平安银行行长助理兼首席信息执行官 孙芳滔
“平安银行系统性规划并建设了‘1+1+1+N’的AI能力支撑体系。这一体系通过统一的算力基座、统一的算法模型基座、统一的数据知识基座，以及N个业务场景应用，构建一个全方位、多层次、一体化的人工智能应用生态，为银行的数字化转型和创新发展提供坚实的技术保障。”平安银行行长助理兼首席信息执行官孙芳滔在主题演讲中对该行人工智能应用的探索和创新做了系统介绍。
以下为孙芳滔发言全文。
平安银行人工智能应用探索与创新：
构建“1+1+1+N”能力支撑体系
文|孙芳滔
国务院印发的《关于深入实施“人工智能+”行动的意见》，为金融行业的人工智能应用指明了方向，在金融业，人工智能技术的应用正从根本上改变传统的运营模式和服务方式。从智能风控到智能投顾，从客户服务优化到业务流程自动化，人工智能的应用范围不断拓展，为金融机构提升效率、降低成本、增强风险防范能力提供了强大动力。
基于对行业趋势的深刻洞察和对政策导向的积极响应，平安银行系统性规划并建设了“1+1+1+N”的AI能力支撑体系。这一体系通过统一的算力基座、统一的算法模型基座、统一的数据知识基座，以及N个业务场景应用，构建一个全方位、多层次、一体化的人工智能应用生态，为银行的数字化转型和创新发展提供坚实的技术保障。
统一的算力基座是整个体系的底层支撑，它确保了银行在处理海量数据和复杂运算时能够具备高效、稳定的计算能力，为各类人工智能应用提供强大的运算动力；统一的算法模型基座则汇聚了先进的算法和模型，通过不断优化和更新，为银行的业务决策提供科学、精准的支撑；统一的数据知识基座整合了银行内外部的各类数据资源，通过数据治理和知识挖掘，实现数据的价值最大化，为人工智能的学习和应用提供丰富的素材，同时也是未来银行的核心竞争力。而N个业务场景的应用则是将上述三大基座的能力具体落地到银行的各个业务环节，实现人工智能与金融业务的深度融合，包括但不限于智能营销、智能风控、智能运营等领域，在保障安全合规的前提下，为客户提供更加个性化、智能化的金融服务。
一、人工智能时代下的基础能力建设
平安银行高度重视基础模型的引入与管理工作，将其作为人工智能能力建设的关键环节。在引入基础模型时，严格遵循行业统一的管理标准规范，确保所引入的模型具备高度的可靠性、稳定性和安全性。同时，密切关注行业动态和技术发展趋势，持续跟进业务的发展需求，通过严谨的技术评估和业务适配性分析，择优引入领先技术模型。
经过一系列严格的选型和测试流程，已初步形成了一批以千问、DeepSeek为基础的大模型底座。这些大模型底座不仅在技术性能上表现卓越，能够支持大规模的数据处理和复杂的运算任务，而且在实际应用中展现出了出色的业务适配能力，为银行的各项业务提供了强大的技术支持，保障了综合效益最优。通过不断优化和完善基础模型体系，平安银行能够更好地满足不同业务场景的需求，针对特定的领域和场景，比如金融风控和金融知识问答等等，分别探索垂域模型和场景模型训练和应用，不断提升人工智能应用的效率和质量，为银行的数字化转型和创新发展奠定坚实的基础。
其次，在数据和知识能力建设上，我行在内部治理和外部合作方面同步开展探索。
在内部数据和知识能力建设方面，平安银行积极打造统一的数据知识基座能力，致力于构建一个全面、高效的企业知识湖。通过整合银行内部的各类数据资源，建立一套完善的知识采、挖、存、管、用的全流程工具链和运营治理规范。通过持续沉淀优质知识，挖掘潜在知识，不断提升AI对数据的可理解和可运用性，为人工智能应用提供了丰富的知识支持。
在外部生态数据能力建设上，平安银行积极探索外部生态数据能力的运用，通过与合作伙伴的深度合作，实现数据资源的共享和互补，为金融业务的发展提供更广阔的空间。例如在严格保证数据合法、安全授权的前提下，合作双方基于跨行业生态数据，对业务特征进行筛选和联邦建模，可进一步提升金融服务的贷前风险识别能力。未来随着各种开放银行场景探索的逐步深入，跨行业的高质量知识融合，将为业务发展提供更丰富的信息支持和创新动力，推动金融服务的创新和升级，更好地满足客户多样化的金融需求。
二、人工智能场景应用介绍
平安银行已在全行各业务线落地超过360个人工智能应用场景，涵盖办公效率提升、经营分析、智能营销、智能风控等领域。
（一）在投顾服务场景，通过人工智能技术实现从“千人一面”到“千人千面”的服务升级，有效缩短员工成长周期，提升服务一致性。
为应对传统投顾服务模式的挑战，平安银行通过AI技术实现了三大核心优化：
一是个性化服务升级。在投顾服务领域，传统模式下的服务方案往往呈现出“千人一面”的特征，难以精准契合每位客户的独特需求。通过整合客户行为、交易、资产配置等多维度数据，借助AI技术可对客户进行更为全面、深入的分析，实现“千人千面”个性化服务的重大转变。以客户资产配置为例，以往依赖420套标准组合进行配置建议，如今基于AI对客户持仓和市场实时动态的精准把握，能够综合考虑客户的风险偏好、投资目标、资金规模、投资期限等因素，以及市场的实时波动、行业发展趋势等外部变量，为客户量身定制投资组合。这种个性化服务不仅提高了配置建议的精准度，更能有效满足客户的多样化需求，为客户提供更加贴合其实际情况的投资解决方案。
二是经验传承与服务一致性提升。在传统的投顾服务模式中，新员工的成长往往依赖于长时间的经验积累和师傅带徒弟的传承方式，这不仅耗费大量的时间和精力，而且培训成本高昂。而大数据与AI技术的发展，可以极大地缩短新员工与资深员工之间的经验鸿沟，现在新员工可以通过AI快速获取产品逻辑，市场趋势解读信息，减少对个人经验的依赖，同时帮助客户经理更高效应对更复杂场景，让专业能力的传递不再局限于传统的师徒模式，新员工能够更快地融入工作，为客户提供稳定、一致的专业服务，从而提升整个投顾团队的服务水平和客户满意度。
三是聚焦价值创造与隐性知识挖掘。AI技术在投顾场景中的应用，还体现在帮助客户经理聚焦价值创造和隐性知识挖掘方面。在实践过程中，平安银行发现隐性知识挖掘对于提升投顾服务质量具有至关重要的作用。通过对历史报告、对话日志等多源数据的深度分析，AI能够逐步理解行业术语和客户需求的深层逻辑。例如，AI可以从大量的历史对话中识别出客户的潜在需求和偏好，为客户经理提供更有针对性的服务建议；还可以通过对市场研究报告的分析，挖掘出潜在的投资机会和风险点，为客户的投资决策提供有力支持。这些隐性知识的挖掘和应用，为投顾服务的准确性和有效性提供了关键支撑，使得客户经理能够快速获取市场产品信息，极大地降低了信息获取成本，将更多的时间和精力投入到与客户的深度沟通和关系维护中，从而提升客户服务的质量和效果。
（二）在企业客户服务与营销领域，运用RPA、大模型等技术实现从传统人工分析向实时数据驱动的转型。进一步提升客户服务时效与质量。
在企业客户服务与营销领域，传统的人工分析方式，不仅效率低下，而且容易受到人为因素的影响，导致对企业客户经营数据的分析存在滞后性和碎片化问题，难以准确把握客户需求，营销效率也较低。平安银行积极运用RPA、大模型、大数据等智能化技术，实现了从传统人工分析模式向实时数据驱动模式的深刻转变。例如在企业商机挖掘方面，通过实时资讯捕捉和深度的财务分析，将商机挖掘的时效从2天提升至2小时，同时精准度也显著提高，实现了从客群级推荐到个性化推荐的转变，通过精准的客户画像和个性化推荐算法，为每个企业客户量身定制营销方案，产品推荐采纳率提升了15%。此外，平安银行还构建了基于企业实时经营状况的智能话术生成系统，话术采纳率从30%提升到 51%。这不仅提高了客户经理与客户沟通的效率和质量，更增强了客户经理的专业水准和专业影响力，有效促进了业务的拓展和客户关系的维护。
（三）在风险管控方面，基于大模型的深度推理能力，大幅提升风险因子挖掘与策略开发效率，有效提升贷前预审的时效与质量。
在风险管控领域，平安银行紧跟技术发展趋势，在DeepSeek等大模型问世后，积极探索引入大模型技术，对贷前、贷中、贷后全流程进行优化。在贷前预审环节，通过构建分销一体智能模型，对客户的信用状况、还款能力等进行全面评估，有效提升了预审通过率，较之前提升了36%。在贷中环节，通过大模型对客户的交易行为、资金流向、资产负债情况等多维度数据的监测、分析和深度推理，能够及时发现潜在风险点，辅助审批人员做出更科学、合理的决策，审批退补件率下降了20%，零售信贷的审批时效提升了11%，对公场景的放款效率提高140%。在贷后催清收环节，大模型通过学习优秀座席的经验，针对不同客户的还款意愿、还款能力和逾期原因，制定差异化的催收方案，催收的成功率提升了1.6%，有效提升了催收效果，进一步降低了资产损失风险。
同时，平安银行积极基于大模型开展风险决策从依赖人工经验到自动化的探索，进一步提升风险策略的研发效率和风控能力。在传统的风险决策模式下，风险单因子的挖掘主要依靠人工进行数据收集、分析和判断，过程繁琐且耗时较长，通常需要30天才能完成。而引入大模型后，借助其强大的数据分析和挖掘能力，通过对市场动态、行业趋势、客户行为等多源数据的实时分析，能够快速从海量数据中识别出潜在的风险因子，将风险单因子的挖掘效率从30天缩短至5天，风险策略开发周期压缩至原来的六分之一，及时有效的发现风险策略中存在的问题和不足，大大提高了风险识别的速度和准确性，使得银行能够更迅速地适应市场变化和风险特征的演变，为银行的风险管理提供更加及时、有效的支持。
三、人工智能时代的安全合规管理
在人工智能时代，数据作为关键生产要素，其安全至关重要。数据滥用、泄露、模型污染等问题，可能导致严重的后果，如客户信息泄露引发的信任危机、金融数据被篡改导致的经济损失等。平安银行建立全方位安全合规保障机制，确保人工智能应用安全可控、合规可靠。
一是在数据安全与网络安全方面，要防止数据滥用和敏感信息的泄露，以及数据投毒带来的模型污染失效风险。平安银行高度重视数据安全治理工作，从源头入手开展全面的治理行动，重点加强数据的分类分级识别，并根据数据的敏感程度和重要性，制定相应的安全管理策略，在提升现有数据安全技术水平的同时，积极推进隐私计算、联邦学习、区块链等技术为基础可信数据空间的探索与建设，确保数据更为安全、高效、可控的共享交换。在网络安全方面，进一步加强人工智能生命周期保护体系，以提升面对多样化的新型攻击手段，更为自动化、智能化的全域网络安全防御能力。
二是在算法模型安全方面，建立三道防线权责清晰的治理架构，健全研发全生命周期统一管理体系，完善人工智能监测能力，强化人机协同机制，在充分发挥人工智能优势的同时，确保人的主导地位和监督作用。
三是在基础设施安全方面，要进一步加强算力等基础设施的国产化替代与自主可控能力，并加强AI技术供应链的系统性安全评估。
四是在场景应用方面，要注重算法公平性、透明性。通过建立并完善伦理审查机制，强化隐私保护，实现AI有温度的理念。
四、人工智能时代下的挑战和建议
首先是数据层面的挑战。金融行业的业务决策高度依赖准确、全面的数据支持，而通用大模型使用的数据往往无法充分涵盖金融领域的复杂特征和特殊需求，导致在风险评估、市场预测等关键应用中，难以提供精准可靠的分析结果。建议金融机构积极参与数字中国、数字政务建设，充分挖掘和利用金融机构以外的外部数据资源，加强跨行业的数据协同与共享机制建设。通过建立安全、合规的数据共享平台，促进金融机构与其他行业的数据流通与整合，丰富数据来源和类型，提升数据的多样性和丰富度，为金融业务提供更全面的信息支持。同时也应升级数据治理体系，建立严格的数据标准和审核机制，积极加强自身高质量数据集的萃取，确保内部基础数据的准确性、完整性和可靠性，为金融场景的人工智能应用提供坚实的数据基础。
其次是人才储备的挑战。既精通AI技术又熟悉金融业务的复合型人才严重短缺，市场对这类人才的需求却极为旺盛，这一供需矛盾制约了金融行业人工智能应用的深入发展。希望政企、产研和院校多方协同合作，建立联合培养机制，共同加强复合型人才的培养，通过各方共同努力，形成全方位、多层次的复合型人才培养体系，满足金融行业对AI人才的迫切需求。
最后是应用场景方面的挑战。作为数字金融的重要能力，要着力加强对科技金融、绿色金融、普惠金融、养老金融的支撑，尤其在普惠金融方面，小微企业和个体工商户是经济发展的重要力量，尽管已开展部分数据应用，如深圳与国资合作建立深圳征信机构，但全国范围内的发展仍存在显著差异，整体提升空间巨大。建议加强金融机构之间的合作与信息共享，通过多元数据整合分析，构建更加全面、精准的信用评估模型，共同探索创新的信贷产品和服务模式，降低信贷风险，提高审批效率，为小微企业和个体工商户提供更加便捷、高效的金融服务，有力支持普惠金融的发展。
未来，平安银行将继续深化“人工智能+”实践，以科技创新驱动业务转型，致力于打造更智能、更安全、更普惠的金融服务体验，为行业高质量发展贡献智慧与力量。