摘要：近日，在中国国际服务贸易交易会-第七届中国金融科技论坛，华夏银行科技开发与运行中心总经理兼数字金融管理总经理寿弘宇，以“科技赋能 —— 金融业数字化转型与应用” 为主题，进行了深度内容分享。

《银行科技研究社》消息：近日，在中国国际服务贸易交易会-第七届中国金融科技论坛，华夏银行科技开发与运行中心总经理兼数字金融管理总经理寿弘宇，以“科技赋能 —— 金融业数字化转型与应用” 为主题，进行了深度内容分享。

据《睿见Economy》报道，寿弘宇的分享围绕三部分展开：一是金融行业应用 AI面临的挑战和应对策略；二是金融行业AI应用场景的分类；三是AI在华夏银行五大领域落地的实践案例。

挑战与策略

随着AI的发展，为金融行业在科技与业务融合带来了想象空间。但金融行业有特殊性，除了追求进步之外，也要兼顾场景应用的安全、合规和实际价值。

寿弘宇表示，就目前来看，金融行业应用AI正面临三重挑战。

一是大模型的幻觉与金融行业对高确定的要求存在矛盾，技术端追求模型的“大而全”（参数多、功能全），但业务端更需要的是“专而精”的方案，既要能解决实际的业务问题，也要控制风险。

二是大模型训练离不开数据作支撑，而金融行业对数据隐私安全较为注重，部分金融数据受客户隐私保护及合规约束，难以直接投入训练，二者适配存在难题。

三是金融行业对AI的长期布局与业务端追求快速效益的目标存在差距，银行作为金融机构，要考虑投入产出比，现在对AI投入很大，但是业务端看到的效益并不明显。

针对上述挑战，寿弘宇也给出了应对策略。

面对大模型的幻觉问题，寿弘宇提出应要拥抱“有约束的创造力”，不盲目追求模型规模，而是根据场景匹配技术。比如，在业务决策、风险管理等核心业务的高风险场景，加入小模型，通过大小模型协同的方式，确保应用安全，必要时还要加入人工校验；而像文档生成、会议记录等低风险的场景，用基础大模型即可。

对于无法直接拿去训练的金融数据，目前已通过联邦学习，在加密数据空间里面联合建模，实现数据的可用不可见；使用合成数据技术生成脱敏数据，既满足训练需求，又保障数据安全；另外通过模型微调和蒸馏，把大模型的核心知识，提炼到本地的小模型里边去，实现轻量化的部署，减少外部数据连接和传输的风险。

为了AI在业务端快速看到效益，需要提前做好企业级AI战略的顶层设计和全局谋划，明确长期发展方向；调整科技条线的组织架构，使其灵活应变、深入业务、贴近业务；加强业绩融合的人才培养，让业务和技术人员理念趋同、言语共通，促进双方更好地协作；在场景选择上要以业务价值为导向，优先落地可快速见效的场景，以获得业务端支持。此外，还要确保场景是可复制，可推广的，这样才能避免资源投入产出比不平衡的问题。

场景分类

当前，全行对AI场景的需求极为旺盛，仅征集到的需求就多达数百个；同时，随着科技投入产出管理的要求日益精益化，复合型人才短缺问题也愈发突出，场景建设缺乏足够的资源。为此，寿弘宇提出要把场景分类，划分为速赢区、攻坚区、深水区三个类别，以便科学高效地调配资源，实现业务效能最大化。

速赢区以基础大模型为核心，搭建相应的环境，依托大模型能力与智能体平台，聚焦提升员工生产力。具体落地场景包括代码自动生成、会议纪要生成、日常办公助手等，这类场景技术成熟度高、落地周期短，能快速解放人力，实现高效产出。

攻坚区主要是在优化客户的交互和服务质量，需要运用RAG技术、领域大模型和智能体的规划调用，完成比如智能客服精准的咨询、个性化的营销话术生成、财富管理的产品匹配等工作，通过提升客户体验来增强业务的竞争力。

深水区则是复杂业务决策与风险合规场景，不仅技术门槛高、业务逻辑复杂，决策环节还需保持高度审慎，单一模型完全无法满足需求，必须采用“大模型+小模型”的组合，搭配多智能体协同，像企业信用风险评级、供应链金融风险监测等场景均属此类。这类场景需要整合行业数据、政策条款等多维度信息，单靠一家机构难以完成，必须联合生态领域的各方力量共同推进 。

实践案例

为了展示AI在金融行业的应用效果，寿弘宇以华夏银行为例，通过智能营销、客户服务、业务创新、办公运营、辅助研发五大领域的具体实践案例，对AI的应用效果进行了说明。

在智能营销领域，针对授信尽调报告人工撰写需3-5天的痛点，推出了“授信尽调报告辅助生成工具”，该工具依托“任务编排大脑”Agent，实现授信调查报告分钟级生成；采用大小模型融合技术，保障报告的广度、深度与精度，使撰写时间缩短到30分钟，效率提升95%以上。

在客户服务领域，推出了“超级客户经理顾问”，其搭建了含多路混合检索+重排序+上下文压缩的智能体，并通过提示词工程框架抑制AI幻觉，既让AI精准匹配业务信息、规范回答逻辑，又减少了50%人工咨询量，客户对话满意度超70%。

在业务创新领域，推出了“智能数据分析师”，具有智能ChatBI与智能数据分析报告生成能力，其完善了数据应用链条，非标准数据查询从原来的3天缩短到秒级，准确率超过90%。

在办公运营领域，语音催收质检采用mossformer2模型实现对话分离，基于FunASR开源框架完成语音识别，再搭配DeepSeek-R1-32B实现角色识别，现在覆盖率达到100%，违规识别准确率超90%，人工工作量减少了90%。

在辅助研发领域，传统人工梳理测试点耗时耗力，华夏银行利用大模型，通过提示词匹配，支撑需求测试点、测试案例与测试数据生成，助力软件测试工作。目前，辅助软件测试生成了10万+测试点，每年可节省人力成本1000万以上。

寿弘宇强调，尽管这些案例覆盖领域不同，但其核心逻辑高度一致，均遵循“场景驱动、技术适配”原则，即围绕实际业务的场景需求来推动技术匹配，这在一定程度上也印证了当前落地路径的可行性。

来源：银行科技研究社