从2023年10月至今，基于7个月的场景试验与技术发展，我们洞察如下：

截止当前，已经过检验或部分检验、趋近成熟的应用模式：

截止当前，仍缺乏定义或验证的、未成熟的应用模式：

基于大模型的跨场景关联推理与泛化挖掘。依托泛化能力将点状关联场景拓展至同质化场景中，形成统一的营销商机视图；大模型支持通过对历史数据和行为模式的识别，预测客户消费需求，捕捉商机、适时切入消费场景，提升零售业务信用贷的规模水平。实现客户流失预警：动态识别流失倾向为高水平的客户，提前预警并列入营销名单；违约风险评分：动态识别低风险客户，将其列入白名单，直接线上审批通过。

基于大模型的多模态营销策略生成和产品推荐。基于对客户行为和偏好的理解，大模型能够从产品库中挑选合适的产品与服务组合，生成对应营销策略，为不同客户群体提供个性化的产品推荐和服务。

产品个性化设计、快速迭代。传统的产品创新需要耗时3个月到半年，基于大模型的智慧产品超市将使其成为所需皆所得的产品事务，实现产品种类丰富、产品画像清晰、贷款产品灵活、存款依需而建；支持各分支机构根据辖区客户需要，差异化定制符合自身需求的对客产品。

产品报告生成。完整系统性的输出产品综合营运报告，包含且不限于：产品客群/偏移分析、产品复购率、产品点击率、产品营收、产品优化建议、互动式产品调整与分析。

模型驱动的内部转移资金定价计算。产品差异化、迭代式设计，结合资金池方法、期限匹配法、现金流方法，以大模型+专家建模复合方案输出产品内部转移资金定价，覆盖从全局利润到单产品单客户利润分析，提升银行管理自身地净利差和盈利能力。

基于大模型的复杂多场景OCR识别。实现各类版式、结构、票据、表单的印刷体、手写体识别，召回率在93%以上，提升人证物核身效率，释放人工成本。

基于图模互补的资产评估与客户评级。以往房屋验证与评估、额度评估多依赖于第三方机构，每次进件与定期评估。采用大模型+专家规则+知识图谱复合方案，逐步替代第三方结果依赖，使行内具备自己的“评估专家与评估公信”。

基于大模型的报告生成。实现全场景下的报告自动生成，解决以往特异性场景的人工干预与校验问题。

自动化特征工程。通过大模型+启发式算法+专家策略进行自动化特征衍生与校验，解决风险模型输入数据资源少、有效特征量低维、特征模板滞后等痛点；解决小样本乃至零样本训练难题，进一步提升模型区分度，有效面对多风险类别跨风险业务域的泛化问题。

动态化风险捕捉。以往风险指标皆需耗费充足的人力，面向确定性场景，以相关标准为依据进行风险指标与风险阈值的选取与开发。大模型风险管控方案，覆盖多种欺诈与违约方式，以大模型做基准做场景泛化，风控模型持续迭代，动态捕捉特异性风险，生成特异性指标。有效应对新产品新业务冷启动所面对的未知风险。

全局式体系管控。实现全机构、全产品、全渠道、全流程的多模态数据聚合与挖掘，融合知识库构建风险标签，以形成更全面的风险视图、更多维度的风险主题，不断优化统一授信额度管理与共债风险管理能力。

运用企业数字化能力模型，实现问题归类和聚焦，明晰企业战略发展新动能的规划蓝图与实施路线。

逐一回答AI创新驱动战略“是什么”，AI创新驱动“建什么”，AI创新驱动“怎么建”三个核心问题。

图：毕马威AI创新驱动战略规划工作任务