（原标题：大模型重塑金融业态报告⑤丨金融大模型重塑业务流程）
摘要：“大模型”无疑是2023年最热的关键词之一，随着大模型概念的崛起和广泛传播，金融行业因被视作最优落地场景也同步掀起了一轮热潮。大模型究竟会给金融行业带来什么？它会在何种程度上重塑技术和业务，会衍生出怎样的商业价值？21世纪资管研究院调研了三十多家金融机构和科技公司相关负责人，形成了这份《大模型重塑金融业态报告》，通过梳理机构布局情况以及这些领军者们的观点，描绘行业发展趋势。
21世纪资管研究院研究员杨梦雪、李览青
已有多家金融机构官宣上线大模型产品。
从已披露的公开信息来看，在银行业机构中，农业银行推出类ChatGPT的AI大模型应用ChatABC（中文名：小数），在智能问答、智能客服、辅助编程、智能办公、智能风控等多个领域同步进行试点；兴业银行上线大模型产品ChatCIB，聚焦反洗钱能力、债券交易智能询价等业务领域；平安银行上线的BankGPT平台，研究构建大模型文本生成、图片生成等能力，及其在图标头像、节日海报、个性化营销内容创作、交互式数据分析、非结构化数据洞察等场景中的应用落地。
证券及基金业机构中，国信证券深入研究AI大模型的运用，目前内部落地以赋能员工工作效率提升为主；工银瑞信基金上线的FundGPT在数字人问答技术、检索增强大模型、数据分析师伴侣、AI助手等领域都取得了技术突破。
科技公司及各类非银机构中，马上消费金融的“天镜”在应用层面涉及人工智能客服等场景；奇富科技的“奇富GPT”涉及获客、运营、风控、贷后服务等诸多业务环节；恒生电子的“Light-GPT”包含投顾、投研等核心金融场景；蚂蚁集团基于蚂蚁自研基础大模型的两款应用分别面向理财和保险两个领域，其中C端智能金融助理“支小宝2.0”可为用户提供高质量的行情分析、持仓诊断、资产配置和投教陪伴等专业服务，B端智能业务助手“支小助”可在投研分析、信息提取等环节提供智能服务。
大模型将为金融行业的业务发展带来哪些改变？又将如何重塑业务流程？我们认为，这个问题的答案需要从当前的应用场景和行业关注的风险问题等方面来综合分析。
从目前金融大模型的应用场景来看，智能客服、投研服务、合规审查等均成为较为主流的应用方向。而大模型在这些领域的应用，也将对业务模式进行重塑。
智能客服，即在人工智能、大数据、云计算等技术赋能下，通过客服机器人协助人工进行会话、质检、业务处理，从而释放人力成本、提高响应效率的客户服务形式。
智能客服一度被认为是大模型在金融行业当前最有可能落地的场景之一。与此同时，随着技术的发展和深入应用，智能客服的职能边界也逐渐从提供基础的人工客服辅助向运营管理、营销等功能延伸，市场规模一路走高。
2023年10月，21世纪资管研究院发起了一轮针对手机银行APP智能客服的测评。测评结果显示，当前智能客服已经成为手机银行的基础功能设置，也体现出各家银行精细化运营的大趋势和差异化。与此同时，手机银行智能客服功能的用户体验重度依赖于前期大量基础设置，入口设置、图标设置、互动流程设置等，每一项都非常影响体验。而由于银行业的特殊性，需要非常重视安全和隐私，智能客服需在体验、效率和安全之间寻找最佳平衡点。此外，数字人尚未进入深度应用阶段，目前主要作为视觉形象展示，服务功能上与传统智能客服尚无差异，使用体验也有待优化。
大模型的落地应用，能否为智能客服装载一个更智能的“大脑”？从业务逻辑来看，当前主流的智能客服大多依靠内容检索和预设，几乎无法实现语义理解和分析。但如果能够利用大模型的知识和通用能力，在限定话术的情况下或能一定程度上完成智能应答及辅助人工座席实时服务等工作，在提高智能客服拟人度的同时也能够提升人机协同的效率，同时在对客服务体验优化和员工效率提升两方面提供助力。
投研服务通常包括投资咨询和研究服务，通过对投资对象的分析研究预测其未来表现和收益等，在投资领域占据重要位置。
在传统的投研服务中，在数据源和数据获取方式上通常比较依赖传统金融数据及结构化数据库或通过各种渠道收集的信息，在数据处理方式上也更多依赖于研究人员自身知识储备及分析能力，最终由研究人员撰写研究报告。人工智能等技术的应用，使得智能投顾在数据来源有所拓宽，同时在数据处理方式上可以进行自动化分析，甚至最终可以实现由AIGC直接生成投资研究报告。
大模型技术对于投研服务的重塑更多地体现在“增效”方面，将原本依赖人工花费小时级的资料查询整理等工作缩减至分钟级，同时基于市场资讯、研报等专业材料的预训练之后，智能投顾理论上也可以实现基于自动化分析，从而实现思考维度更全面、逻辑推理更稳定的分析结果。
大模型在金融行业的应用场景还包括为以信贷业务为代表的一系列风控审查工作提质增效。以贷款业务为例，在传统的业务模式下，申请、审批、放款、存续到收回的全流程均涉及各类尽调及分析等耗时耗力的工作，同时也具有审批文件量大、审核点数量多、人工审核费时费力等诸多痛点。而基于卫星遥感、NLP（自然语言处理）等大模型能力，能够抽取信贷审批书风险审核要素(如金额、期限、利率、业务品种、担保方式等审批关键点)，为后续数据查询和分析挖掘提供支撑，大大降低时间和人力成本，提升审核效率。
信贷业务对于人工智能技术的应用已相对成熟，当前有越来越多的机构愿意尝试以大模型技术提升风控能力。从应用层面来看，大模型技术能够应用于信贷审批的场景涉及贷前风险评估、智能尽调报告、辅助审批、合规审查、贷后催收服务等几乎全流程的业务。
大模型技术的应用就像硬币的正反两面，正面是技术应用将信息处理和智能决策带入新纪元，反面则是大模型训练和微调面临的数据问题、合规及法律法规等方面的问题、大模型固有的“幻觉”问题等一系列可能存在的问题。
作为一个对安全性、合规性、准确性、可控性要求都较高的行业，尽管当前的主流观点倾向于认为以大模型为代表的人工智能技术将对金融行业现有的业务流程带来重塑，但大模型的应用仍然面临合规风险、数据安全、隐私安全、可信可解释等诸多方面带来的风险。
从我们多方调研的情况来看，尽管当前在金融不同业务场景中已有诸多应用和探索，但对于金融机构而言，目前大模型考虑或已落地应用最多的方向仍然是为内部员工“增效”。如为客服人员提供AI客服助手，以基于大模型的人工智能工具协助工作人员提取部分信息、提升服务效率，为投研人员提供研报摘要、辅助生成报告，为审计业务人员提供数字劳动力，以基于大模型的语言指令调取API等，此外还包括代码生成、代码辅助等。
不同于其他行业，金融行业对于机构的合规性考察更为严格，且已有一套针对业务相对完善的监管标准。具体到应用层面，多家金融机构都表达了对于合规性的担忧。
以上述智能客服这一场景为例，金融行业对于直接的对客服务有较其他行业更为严格和准确的要求，如以基于大模型的智能客服直接对客，其输出的内容并未经过内部的合规审查，对银行等机构而言即存在不可控的风险，相关内容按现行规定也无法直接对客输出，实际或难以落地应用。再如大模型的训练，目前一个比较可行的方法是基于境外开源模型进行二次训练或微调，但这仍然涉及基础模型的合规性和其中数据的合法性，在二次训练和微调阶段还涉及数据隐私、数据传输及数据保护等方面的问题。
同时，除数据安全性与合规性问题之外，高质量数据缺乏、数据样本不足、迭代较慢等数据质量问题也被频繁提及。以高质量数据问题为例，由于金融行业非结构化数据较多，高质量数据的缺乏为金融行业训练或微调模型带来直接的挑战。
以数据迭代问题为例，由于金融行业对于信息和数据的变化更加敏感，大模型的微调和训练均需要基于海量历史数据，而数据无法实时更新，也使得其产出的内容在实际使用中效用有所折扣。如在信贷审批及风控等应用场景中，可能面临基于大模型的信贷风控体系无法实时匹配新客群信用风险、软硬件基础建设无法完全支持等诸多问题。
尽管大模型当前热度空前，各金融机构尤其是头部机构都基于自身需求和行业特性作出了一些探索，但大模型技术在金融领域的大规模落地当前仍然处于“前景不明”的阶段。在调研中我们了解到，金融机构目前首要关注的是合规性、应用方向等问题，与此同时算力和基础设施等一系列改造也涉及一笔不小的投入，在尚未达到成本和效益的平衡点的情况下也或难以进行大规模投入。从目前作出的尝试来看，金融机构在大模型布局上也更倾向于相对谨慎的打法，先在某个领域或业务场景中进行小规模试水，判断成效后再逐步应用至更核心的业务场景。
每当一场新的技术浪潮来袭，金融行业始终站在应用的最前端。对于金融行业而言，大模型对金融机构的影响不仅是在技术、应用层面，而是对金融业数智化转型与金融服务的智能化发展产生深远影响。
基于前期调研访谈，21世纪资管研究院认为金融行业在大模型浪潮影响下，将呈现四个未来发展趋势。
第一，金融行业有望步入AI驱动的新阶段。回顾过去金融机构的数字化转型，是基于监管要求自上而下推进的技术架构重塑，而大模型“iPhone时刻”的到来，对金融机构数智化转型的发展范式产生深远影响。
从驱动大模型的“三驾马车”来看，大模型需要大参数规模的训练语料库，高质量数据集促使金融机构重新审视数据管理流程，盘点数据资产，提高数据资源利用效率，加强机构间的数据流动。同时，有限的算力资源与高昂的训练成本，驱动金融机构基础设施架构的平台化转型，通过多种技术优化算法，以提高资源使用效率，降低大模型使用成本。
从数字化到智能化，可以预见的是，AIGC将推动金融机构从被动转型步入主动转型。
第二，金融机构有望通过“AI Agent+”实现技术普惠。基于大模型驱动的AI Agent，被普遍认为是未来人工智能应用的新形态，相比于过去人工智能技术的相关应用，AI Agent表现出惊人的自主性与智能性，数据显示过去两年间针对AI Agent的研究投入增幅达到300%。
21世纪资管研究院梳理各大银行科技投入与科技人员数量发现，近两年来银行科技投入已开始出现下滑态势，科技人员新增数量也逐步减少。在云平台等基础设施建设已初步完成后，下一步是释放科技人员生产力。AI Agent与RPA等传统技术结合，应用于金融服务的各类场景，以自主学习的能力可以及时解决非给定流程中的其他问题，在金融数据合规与隐私安全保护合规的情况下，有望成为金融从业人员与客户未来的AI助手。
第三，金融领域的AI伦理建设将持续加强。成式AI重塑了金融领域科技的应用，但也带来了一定的风险，关乎金融行业的数据安全、个人信息保护、知识产权保护、伦理道德、算法歧视等等多方面问题。
2022年《金融领域科技伦理指引》的发布，为金融机构在一定程度上明确了伦理底线，但涉及到金融行业的生成式AI应用风险治理，还有待进一步政策出台。目前多家金融机构均已成立金融科技委员会等组织架构，把握创新与安全的平衡，在未来随着金融大模型的发展，这一趋势将更为明显。
第四，金融领域的开放生态将加速形成。大模型训练对数据、算力等资源规模提出更高需求，可能导致金融行业数智化水平的进一步分化，一方面可能对中小金融机构的数字化转型形成压力，另一方面需要高质量数据集作为训练语料。
这些都呼唤行业生态的进一步开放，以及在合规前提下数据资源的流动。这里的开放，是算法、数据、技术能力的全面开放。算法开放层面，开源模型可以与闭源模型形成互补，降低中小机构的研发投入，帮助加快模型优化迭代，提升开源模型性能，共同突破技术难题。数据开放层面，“越用越聪明”的大模型产品更需要金融领域高质量数据集，特别是在数据成为第五大生产要素、数据资产入表的背景下，金融语料库的共享将赋能金融行业整体智能化水平跃升。
在调研中我们获悉，金融大模型落地的问题往往是工程化问题，因此，相关技术厂商的生态能力也至关重要，只有更为开放互通的行业生态，各方才能共同实现社会的智能化水平提升。
首页
微信公众号
证券之星APP
