创新产品，提升客户体验； •保险公司必须采取合适的战略，来更好地管理人力资源； •保险公司应该改变现有工作方式，包括采用 RPA(机器人流程自动化)以及智 能决策支持系统； 2 •保险公司要允许人工智能在整个价值链中创造性地利用数据，挖掘所有数据 集中隐藏的价值。 AI 三大应用场景：人力资源+流程管理+数据分析 “人工智能”一词包含许多不同的技术和能力。我们可以将人工智能定义为：能 而人工智能的实际应用则要更进一步，它意味着结合智能技术和人类智慧， 并应用于商业的每一个流程，帮助企业解决最复杂的挑战，开辟新市场或者 创造全新的收入来源。 如果保险公司将人工智能重点应用于人力资源、工作流程和数据管理方面， 那么他们将从中获得最大效益。 在保险公司面临巨大压力之际，人工智能领域正在取得飞速进展。竞争变得 异常激烈，新的竞争者正在颠覆现有的商业模式。受其他行业技术快速发展 能或智能自动化相关的投资数量增长了大约两倍。 只有通过智能框架来提高员工的工作效率，利用智能自动化和数据分析实现 产品创新，保险公司才可以借助人工智能实现效益最大化。 5 人力资源——利用人工智能，让员工合理分配时间，提高他们的工作效率。 通过 20%的非例行工作，创造出 80%的价值。 流程管理——重新审视商业模式和工作流程。通过智能机器不断审查端到端

我们认为金融行业人工智能的应用价值大体可以分为三个层次： 降本增效，价值创造与决策赋能。其中当下应用最广 泛的是降本增效， 即 AI 对简单人力的替代，具体场景可能包括智能客服、简单的办公文件问答与内容生成等。随着模 型能力提升将展现真正的价值创造能力，即 AI 对高价值人力的赋能， 具体场景可能包括办公 Agent 、营销、 Coding 等； 随着 AI 分析能力进一步提升，将能够为决策层直接赋能，提升决策效率和精确度。 分析能力进一步提升，将能够为决策层直接赋能，提升决策效率和精确度。 图表：金融行业 AI 应用的三个层次 金融行业人工智能的三层价值创造 资料来源：中泰证券研究所 13 n 降本增效场景通常基于大模型的生成能力，进行人力替代或赋能，在银行业 AI 应用场景中落地最早。 n 商业银行主要通过人工客服和智能客服两种方式为客户提供咨询服务。人工客服工作强度高、处理和响应时间相对较长， 而当下智能客服难以覆盖全部服务场景。如 图表： Deep research 示例 决策赋能场景：高级分析能力赋能管理决策 资料来源： OpenAI ，中泰证券研究 所 20 机构 应用场景 工商银行 网点运营、远程银行、运营管理、人力资源、智慧办公、智能研发等 农业银行 智能问答、智能客服、辅助编程、智能办公、智能风控等 中国银行 内部知识服务、辅助编码等 建设银行 智能客服、市场营销、投研报告、智慧办公、智能运营、智能风控等

智能体能够实时监控库存水平，预测 市场需求，并自动调整采购计划，以确保供应链的高效运转。 其次，商务 AI 智能体的应用不仅限于单一的业务环节，而是能 够贯穿整个企业价值链。从市场营销到财务管理，从人力资源管理 到产品研发，AI 智能体都能够通过智能化的数据处理和分析，帮助 企业实现精细化管理和创新驱动。例如，在市场营销中，AI 智能 体可以通过社交媒体数据分析，识别潜在客户群体，并精准投放广 智能体在商务场景中的主要应用领域及其潜在效益 的对比： 应用领域 主要功能 潜在效益 供应链管理 预测分析、库存优化 减少库存成本，提升供应链效率 客户服务 智能客服、实时响应 提升客户满意度，降低人力成本 内部协作 智能任务分配、流程自动化 提高协作效率，优化资源配置 市场营销 精准营销、个性化推荐 提高转化率，降低营销成本 通过以上分析可以看出，AI 智能体在多个商务场景中的应用能 够  数据处理能力：智能体能够处理的数据量及其分析结果的准 确性。  系统集成度：智能体与企业现有系统的兼容性与协同能力。 通过以上特征，商务 AI 智能体能够显著提升企业的运营效 率、降低人力成本、优化客户体验，并在市场竞争中占据有利地 位。 2.2 主要功能 商务 AI 智能体的主要功能涵盖多个方面，旨在通过智能化的 技术手段提升企业的运营效率和决策质量。首先，商务 AI 智能体

面提升其供应链的自主化水平。其中更有约40%的 企业期望达到高级自主化，即由系统处理绝大多 数运营决策。 那么，这对企业员工而言意味着什么？我们 的研究表明，在自主智能供应链的生态系统中， 人力依然是核心要素。事实上，最高效的自主智� 供应链体系将实现人员角色转型⸺从任务执行 者转变为系统决策的指导者与监督者。我们观察 到，这一转变正通过“人机协作”的渐进式发展 在企业中逐步实现，每个阶段都推动着效益提升。 自主化指数：0~25% 自主化指数：25%~50% 自主化指数：50%~75% 自主化指数：> 75% 作业流程主要依赖人力。 作业流程主要通过人工执行 （使用需要人工干预的大型 传统IT系统，或手动操作的 机器）。 • • 作业流程日趋自动化，将人力 从繁琐任务中解放出来。 但是，各项决策和指令均由 人工做出。 • • 作业流程通过智能决策辅 助系统得到增强，该系统能 提供操作建议与洞察以优化 度（见图2）：任务自动化与决策自主化。在任务 自动化层面，机器将取代人工执行具体任务。例 如，订单处理自动化可以让机器完成验证订单、 检查库存、创建货运标签以及处理异常情况等 工作，从而将人力解放出来，专注于更具战略性 的事务。在决策自主化层面，机器则会取代人工 进行决策制定。正如供应链经理会响应突发事 件，指导团队成员完成特定任务一样，机器也 能够规划、执行、纠正并改进各项活动，以达成

........................................................................................141 7.2.1 人力资源..................................................................................143 7.2.2 财务预算 行各 业的广泛应用，推动了企业对大型模型（大模型）解决方案的日益 需求。随着深度学习和自然语言处理技术的突破，许多企业意识 到，通过利用大模型，可以显著提高产品的智能化水平，提升效 率，降低人力成本。与此同时，作为一种新兴的商业模式，软件即 服务（SaaS）平台的兴起，为企业提供了灵活、可扩展的解决方 案，使其能够在传递人工智能价值的同时，降低技术门槛。 大模型 SaaS 平台的核心在于能够将复杂的人工智能模型转化 也在此竞争中占据了一席之地，凭借其与 OpenAI 的合作关系，推出了多种基于 GPT 的服务。在企业级市 场，微软的全面解决方案涵盖了从开发工具到实际应用场景的一整 套服务，致力于将 AI 技术应用于商务智能、人力资源和客户服务 等领域。同时，微软凭借其全球的商业生态系统，迅速推动了产品 的市场覆盖。 此外，国内的一些企业如腾讯、阿里巴巴及字节跳动也在大模 型 SaaS 平台领域逐步崭露头角。腾讯的 AI

显著提升了 模型的输出质量，使其更贴近用户的期待。 然而，提示词工程也面临一些挑战。它高度依赖于设计者的用户经验，需要对相关领 域知识和模型特性有深入地了解。因此，设计出优秀的提示词需要大量的人力投入和反复 的试错过程。此外，如果设计不当，提示词可能会引入或强化模型的偏见，导致生成不恰当 甚至有害的内容。 大模型本身的能力是提示词工程效果的上限。如果基础大模型在训练时已经纳入了 充足 据历史及新增分项赔付 情况调整承保策略。然而，理赔计算书通常以长篇大段的文字形式呈现，属于非结构化数 据，处理起来相对繁琐。在过去，只能依赖人工手动逐篇阅读、提取关键信息并填写，这无 疑增加了人力成本和时间消耗。在小财大模型发布之后，广东省分公司发现，凭借其出色 的语义理解能力，可以快速而有效地从各种格式和长篇文字数据中提取关键信息。 （B）应用方案 广东省分公司根据实际信息抽取的场景，与总公司共同撰写了输出效果较为稳定的 具已调用小财大模型接口累计超过3万次，平均报价成功率超过85%，相比原来的方式有 大幅提升。从智能解析能力来看，已好于平安产险同类产品效果。预计该场景仅广东分公 司就能至少节省100人年的出单人力，降低人力成本约合1000万元。 （D）落地经验 广东分公司根据前期大模型应用经验举一反三，主动挖掘到了类似场景。并通过“正 则+大模型”混合使用的方式以及动态调整大模型提示词的输入额度，提升了稳定性和准

........................................................................................157 8.3.1 人力成本节约............................................................................................... 实现与审计软件（如 鼎信诺）的深度集成，最终达到审计项目全流程 30%以上的人工工 时压缩目标。 2. 项目背景与目标 随着数字化转型的加速推进，审计行业正面临数据量激增、合 规要求趋严、人力成本上升等多重挑战。传统审计方法依赖人工抽 样和规则引擎，效率与覆盖率难以平衡。以某国际会计师事务所的 实践为例，其年度审计项目中，仅财务报表科目核对环节就需投入 超过 2000 人天，且人工错误率高达 知识沉淀标准化 设计审计知识图谱架构，解决行业经验碎片化问题： 实现审计准则、监管要求的动态同步更新，确保所有项目自动 遵循最新合规标准。 成本优化 通过资源智能调度降低项目边际成本： - 人力投入减少 40%的常规 审计程序 - 差旅成本压缩通过远程智能审计支持 - 培训周期缩短 50% via AI 驱动的实时指导 可扩展性设计 采用模块化架构确保方案持续进化： 1

客户服务场景中，传统客服 系统的响应速度和准确性不足，导致客户满意度下降； - 风险管理 领域，现有模型在复杂金融场景中的预测精度有待提升； - 运营优 化方面，自动化处理能力不足，导致人力成本居高不下。 针对这些问题，Deepseek 大模型的部署将能够显著提升银行 的智能化水平，具体体现在以下几个方面： 1. 通过自然语言处理 技术，实现智能客服的高效响应和精准解答； 查任务进展、识别风险并制定应对措施。项目计划中还将预留一定 的缓冲时间，以应对可能的技术挑战或需求变更。 此外，项目计划中将明确资源分配，包括硬件资源（如 GPU 集群）、软件工具（如深度学习框架）和人力资源（如数据科学家 和开发工程师）的配置。项目预算将基于资源需求和市场定价进行 详细估算，并在项目执行过程中严格控制成本。 为了确保项目计划的可行性，将在项目初期进行风险评估，识 别潜在的技 确保系统的稳定性和性能。 14.2 资源管理 在 Deepseek 大模型于银行系统的部署过程中，资源管理是确 保项目高效推进的关键环节。首先，明确资源的种类和需求是基 础。资源可以分为人力资源、计算资源、数据资源和基础设施资 源。在人力资源方面，需要组建一个跨职能团队，包括数据科学 家、机器学习工程师、软件开发人员、系统架构师以及银行业务专 家。每个角色的职责应清晰定义，以确保团队协作顺畅。 计算资源

的一致性。标注规范应详细说明各类标签的定义、标注示例以及特 殊情况处理方式。为提高标注效率，可采用半自动化工具辅助标 注。例如，利用预训练模型对数据进行初步标注，再由人工审核和 修正。这一过程不仅可以减少人力成本，还能提升标注质量。 为保障标注质量，需建立多级审核机制。初级标注人员完成标 注后，由经验丰富的审核人员进行检查，确保标注的准确性和一致 性。同时，应定期对标注数据进行抽样评估，计算标注一致率（如 提前进行技术预研，识别潜在的技术难点； 2. 建立技术储备团队，确保在遇到技术瓶颈时能够快速响 应； 3. 引入第三方技术审核机制，确保模型训练的科学性和可 靠性。  资源风险： 1. 制定详细的资源分配计划，确保人力、物力和财力的合 理配置； 2. 建立资源动态调整机制，根据项目进展灵活调配资源； 3. 提前规划外部资源获取渠道，确保在资源不足时能够及 时补充。  外部环境风险： 1. 密切关注政策法规变化，确保项目符合相关法律法规要 技术实现方面的风险主要涉及算法选择、代码实现和系统集 成。算法选择不当可能无法满足项目需求，代码实现中的 bug 可能 导致模型训练失败或结果不准确，系统集成中的兼容性问题可能导 致模型无法在实际环境中部署。 资源管理风险包括人力资源和硬件资源的配置。缺乏经验丰富 的团队成员可能导致项目进度延迟或质量下降，而硬件资源不足， 如 GPU 或存储空间不足，会直接影响模型训练的效率。 外部环境风险主要涉及政策法规变化、市场竞争和技术发展趋