来源：钛媒体国际智库
全文3849字，作者丨李婧滢
钛媒体国际智库发布《2024人工智能专题——金融行业大模型应用报告》（下称《报告》），《报告》对金融机构及科技企业在金融大模型进展进行观察，详述大模型在 银行、保险、证券行业的落地场景，并通过包括浦发银行、网上银行、阳光保险、华福证券等多个案例呈现当前大模型在金融业务不同场景的使用情况，通过案例 理解金融大模型在落地上存在的技术、制度等困难，探讨未来大模型在金融业应用的路径，以及如何在利用大模型提升金融行业效率的同时预防大模型给金融系统带来的风险。
目 录
一、现状描述:金融大模型爆发式增长，业内布局积极性高
(一)大模型数量激增，AI为金融业带来万亿增量商业价值
(二)银行:国有大行重视大模型技术体系研发，股份行致力于探索落地场景
(三)保险:最契合大模型的金融业态，成熟应用场景降本增效成果明显
(四)证券:大模型应用尚处初级阶段，多用于非决策类业务场景
二、政策盘点:中央政策支持与监管并重，地方政策鼓励为主
三、应用场景:大模型在金融场景应用广泛，业务之间联动性较强
(一)智能客服:大模型落地最成熟场景之一
(二)智能营销:实现从简单的产品推广到精准个性化营销的转变
(三)智能运营:提高日常工作中的运营效率
(四)智能风控:从数据驱动到模型驱动
(五)智能投顾:大模型金融应用的“皇冠”
(六)代码自动生成:基于大模型代码生成技术的工具将变得更加智能化
四、重点案例:银行、保险、证券三大金融业态大模型应用成功案例
(一)浦发银行:大模型重塑零售业务场景
(二)华福证券:大模型破解证券开户低效难题
(三)网商银行:将AI大模型的能力应用于产业链金融
(四)阳光保险:自研阳光正言GPT大模型，构建保险大模型的评测体系和方法
(五)恒生电子:基于金融大模型LightGPT，推出“光子”系列应用产品
五、挑战与困境:大模型在金融业落地面临五大难题
(一)开发阶段的技术门槛、人员和成本问题
(二)数据来源、数据质量和隐私保护问题
(三)运行过程中的算力和存力配置问题
(四)对客层面的可解释性和信任度问题
(五)开发后所引发的内部员工“恐惧”问题
六、破局之道:大模型在金融业应用路径探索
(一)构建“大模型+小模型”融合应用新范式
(二)强化合作，整合资源，重塑能力
(三)将监管融入模型，实现监管技术升级
(四)将人工智能的治理提升到“一把手”的高度
当前，国内外各类金融机构及科技企业对大模型展开了积极的研发，并在智能客服、智能营销、智能运营等领域进行了落地。从模型的研发模式来看，主要分为自研和合作研发，其中大型科技公司与金融科技公司以自研为主，而金融机构以合作为主。从落地场景来看，当前金融大模型在银行、保险、证券均有落地场景，包括智能营销、智能运营、智能办公、智能投顾、智能风控、智能研发。
为了展示当前金融机构的大模型落地情况，本报告分别对银行、保险、证券三大金融业态对于大模型应用探索进行梳理。
银行：国有大行重视大模型技术体系研发，股份行致力于探索落地场景
头部大行在大模型技术体系研发上投入积极，并探索多个业务领域的落地；股份制银行在大模型的应用落地上展开了更积极的探索，落地场景更丰富，比如平安银行将大模型技术用于汽车金融 AI 验车场景；中小银行更多通过招标的方式，在成熟场景上布局。
在智能客服、智慧办公、智慧运营、智能研发等领域，大模型已经应用广泛，并取得了较好等降本增效的效果，中国工商银行为 20 万网点员工打造智能助手，目前已经上线，大幅提升网点效能，2023 年全年运营领域智能处理业务量 3.2 亿笔，比 2022 年增长 14%。
目前大模型应用逐渐从流程层面应用向决策层面发展，但尚未出现“颠覆性”应用。相比国内大型银行倾向于基于通用大模型开发自己的金融大模型，海外银行通常是基于 ChatGPT、Llama、Google Cloud 等海外知名大模型落地应用。
保险：最契合大模型的金融业态，成熟应用场景降本增效成果明显
保险无疑是与大模型落地最为契合的金融业态，大模型将重构保险的销售、 核保、理赔、服务等多个环节，通过对当前保险行业关于大模型落地的梳理，主 要有以下三点发现：
首先，保险行业大模型落地场景广泛，应用场景较多的为代理人销售助理、 营销素材生成、知识问答助手、编码辅助工具、智能办公助手、智能理赔。其次，目前在较成熟的应用场景，保险业已经实现了较好的降本增效效果，比如，平安集团在其 2023 年年报中披露，“2023 年，实现智能引导客户自助续 保 3,003 亿元，同比增长 13%。平安拥有国际领先、亚洲最大的后援服务平台， AI 坐席服务量约 22.2 亿次 ；智能化理赔拦截减损 108.2 亿元，同比增长 16.0%。”最后，在条款自动审核、核保辅助支持、保单摘要、欺诈规则发现等高价值场景，目前仅有少数保险公司尝试。
证券：大模型应用尚处初级阶段，多用于非决策类业务场景
在投资银行、财管管理、机构交易等领域，大模型都有着丰富的应用场景，不过大模型和证券的融合仍处于初级阶段，多为业务场景简单的非决策类环节。 例如，在投行业务领域，可以利用大模型的数据关联能力，穿透各种指标，识别因果关系，为业务加强风险防范保障；利用大模型的生成能力，辅助编写尽 调报告、招股书等；在财富管理领域，大模型可以学习客户经理、研究员、投资顾问的能力，成为客户私人定制的财富顾问。
从大模型的特点和优势可以判断，大模型在金融业务上的应用前景十分广阔，从前台到中后台的各业务条线，大模型的应用潜力均有待挖掘的空间和潜力，大模型能够帮助金融机构挖掘细分市场，优化金融服务水平，提升内部管理效能，降低运营成本，完善风控体系。
挑战与困境：大模型在金融业落地面临五大难题
由于银行业本身的特性，不管是政府层面还是行业监管层面对银行数据的合规性、安全性、准确性、可信性都存在较高要求，因此运用在银行业的大模型技 术都是研发成熟品。从整个大模型行业来看，部分业内人士认为，银行业大模型的落地进展略滞后于整体行业。
软通动力孙洪军表示，他们最初预测金融行业可能会最先大规模使用大模型，但从最终对接客户的情况来看，金融行业不如法律、招聘等行业走得快。
银行业的大模型正面临着落地困境，因此对于现阶段还未开发大模型的银行，第一步是列举出目前银行的大模型困境，并思考如何解决这些“桎梏”，而不是盲目跟风训练大模型。
目前限制银行大模型发展的难题主要来源于五个方面，分别是，开发阶段的技术门槛、人员和成本问题，数据来源、数据质量和隐私保护问题，运行过程中的算力和存力配置问题，对客层面的可解释性和信任度问题，开发后的内部员工“恐惧”等问题。
