> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/use-of-ai-in-financial-services.md).

# 金融服务中的AI应用 2027：如何选定第一个场景

本文整理自 Duaer 文档站，讨论金融机构在推进 AI 落地时如何选择第一个试点场景，涵盖常见应用、选择难点、按价值与难度排序的方法，以及试点的成效度量。

## 金融机构的AI试点现状与常见场景

大多数金融机构已经做过某种 AI 试点：给网点员工用的聊天机器人，用于贷款档案的文档抽取工具，或者一个只在沙盒里运行的反欺诈模型。但能说清楚哪一个真正降低了某项成本、缩短了某个处理周期或降低了投诉率的机构却少得多。金融服务行业中 AI 落地的真正痛点很少是缺乏想法，而是第一个场景选错了。团队常常选中一个监管敏感度过高、依赖分散在核心系统中的数据、或者没有业务负责人愿意为之争取资源的场景。结果是试点在演示中效果很好，却在进入日常工作流之前停滞不前。

要理解 AI 在金融服务中的实际应用，可以从银行、保险公司、资产管理机构和支付公司普遍存在的场景入手。常见的包括：辅助呼叫中心坐席生成案件摘要和查询政策条款；从开户和贷款文件中抽取字段，交由人工核验；对反洗钱告警进行分诊，让分析师优先看到最可能为真的告警；根据结构化输入起草信贷备忘录和合规摘要；为催收团队准备通话材料；为客户经理解答内部政策问题；以及处理运营中的对账差异。

这些场景在幻灯片上看起来相似，但在三个方面差异很大：数据的敏感程度、输出结果受到的监管审视程度，以及结果是否容易衡量。为内部政策问答起草内容的助手，与对消费者信贷申请做出自动决策，都可以被称为“信贷领域的 AI”，但它们属于不同的风险等级，需要不同的控制措施。

## 第一个选择为何比想象中更难

金融服务行业带来的约束，是许多其他行业没有的，或者强度远不及此。模型风险管理的要求意味着，你必须能够解释模型做什么、如何验证以及如何监控。面向客户的输出会引发公平性、信息披露和投诉处理等问题。数据往往分散在核心银行系统、卡务系统、客户关系管理工具以及各团队自行维护的电子表格之中，因此一个看似简单的试点，可能会悄悄需要数月的集成工作。

组织层面也存在问题。风险、合规、法务、技术和业务条线各自掌握决策的一部分，并且每一方都可能否决进展。如果业务负责人没有参与场景选择，试点往往会产出技术上合理、却无人采用的结果。

## 团队常犯的错误

第一个错误是从最显眼的能力入手，例如面向零售客户的自主投顾助手。可见度有利于做出漂亮的汇报，但在团队仍在摸索模型如何处理自有数据的阶段，它也将监管和声誉风险放到了最大。

第二个错误是衡量使用量而非结果。登录次数、发送的提示词数量和处理的文档数量只能说明人们用过这个工具，并不能说明案件结案更快了、错误更早被发现了，或者分析师在返工上花的时间更少了。

第三个错误是合规介入太晚。如果在原型做完之后才设计控制措施，团队通常会发现数据不能离开受控环境、输出需要审计留痕，或者政策要求必须加入人工复核环节。到那时重建流程的成本，往往比试点本身还高。

第四个错误是把每个场景都当作同等有价值。如果没有排序，声音最大的利益相关方就会做决定，试点会继承这个人的优先级，而不是机构的优先级。

## 按价值与难度给场景排序

一种可行的方法是在两个维度上为每个候选场景打分。价值指可衡量的收益，包括每月节省的分析师工时、开户或贷款处理周期的缩短、人工例外处理的减少、运营中损失的降低，或者重复客户来电的明显下降。难度则涵盖数据就绪度、监管暴露程度、需要集成的核心系统数量，以及一线员工需要改变的程度。

每个维度用一到五分打分，并附上书面理由，而不是凭直觉。在价值上得分高、在难度上得分低的场景，是第一个试点的候选。两项得分都高的场景，需要带有明确前提条件的分阶段计划。难度高、价值低的场景应当暂缓。如果你希望在这一步采用更结构化的方法，指南[如何按价值与难度对企业 AI 用例进行优先级排序](https://doc.duaer.com/zh/guides/enterprise-ai-use-case-prioritization/)介绍了一份评分模板，可以根据银行或保险公司的情况加以调整。

在实践中，面向内部、并有人工复核的场景通常排名靠前。为最终做决定的分析师汇总案件档案，比生成没有复核环节、直接面向客户的消息更容易治理。

## 谨慎选定第一个试点

在这个行业，一个好的第一个试点通常同时满足若干条件。它有唯一一位负责任的业务负责人；它的业务量足够大，能在几周内产生有意义的度量结果，但范围又足够有限，使复核工作量可控；它所需的数据已经可以在受控环境中访问；它的输出在影响客户或监管报送之前，会经过人工复核；成功指标和停止条件在工作开始前就已经达成一致。

对许多机构来说，用于内部复核的文档抽取，或为反洗钱分析师提供的告警分诊支持，比自主决策更符合这一特征。这些工作依然重要，但失败的影响可控，团队也能快速学习。如果想在投入预算之前进一步缩小候选范围，可以参阅指南[如何选择第一个企业 AI 场景](https://doc.duaer.com/zh/guides/enterprise-ai-adoption-scenario-selection/)。

场景确定之后，运营层面的工作比模型本身更繁琐：确认数据权限、设计复核闭环、建立日志记录、明确模型可以影响和不可以影响哪些决策，并约定每周状态报告必须包含的内容。许多团队每次试点都要从零重建这些配套机制。Duaer 是一个可以用来端到端运行此类场景流程的平台，覆盖从评分、数据权限检查，到复核和报告的全过程。它是否适合你的环境，取决于你自身的安全、集成和合规要求，因此应当据此进行测试，而不是直接相信宣传的说法。

## 先度量再扩大，以及本周行动

在试点开始之前记录基线。对于文档类流程，这意味着平均处理时间、质量抽检发现的错误率以及返工量；对于告警分诊，则是误报比例、每条告警占用的分析师时间，以及上报案件被确认的比例。在固定周期内，将试点结果与该基线进行比较。

同时也要跟踪风险信号，而不只是收益。复核人员的否决率说明人们有多少次不同意模型的判断，是质量漂移的早期预警。投诉量、审计发现以及第二道防线提出的例外事项，则表明控制设计是否依然有效。提前确定哪种结果足以支持扩大规模、哪种结果需要重新设计、哪种结果意味着应当停止。一个无法停止的试点，不能称之为试点。

本周行动：列出五个你的机构在下一季度实际可以测试的候选场景。对每一个场景，用可衡量的方式写明其价值，主要数据来源，涉及的监管节点，以及会对结果签字确认的业务负责人。按价值和难度为它们打分，并在任何人开始做原型之前，把排名前两位的场景带到风险和合规团队面前讨论。仅这一次对话，就能比任何模型选型工作更有效地消除浪费的精力。

如果你希望把这份清单变成一个运行中的工作流，而不只是一张电子表格，可以在 https://www.duaer.com 注册试用，尝试在平台上搭建第一个场景、复核闭环和每周指标。在做任何更大的投入之前，请先根据你自身的数据、安全和合规要求进行评估。

金融服务中的 AI 应用，只有在第一个场景是基于可衡量的价值、可控的风险和明确的责任人而选定时才会成功；如果选择仅仅出于显眼程度，它就会失败。

## 常见问题

### 金融机构应如何选择第一个 AI 应用场景？

可以先列出一批在下一季度可以实际测试的候选场景，为每个场景写明可衡量的价值、主要数据来源、监管触点和负责签字的业务负责人，然后按价值和难度两个维度打分。价值高、难度低的场景通常适合作为第一个试点，面向内部并有人工复核的场景往往比面向客户的自主决策更稳妥。

### 为什么金融服务的 AI 试点容易停留在演示阶段？

常见原因包括：场景选得过于显眼，放大了监管和声誉风险；数据分散在多个核心系统中，集成工作远超预期；合规控制在原型之后才设计，需要重建流程；以及业务负责人没有参与选择，导致结果无人采用。

### 金融行业 AI 试点应该如何衡量成效？

应在试点开始前记录基线，并在固定周期内与之比较，重点关注处理时间、错误率、返工量或误报比例等结果指标，而不是登录次数或处理文档数量等使用量指标。同时要跟踪复核人员的否决率、投诉量和审计发现等风险信号，并提前约定扩大、重新设计或停止的判断标准。