本文整理了国内外大模型在金融行业的应用场景，内容不够详实，仅供参考。

应用场景

知识库/知识问答

知识库目前是大模型落地最多的场景，也是其他业务的基石。目前已有的大模型知识库基本上都采用 RAG 的方案构建，但是数据源多样（流程规范、产品材料、规章制度等），数据格式繁杂（文字、表格、公式、图片等），针对不同的数据都需要业务上进行单独处理。

❝

1.农业银行人工智能研发团队，在同业率先推出类ChatGPT的AI大模型应用ChatABC，并在农业银行科技问答场景进行了内部试点。
2.摩根士丹利为财务顾问及其团队提供基于私有数据的知识问答，保证答案100%来自源数据。
3.佛罗里达州南方银行开发的知识问答系统使员工能够查询汇总和解释银行的内部记录，帮助新员工快速精通特定主题或法规。

智能客服

智能客服是目前大模型落地第二多的场景，其依赖于知识库体系，与知识问答不同的是智能客服一般面向的是外部人员，由于监管要求目前上线的较少。智能客服除了网页端、APP端的类客服形式，还可以接入语音合成系统实现语音播报，或者接入数字人系统进行数字人交互。

❝

1.工商银行应用大模型支撑智能客服接听客户来电，显著提升了对客户来电诉求和情绪的识别准确率，能够更精准有效地响应客户需求，并且可以大幅缩减维护成本。
2.江苏苏宁银行也将大模型集成到了智能客服场景，该方案能明显提升银行智能客服在线问答的智能化程度

运营助手

运营助手一般比较关注的是运营效率与营销效率的提升，例如：

• 总结员工与客户之间的对话信息，自动生成摘要
• 为特定客户群体和个人客户定制营销信息根据客户的偏好和沟通情况，给客户经理推荐个性化的营销策略
• 总结会议期间的要点、撰写会议纪要并生成简洁的后续内容
• 标书、财务报表、年报、立项申请、邮件等的自动撰写，包含数据整理
• 快速审查并理解复杂的合同内容，帮助总结重要信息
• 客户流失率以及流失原因洞察
• 帮助企业优化预算分配、识别节省成本的机会以及做出数据驱动的财务决策
• 财务审计使用大模型找出可能更好地分类在不同账户下的条目
• 产品方案设计、研发方案设计等

风控

催收

在催收场景中，大模型可以通过分析借款人的历史交易记录、通讯行为、还款习惯等数据，来预测借款人的还款意愿和能力。此外，模型还可以用于优化催收策略，例如确定最佳的催收时间、选择合适的催收方式（电话、短信、电子邮件等），以及个性化催收信息，从而提高催收的效率和成功率。

信用评估

在信用评估场景中，大模型能够处理和分析大量的数据，包括借款人的个人信息、信用历史、交易记录、社会网络信息等，从而预测借款人未来的还款行为，还能识别出潜在的高风险借款人，同时还可以加速贷款审批环节。

反欺诈

大模型反欺诈场景中主要是通过分析交易模式、用户行为、设备信息等数据来识别潜在的欺诈行为。例如，大模型可以识别出异常的交易模式，比如在短时间内多次尝试小额交易等。

在海外有一些公司在尝试通过大模型合成数据，并将合成的数据纳入模型训练过程中，这种主动的方法可以主动式的推演一些潜在风险点，增强系统的识别能力。

智能投顾

投资者画像构建

大模型可以分析投资者的财务状况、投资经历、风险偏好等信息，构建详细的投资者画像，有助于投顾系统或理财顾问更准确地理解投资者的独特需求和目标。

资产配置建议

根据投资者的画像和市场数据，大模型能够提供个性化的资产配置建议，通过分析各种金融产品的历史表现、风险特征、相关性设计出符合投资者风险偏好和预期收益的投资组合。

个性化投资咨询

大模型还可以为客户提供交互式的投资咨询服务（类似智能客服）。大模型系统可以根据客户的信息以及现有的资产情况，提供个性化的投资建议。

研发辅助

研发辅助场景主要用于代码、测试脚本、测试用例等的生成，提升产品迭代效率。

HR

大模型可以扫描简历以确保其符合职位描述，然后创建要联系的候选人的简短列表。此外，它还可以根据公司文档和内部数据帮助员工入职、培训和回答常见问题