解析CIFS|广发银行信用卡中心彭建丹：大模型+信用卡生态的探索和应用
2025-04-23
各位领导、各位同行：大家下午好！我是彭建丹，非常荣幸能够受邀参加第六届数智金融峰会，有幸与在场来自银行、证券、保险等更多行业的专家，共同探讨 “数智驱动，科技赋能” 这一关键主题。今天我讨论的主题是什么呢？就是探讨大模型如何重塑信用卡生态，也就是从技术落地到实现业务价值的整个闭环实践。
想问一下大家，你们是否遇到过和我们同样的问题，比如人工处理效率低导致客户投诉，营销精准度不高，无法满足客户个性化需求，又或者风险防控手段不够智能，存在安全隐患。
这也是我们今天探讨大模型的起点。我们希望大模型的出现，能以新的思路和方法，帮我们找到新的解决方案，希望大模型成为我们业务的减负器和加速器，助力我们解决业务难题。
今天，我们共同探讨如何用 AI 解决信用卡行业面临的问题。我的讲述将从技术基石、场景深耕、价值转换、未来展望这几个方面，探讨大模型在信用卡银行行业如何落地、有哪些应用场景、每个场景具体有什么价值以及如何应用。
01技术基石-大模型为何是金融“超级大脑”？
首先来看技术基石。为什么说大模型是金融的超级大脑？我认为大模型堪称金融大脑，基于它具备的四大核心能力。
大模型的核心能力
第一个能力是大数据处理能力。大模型覆盖万亿金融场景，能够处理海量数据。以信用卡交易为例，大模型可以实时处理消费数据、客户消费偏好及消费行为，为我们做好风险防控、智能营销等工作实时提供依据。第二个能力是高泛化能力。也就是说，大模型具有很强的适应性，能够快速迁移到新场景，满足不同金融业务的诉求。在信用卡业务中，包括风险防控、智能营销和客户服务等场景，都可以应用大模型技术，而且它能针对不同场景进行灵活调整。
第三个能力是强推理能力。大模型的链式逻辑可以拆解复杂任务，提升决策效率。比如在信用卡审批过程中，大模型可以实时调用客户的信用情况、收入情况、消费情况甚至资产现状，辅助我们做出更多资产决策。
第四个核心能力是低成本优势。与传统模型相比，整个大模型的训练成本大幅降低。以 DeepSeek 为例，它的推理成本可能仅为传统模型的 1/27，这使得大模型在金融行业大规模应用成为可能。
金融场景适配原则
若想让大模型在金融行业得到良好应用，我们需要遵循几个适配原则：任务导向原则：在选择大模型时，要依据我们要开展的任务来决定。例如，如果业务偏向数学推理，我们会启用专业的推理模型；如果业务以创新类为主，我们更多会采用通用模型，以确保任务高效完成。我想请问大家一个问题，假如您现在的业务需要快速响应客户诉求，您会选择哪个模型？相信大家心中都有答案。
数据安全原则：我们会利用 RAG 技术杜绝幻觉风险，确保金融数据安全。在大模型运行过程中，RAG 要确保不出现虚假信息，以此保障金融公司利益，保护客户隐私安全。渐进路径原则：从辅助到创新，逐步实现金融场景智能化升级。目前，我们仍以初级辅助类应用为主，利用大模型辅助人工完成一些简单任务，推动其与业务融合。但随着大模型技术的逐步发展，未来我们可能更多依靠大模型进行创新业务升级。
02场景深耕-银行生态的六大板块突破
接下来看看在整个银行生态中，如何应用大模型。
大模型在银行的场景
这是整个银行的场景，我列举了六个板块，包括大零售和对公板块，这两个板块更偏向业务，在风险防控、智能营销和客户服务等方面都有大模型的应用；还有运营板块、办公板块、合规板块和科技板块，更多是利用大模型提升效率。
接下来我将分享几个案例。首先分享大零售板块的三个案例，看看大模型如何与场景深度融合。随后分享办公板块的三个案例，讲讲如何借助大模型提升工作效率，为企业赋能，实现降本增效。
案例一 风险防控：智能催记系统
首先看案例一 风险防控。我们打造了一个智能催记系统。智能催记，大家听起来陌生吗？我想问问现场风险条线的同事们，你们是否遇到过催记质量不佳的问题？什么是催记呢？催记就是催收员打完电话后要做的记录。这个记录可能存在信息不全面、不清晰，关键核心信息未记录，比如客户还款意愿、还款能力等情况未记录的问题。
这个问题长期困扰着我们。催记质量差会导致后续催收同事无法获取精准信息，难以制定更好的策略，同时客户也会因重复被问相同问题，体验不佳。为解决这个问题，我们引入大模型，推出智能催记系统。该系统实时解析催收员与客户的通话内容，生成结构化催记，主要信息一目了然、易懂。这样，后续催收员能将精力更好地聚焦于与客户沟通，达成整体还款方案，客户也会觉得我们的同事更专业，体验更佳。
通过智能催记系统的应用，我们整体回款率提升了 0.44%，投诉率下降了 15%。前后对比可以发现，大模型的实时解析语义文本能力对我们帮助很大。
案例二 智能营销 从“广撒网”到“精准狙击”
再看第二个案例 —— 智能营销方面的案例。我们利用 AI 生成客户画像。过往，由于信用卡业务复杂，我们为客户构建了丰富的用户画像。过往标签通过人工分析、专家经验，甚至在特定场景下借助传统模型推荐生成，但整体标签生成效率较低。为解决精准化营销问题，我们引入大模型，它整合我们与客户在企微聊天的数据以及行内客户数据，生成动态的 AI 客户画像。这个客户画像涵盖客户基本信息、工作情况、人生阶段、投资情况、需求、行为偏好、客户价值、资产状况及未来潜力等。
在智能营销 AI 客户画像的工作推动下，我们营销线索的响应速度大幅提升，从原来的三天缩短到一小时，有时甚至更短，这取决于我们的算力。这对营销工作有很大帮助，因为客户某些行为在当下的诉求，与几小时或一天后的诉求可能不同。
案例三 客户服务：从“等待响应”到“主动出击”
接着看第三个案例 —— 客户服务方面的案例。我们利用大数据打造了 AI 查账助手。众所周知，查账是信用卡行业重要且复杂繁琐的客户服务业务。客户使用信用卡后，对账单有诸多诉求，如查看利息、最低还款额、分期方式及费率等。过往，客户需输入身份信息，我们的工作人员要在系统中查询数据、整合后告知客户，这一过程效率较低，时效性有提升空间。
因此，我们借助大数据推出 AI 智能查账工具。它运用语义识别等智能体，调用系统接口，最后整合为展示智能体，将信息呈现给客户。经过实践，账户查询效率提升了 60%，而且该工具不仅在 C 端应用，后续还推广至其他自助渠道，整体提升了客户查账单的响应效率。
这三个案例展示了大零售业务场景中，大模型的应用及成效。
03价值转换-技术如何转化为业务价值？
接下来分享三个从提升效率角度，看技术如何转化为直接可见业务价值的案例。
案例一 AIGC 智图平台：设计效率提升xx%
第一个案例是 AIGC 智图平台。由于信用卡业务需要与客户大量交互，向客户直观展示优惠活动、权益、积分兑换礼品等信息，因此行内对设计师需求较高。从向设计师提需求，到设计师出方案、讨论、改稿确定主 KV，再到最后全部延展完成，小项目可能需三天，大项目可能需一周。但在大数据背景下，这样的效率远远不够。所以我们引入开源模型，构建了自己的智图平台。该平台具备三个能力：
第一，文生图能力。
第二，图生图能力。
这两个能力主要供设计团队同事使用，他们可根据需求快速生成大量素材，存入素材库，后续调用素材能更快速生成设计稿。
第三，我们推出了非设计人员也能用的一键出图能力，可应用于日常工作，如内部宣传、小型活动等。操作很简单，设计人员输入图片主标题、副标题、想要的主 KV 元素、背景元素、按钮数量及样式风格等，即可一键生成图片。整体流程压缩了一半，人力成本降低了 30%，设计效率极大提升，提升了 57%。
案例二 ChatBI+Ds：数据需求响应提速x倍
第二个案例刚才也有提及，即 ChatBI 逻辑。我们不仅接入 ChatBI，还接入了 DeepSeek，后续甚至会接入 WPS 的 PPT AI 能力。具体有什么作用呢？以 ChatBI 为例，它能解决什么问题？
举例来说，假如我们推出针对年轻人的新信用卡业务，需要开发新报表。按照过往流程，我们要向数据部门提需求，沟通后等待开发报表并同步到报表平台才能使用，整个过程可能需要一两个月。而且在链路未上线前，数据可能无法跑通，业务上线后还需时间等待，无法快速看到从客户行为到业务转化的整个数据链路。这时，我们利用 AI 自动化能力，业务提出诉求，模型生成自动查询代码，查询数据字典口径解释，调用系统数据，整合为智能报表。我们还希望这些智能报表能直观、可视化展示，甚至快速生成 PPT 用于内部汇报。
整体来看，需求响应时间从原来的 1 - 2 个月缩短至 1 - 2 周，极大释放了初级分析师的能力。
案例三 智说平台：准确率达到xx%
第三个案例简单介绍一下，叫智说平台。并非所有场景都适用，其核心在于：信用卡业务属于服务业，我们要服务好客户。除了处理客户投诉，对于客户咨询、发牢骚等识别出的负面情绪，我们也会跟进优化。这需要人工筛选问题、分类，交给相关业务部门跟进，最后回收处理，存在一定人工工作量。
通过构建智说平台，它包含几个智能体。第一，将收集的所有声音生成结构化报表；第二，利用大数据进行问题分类，同时提出点、线、面优化建议；然后通过再建一个智能体，自动发送邮件至相应业务部门，三天后提醒一次，反馈后实时更新进度。这能极大提升体验人员的工作效率。
04未来展望
说了这么多案例，想表达什么呢？大模型已呈现普惠趋势，其技术正被金融行业各家机构逐步应用，生态也将极大丰富。在这种大趋势下，金融机构能做些什么？如何保持自身优势？经过内部讨论，我们认为有几件事必须去做。
第一，要有专业沉淀。我们需要建立自己的金融知识库，多年来专家的经验、经历的困难和挫折，这些专业知识是训练模型的基础保障。
第二，在研发层面，要不断积累算力，以便灵活调配，满足多模型调用的需求。
第三，业务要持续迭代，人员也需构建金字塔形培养体系并成长。例如，初级业务人员需要了解大数据模型，掌握工具使用方法并能提出问题；中级人员不仅要懂提示词工程，还要将业务与技术融合，为业务提供更优解决方案，甚至开拓新机会点；更高级人员要有战略眼光，能将前沿技术与公司业务战略结合，推动组织变革与更新。这是我们努力的方向。
整体而言，我认为大模型不是替代人类的 “硅基生命”，而是金融人的 “第二大脑”。我觉得它的身份是多重的，可能是助手、秘书、管家，甚至可以是导师、老板、下属等，是很好的合作伙伴，有求必应。而且我认为未来的金融竞争，不仅属于数据最多的机构，更属于那些善于运用 AI 重构生态的先行者，他们可能拥有更多机会。
今天我的分享就到这里，谢谢大家！我也希望我们携手共进，共同推进大模型在金融生态中的更多探索，助力金融数字化转型取得更好成效，谢谢大家！
