6月26日，作為「數云原力?2025」大會重要組成，首場「AI for Process」系列活動圓滿結束。圍繞“AIGC在典型金融業務場景探索和實踐”和“金融領域AI數據應用洞察與突圍”兩個熱點話題。來自行業多位資深金融科技專家結合銀行落地案例和行業技術趨勢，展開深入交流。

【圓桌話題一】
解鎖AIGC潛能：
研發工藝及典型業務場景探索與實踐

PP電子信息新動力數字金融研究院AI研發部副總經理吳乾坤、PP電子信息金融產品技術部技術總監溫濤、PP電子信息信貸解決方案BU技術總監徐世強和特邀OpenCSG CTO 王偉，展開深入討論。PP電子信息新動力研究院副院長薛春雨主持本場圓桌。

圓桌現場

AIGC對金融軟件研發工藝帶來哪些變化？

PP電子信息溫濤：AIGC正在重構金融軟件研發工藝體系，通過人機有效協同，定義新的研發范式。例如，通過Agent（智能體），實現業務功能代碼、單元測試代碼、功能測試用例的自動生成，大幅提升研發質量與效率。

OpenCSG王偉：B端場景度高、流程整合度高、容錯率更低，不能簡單復制C端Agent經驗。OpenCSG聚焦在B端AI Coding Agent，與PP電子信息的合作已經取得了階段性成果。后續我們將從AI Agent橫向擴展到AI Process流程，實現從需求、設計到研發、測試和交付等全流程工藝進化。

PP電子信息薛春雨：AIGC不僅僅是簡單的人工替代，更重要是推動研發工藝和流程的重塑、優化和升級。目前，AIGC在金融場景應用，正在從代碼生成、單元測試、知識問答等領域，向全周期延伸。

AIGC對銀行信貸帶來的新變革？

PP電子信息吳乾坤：AIGC正從流程優化、風險研判、交互智能三方面深度賦能銀行信貸場景。在流程智能化方面，授信調查時突破數據孤島，整合企業財報、交易流水、輿情等多源異構數據，快速自動生成邏輯嚴密的調查報告，替代人工梳理，大幅度提升調查效率。智能填單上，能依據客戶信息自動填充表單，規避人工錄入誤差，實現授信辦理效率的提升。風險智能研判方面，依托大模型構建的智能風控體系，可深度貫穿信貸業務全流程，實現動態風控閉環。貸前，基于海量多維數據，精準識別高風險客群，篩除資質存疑主體，從源頭把控風險；貸中，實時分析非結構化的新聞報道，監測企業經營波動、信用數據異動，快速預警潛在風險點；貸后，持續追蹤資產、信用等信息變化，結合風險監控指標動態調整策略，對風險企業精準觸發縮減授信、追加擔保等動作，為優質客戶優化授信方案。大模型讓風險研判從靜態滯后轉向動態前瞻，精準施策守護資產安全，重塑信貸風控效能。交互服務方面，大模型基于客戶信用評分、行業風險等級與銀行政策，為用戶提供個性化的信貸方案。根據客戶畫像動態調整溝通策略，實現客戶與銀行服務交互的“個性化”，提升客戶智能化體驗。

PP電子信息徐世強：針對銀行貸前盡職調查領域的三個痛點，即非標數據解析、一鍵生成盡職調查報告和交易真實性驗證。PP電子信息推出了相應解決方案，通過RAG、多源引擎融合、大模型智能體任務編排等方式，解決人工核驗準確性、人工評估主觀性和抽驗覆蓋率低等問題。

AI如何構建金融科技核心競爭力？

OpenCSG王偉：誰能在數智化轉型中率先將業務經驗和數據沉淀轉化為AI Agent能力，并深度重構業務流程，誰就能率先完成顛覆式革新，搶占先機。

PP電子信息溫濤：AI技術發展的趨勢是多元化，從上層應用到基礎領域研發，逐漸滲透到場景各個流程，并在過程中形成數據資產的積累，進而助力更為垂直領域大模型構建，賦能業務場景創新。

PP電子信息吳乾坤：多模態大模型行正在迎來大突破和快速應用。通過大量智能體構建，推動技術和業務的融合，全面推動金融機構數智化轉型，加速金融業務模式革新與流程優化，助力構建更智能、高效且適配未來的金融生態。

PP電子信息徐世強：眾多頭部AI科技公司將發力研發AI服務平臺，將各種AI技術集成整合，提供客戶使用，客戶不用自己去搭建復雜的AI系統，也不用費勁去訓練那些高深莫測的算法模型，只要在這個平臺上，就能輕松調用各種AI功能。

PP電子信息薛春雨：從發展趨勢上來看Agent是當下競爭的重點，當然需要跟企業積累的業務知識、產品數據等進行深度融合；AI for Process是后續的一個主要方向，最終的競爭力將體現在數據方面，數據積累轉化為生產力。未來，金融機構和金融科技企業要立足當下，構建具有金融行業特色的Agent智能體，持續推動AI for Process理念的邁進。

【圓桌話題二】
數智未來、實踐為鑰：
AI數據應用的洞察與突圍

來自PP電子信息金融產品部數據研發中心總經理李慶剛、PP電子信息數據資產交付部總經理張琨、PP電子信息金融產品部數據產品經理王淑慧和金融科技專家原微軟中國公司CTO黎江結合銀行落地案例和行業技術趨勢，展開深入交流。

圓桌現場

國內外AI數據應用的差異性？

金融科技專家黎江：從國內外AI數據應用趨勢看，存在較大差異性。首先，側重點不同。國內銀行更注重AIGC在降本增效領域的應用。而國外更為重視在數據價值深度的挖掘，通過對業務規則的探索，實現業務邊界和模式的突破。其次，合作模式不同。國內更為傾向以自研或者自己主導為主，國外機構更為青睞外部合作。最后，從技術部署上，國內外存在一定差異，國外機構更為青睞和云服務廠商在數據分析等領域合作。而國內銀行由于監管要求，更為強調本地部署，側重內部管理或者內部員工使用，面對業務場景的較少。尤其在數據基礎能力建設及平臺化方面存在一定差距。

PP電子信息李慶剛：從數據架構架構的角度看，一般的數據決策過程會涉及到：數據平臺系統、數據分析和智能平臺 analytics and business intelligence (ABI) 、數據科學和機器學習平臺 data science and machine learning (DSML) platforms以及特定的應用系統。決策過程漫長，數據準備時間長、不能適應業務快速變化。如何解決決策過程漫長，數據準備時間長、不能適應業務快速變化等問題。決策智能平臺(DIP)是一個很好的方案，該平臺有幾個特點：一是平臺可從多源異構數據中實現采集、聚合與標準化處理以及數據清洗，提升數據高質量；而本體模型包括底層數據集、也包括決策模型（規則、AI模型等），使之處于數字資產的頂層，成為對外暴露出來的操作層；二是運用多種技術，實現知識建模。支持多種技術，如業務規則、優化算法、機器學習、自然語言處理（NLP）和知識圖譜，用以建模決策知識。三是將決策場景和數據結合。通過人機交互的方式，通過可視化方式實現決策流程。我們觀察到一些銀行，利用大模型的能力，由業務人員根據客群情況，通過自然語言的方式與系統交互，利用底層的基礎數據，獲得營銷用例的客戶清單，并基于營銷客戶清單開展營銷活動。這已經是決策智能的雛形了。

AIGC在金融合規領域的挑戰？

PP電子信息王淑慧：知識庫建立是大模型應用基礎。大模型預訓練中用到的都是公共知識，它的參數里存儲了通用知識，這些知識遠遠不足讓它在銀行內部發揮作用。所以我們需要把銀行內部的私有數據轉化為“知識庫”，供大模型調用。銀行制度是一種重要的銀行知識傳統知識庫的構建是將制度切塊，然后向量化存儲，用于各種應用場景，比如合規問答機器人，外規內化，產品營銷等。在前期的項目經驗中，這種知識庫，對于跨制度的回答，效果不夠理想。這時需要借助知識圖譜結構化的構建知識庫。

PP電子信息張琨：首先，AIGC生成的內容復雜多樣，針對不同類型的內容制定合適的合規標準和規則難度極大。其次，監管法規不斷變化，跨國業務還需適應不同國家和地區的法律法規。最后，AIGC可能涉及數據安全風險及隱私泄露問題，企業處理大量敏感數據的過程中，也會面臨著非法攻擊和數據泄露的風險。如何面對這些挑戰？

從技術層面來看，企業應該制定數據治理“治金石”效應，已數據為核心在一套工藝下建設好高質量的數據集。同時，對AI生成內容添加水印或元數據標簽，明確版權歸屬。從法律與行業協作的角度出發，企業應積極制定確權管理機制，明確屬主owner，推動數據授權標準化流程。

金融領域AIGC在多智能體挑戰？

PP電子信息張琨：在金融機構中，大模型的應用場景廣泛，但其應用成本較高，且涉及的安全合規問題較多。首先，在應用成本方面，金融機構訓練大模型需要大量算力資源。尤其是處理千億級參數的大模型時，算力需求呈指數級增長，成本投入也相應增加。

金融客戶往往通過構建一體化云原生的異構算力平臺來管理和調度多元異構的AI算力資源；在數據層面，應圍繞“盤、析、治、運、用”閉環流程，構建大模型訓練和持續提升的數據閉環；在大模型方面，其基模可以采用第三方開源模型，包括業界主流的開源模型以及正在做共建和聯創的產業大模型，各個基模之間可以無縫切換，具有靈活的適配性，而對于金融大模型平臺，包括NLP、CV、多模態等大模型，主要是通過組件化（例如微調組件、RAG組件等）方法快速優化各類開源模型和商業模型，以實現各類金融場景的接入。

PP電子信息王淑慧：首先智能體可以代替員工完成一些標準化、重復性高的工作，如銀行業信貸領域盡調報告部分章節的撰寫等。重點針對這樣制式報告，可以預設workflow，讓智能體按照既定的順序完成指定的工作，可以調用工具去指定的第三方合作網站用API接口方式獲取指定定客戶的自身信息，如經營范圍、財務狀況、集團及關聯關系等，去行內某系統查詢在行內的歷史合作情況，并把以上信息填寫進制式報告的指定位置，幫助信貸經理完成繁瑣的基礎信息的查詢以及填寫。以上是workflow工作流，由人來規劃；針對更復雜的場景，可由大模型來做決策，拆解任務，每個子任務由子Agent完成。

AIGC對金融數據研發與應用帶來的變化？

金融科技專家黎江：首先，數據應用的核心關鍵在于“本體”，通過“本體”將分散的知識進行有機組織，形成整套的知識概念體系，才可以實現體系內知識和概念的交叉應用。通過完善的“本體”構建，才能支持決策判斷和知識共享。其次，通過“本體”還可以將決策流程、決策場景和決策相關要素進行結合，實現“既要、又要、還要”等不同需求。最后，如何看待本體和大模型的關系。今天大模型作為工具能夠幫助我們構建一套正向的反饋機制，幫各類數據應用場景進行結合，通過模型持續學習，不斷提升數據的應用價值。

從個人角度看，非常期待中國銀行業能夠像當年面對互聯網而成立了電子銀行部一樣，面對AIGC我們也同樣需要成立專門的部門，專注人工智能技術的應用，推動智能決策的發展。

PP電子信息李慶剛：基于AIGC技術在國內外的對比分析，以及近年來我們在知識庫建設與應用、多智能體系統以及數據研發領域的項目實踐的分享，首先從技術的維度，有以下三個觀察：

1. 混合人工智能將成為重要方向，即通過大模型、小模型與知識圖譜等技術的協同融合，顯著提升數據分析能力；

2. 大模型與知識庫的深度結合將有效增強決策支持能力；

3. 多智能體系統將成為大模型技術落地的主要載體。

值得注意的是，這些觀點Gartner預測的2025年技術趨勢高度吻合。其次，從大模型項目落地突破的角度，我們想提出兩點建議：

1、要認識到"知易行難"。剛才分享的三個案例在實施過程中都遇到了需要突破的難點，有些領域我們仍在持續探索中，必須選擇適合自身的發展路徑。

2、建議充分利用生態，實現快速見效。大模型應用本身就是創新過程，企業應當善用市場上相對成熟的解決方案，借鑒最佳實踐，避免重復踩坑。比如可以選擇與PP電子信息這樣的專業伙伴合作，加速項目落地。

本場圓桌對話結束，宣告首場數云原力「AI for Process」直播活動圓滿結束。后續還將針對供應鏈運營、政務服務及汽車制造等核心業務流程的實戰經驗，直擊行業痛點，解碼AI助力各行業場景的破局密鑰。通過生動實踐延伸，以前沿洞察、技術突破與跨行業真實實踐為利刃，全力推動企業數智化轉型邁向更高階的「流程智能」時代。