。一方面是員工的成長與考核體系如何優化，另一方面是組織的設計與協同等。

2. 應用模式

l 采購軟件/解決方案

l 按照服務調用次數付費

l 按照內容生成數量付費

3. 應用場景探索

基于大模型的能力與金融行業關鍵業務場景，易觀對于主要應用場景進行了如下的探索，并對大模型+場景探索的可行性做了初步的研判，可行性評價標準包括業務應用價值、技術實現可能性及開發上線周期，以及ROI大致測算。供金融行業客戶參考：

l 客戶服務

當前場景智能化現狀

普遍采用智能客服介入客戶服務環節，但是目前智能客服仍然以“搜索”為核心應對用戶疑問，重在快速解答。

大模型+的探索

結合多輪對話與KYC探查能力，能夠有效提升用戶對話體驗。

探索可行性

????????

l 營銷

當前場景智能化現狀

目前尚處于自動化營銷+數據驅動營銷迭代的過程中，營銷內容以內容模板庫建設與積累為主，營銷策略依賴于專家規則實現。

大模型+的探索

營銷物料生成環節可以快速豐富，從而支撐千人千面的個性化營銷；智能營銷策略依托于完善的客戶標簽與KYC能力可以進一步在金融行業真正落地。

探索可行性

????????

l 風控

當前場景智能化現狀

目前主要依賴于專家規則+特征工程實現，身份識別與貸前輔助審核等環節引入AI能力較多，但金融業務全流程智能風控尚處于探索階段。

大模型+的探索

在風控全流程中引入大模型可以提升數據提煉和處理能力，能夠進行新特征規則發現，結合因果學習可以探索智能風控策略制定與追因的更多可能性。

探索可行性

??

l 投教

當前場景智能化現狀

投教內容相對匱乏，以及面對不同類型投資者尚難提供精細化投教內容。

大模型+的探索

通過大模型與數字人相結合，實現投教內容海量豐富，以及推送投放因人施教。

探索可行性

??????

l 投顧

當前場景智能化現狀

依賴于大數據進行投資者畫像與風險偏好洞察，并應用專家規則進行投資產品與組合的自動化推薦。

大模型+的探索

圍繞財富管理專業知識進行增量訓練，并利用全面的KYC探查實現圍繞個體的全生命周期智能投顧服務。

探索可行性

????

l 投研

當前場景智能化現狀

目前智能投研能夠實現數據資產以及非結構化數據洞見賦能，并利用知識圖譜等技術提升分析效率，尚處于工程化初期階段。

大模型+的探索

大模型對投資標的信息整理、摘要與篩選更加準確，能夠實現對各類投研數據的綜合分析以及對時間序列數據的預測，從而提升投研效率以及價值。

探索可行性

?????

l 核保理賠

當前場景智能化現狀

目前處于從依賴人工審核，向利用核賠、理算、控費等規則引擎實現自動化，從而提升運營效率。

大模型+的探索

提升信息抽取、聚類與分析的實時效率，提升核保理賠用戶體驗，降低人力投入。

探索可行性

??

l 研發

當前場景智能化現狀

目前已嘗試應用敏捷開發模式進行軟件和產品研發，但由于軟件開發需要滿足行業要求，產品研發需要整合大量信息，通過數字技術滿足研發敏捷性、業務合規性與客戶個性化需求的探索仍處于初期階段。

大模型+的探索

大模型能夠協助制定符合金融業標準的軟件產品研發計劃、代碼編寫與測試，軟件自動化測試等，提升研發敏捷性，實現產品快速迭代；產品研發過程中能夠提升數據處理與資產檢索效率，自動生成多樣化的產品定價與組合策略，提升產品個性化程度。

探索可行性

????????

l 內控合規

當前場景智能化現狀

目前普遍運用的RPA技術可以實現文件關鍵信息的抽取與分類歸檔，但與文件理解相關的任務仍需尋求更多技術支持。

大模型+的探索

大模型可以形成對文件的整體認知與理解，大幅降低對人工審核的依賴的同時給出風險警示以及解決方案，例如大模型能夠在不良資產核銷過程中輔助人工進行全流程貸款資料的審核，提升審核效率與企業表外資產探查的能力。

探索可行性

????

4. 基礎技術能力建設

上述金融業務場景尚不能窮盡，大模型與各種技術融合能夠產生各種可能性，相應地，在探索金融業務場景應用的同時，融合大模型的基礎能力，升級金融科技實力，夯實技術能力建設體系，方是長遠之計。如下為易觀圍繞大模型原子化能力，提出可以在哪些中臺能力上進行升級，包括客戶畫像、數據分析等各個環節。具體如下圖所示：