数字金融内涵与定位 - 数字金融是当前时代的金融新基建 为普惠金融 绿色金融 科技金融 养老金融提供基础设施支撑 本质是金融科技的高阶发展阶段 以数据为核心生产要素驱动金融业态升级[4] - 数字金融与金融科技概念相近但代表更高级形态 数字化转型依赖数据根基 行业从概念探讨转向具体落地[4] - 数字银行核心是科技和数据 尤其是数据资产积累成为长期核心工作[6] 组织架构与战略实施 - 发展数字金融需以战略为牵引组织架构适配业务需要 公司构建双专委会架构 数字金融推进委员会由行长担任主任统筹全局 人工智能创新应用专委会聚焦技术创新与落地[4] - 信息技术部和大数据部承接执行 搭建数据中台 科技中台 AI中台实现资源集约化提高供给能力 按业务领域划分敏捷支持前线业务 考核绑定保障目标一致[5] - 注重自上而下顶层设计与自下而上创新结合 设立创新基金鼓励程序员贡献科技创新 AI深度应用使业务与科技数据部门边界模糊 需重新划定组织架构和责任边界[5] 公司定位与差异化策略 - 公司成立初心是通过数字化能力践行普惠金融服务小微企业探索银行业数字化转型新路径 坚持国有背景数字银行以义取利不唯利是图价值观 保持克制审慎经营[5] - 定位清晰主攻数字金融和普惠金融 目标小而美 不追求宏大规模 在客群 科技 产品上形成差异化 服务长尾客户发挥数字银行优势提升客户体验 在细分领域做精做专发挥边际效应[6] - 数据治理投入大量心思 缺乏庞大线下网络使数据资产和知识库积累成为核心长期工作 借鉴科技公司让数据中台强大运转为业务持续注入动力[6] 大模型应用与业务提升 - 大模型在金融行业应用传递较慢 基础模型演进到应用端需要时间 金融领域封闭合规要求高 取决于基础大模型能否为银行业做出细分领域适配版本 与训练数据强相关[7] - 大模型在标准化程度高需处理大量文本场景中已发挥降本增效作用 重点关注AI Agent发展 多智能体协同到拐点能处理复杂工作[7] - 反洗钱工作应用大模型后 系统按预设规则自动判断名单与行内客户匹配度及风险特征 原每天处理3000多份文件达工作饱和 现同样工作量几分钟完成效率准确率远超人工[8] - 代码助手让模型学习优秀程序员编码逻辑与风格培养数字员工参与编程 代码采纳率足够高时有效提升开发效率实现降本增效[8] - 风控模型开发中同样任务派发给算法工程师和风控智能体 智能体在完成效率和KS值提升方面略胜一筹[8] 客户服务与交互演进 - 通过大模型推动服务模式从被动响应向主动感知升级 交互方式发生变革[8] - 客户交互经历三阶段演进 10版本产品如货架商品客户自寻 20版本千人千面智能推荐基于客户画像提供个性化展示 30版本一句话银行实现更精准需求识别和服务推送[9] - 倡导一句话银行产品服务模式 客户只需说一句话系统识别需求调用服务完成操作 无需繁琐层层菜单查找[9] - 应用智能客服通过意图识别和参数提取把握客户需求 小程序实现服务卡片化 如客户开具存款证明时通过语音交互说明需求系统直接发送证明到邮箱提升体验[9] - 深度分析客户需求智能化匹配不同期限不同机构产品 在服务推送层面创新[9] 数据基础与创新关系 - 数据工作是苦活累活 数据产生伴随用户生命周期 需在每个节点对每个动作记录然后标签化最后资产化 行业未能完全做好这部分工作[10] - 创新应集中在数字资产应用如AI应用 AI应用如树苗底层土壤是数据 数据基础打牢后创新自然像枝干生长 工作重点先筑牢根基做好数据收集整理归集应用基础工作[10] AI治理与风险管理 - AI治理需平衡监管与创新兼顾技术与管理 企业从制度和技术手段建立安全围栏设置边界责任 不超越范围使用[11] - 基础模型采用备案制适合行业发展 金融机构一般不自行开发基础大模型更多应用层面探索 治理区分基础模型和行业应用针对性采取措施 防范风险同时为创新留出空间[11] - 管理手段关键 行业缺乏成熟经验 可设立AI伦理专委会或通过协会组织建立行业规范 以自律弥补监管在道德与法律模糊地带空白 技术与管理并重监管与自律结合推动AI技术健康发展[12]