落地这些用例用于大模型的价值验证，然后探索更复杂的业务场景。这些用例包括但不限 于智能办公助手，它能够帮助员工高效处理日常行政事务；编码辅助工具，加速软件开发 与迭代；以及员工知识问答助手，提升内部知识共享与问题解决的速度。 资料来源：生成式人工智能在保险行业的应用（研讨材料），麦肯锡。 图2 保险业大模型应用成效初现 �� 这些用例之所以成为首选，是因为它们技术成熟度高、实施难度相对较低，且能够迅 在保险科技领域，大模型技术的应用虽展现出巨大潜力，却也伴随着一系列不容忽视 的挑战，需行业内外共同面对并寻求解决方案。 �� （4）模型解释性难题 大模型的“黑箱”特性给监管审查、客户信任及内部决策带来了巨大挑战。为了提升模 型的可解释性，保险公司可以采用多种方法，如可视化技术、特征重要性分析、局部解释等， 将复杂的模型决策过程转化为易于理解的形式。 此外，还可以引入专家知识库和领域 智能风控与反欺诈：建立智能风控系统，运用机器学习算法对交易数据进行实时监控 和异常检测，及时发现并阻止欺诈行为。同时，通过大数据分析提高风险评估的准确性，降 低赔付风险。 内部流程优化：通过数字化转型，保险公司对内部流程进行梳理和优化，实现业务流 程的标准化、自动化和智能化。这有助于降低运营成本，提高运营效率。 （6）风险管理能力的显著提升 新兴风险评估：针对气候变化、网络安全等新兴风险，保险公司利用大数据和人工智

数据来源及采集..................................................................................18 2.1.1 内部数据来源.............................................................................20 2.1.2 外部数据来源.. ........................................................................................173 7.3.1 内部测试与验收.......................................................................175 7.3.2 客户验收测试...... 模型训练提供坚实的基 础。同时，结合先进的深度学习技术和规模化计算资源，设计高效 的模型训练流程，确保模型在准确性、泛化能力和计算效率方面达 到预期目标。项目的实施将涵盖以下关键步骤：  数据采集与整合：从内部系统、公开数据集以及第三方数据源 中获取数据，确保数据的多样性和覆盖度。  数据清洗与预处理：通过去重、缺失值填充、异常值处理等操 作，提升数据的纯净度和一致性。  数据标注与结构化：基于业务需求，对非结构化数据进行标注

测分析优化库存水平，减少资金占用；在客户服务领域，智能客服 系统能够全天候响应客户需求，提升客户满意度。 此外，随着企业组织结构的复杂化，跨部门协作和流程整合成 为企业内部管理的难点。AI 智能体能够通过自动化流程和智能调度 功能，优化内部资源配置，提升团队协作效率。例如，智能任务分 配系统可以根据员工的技能和工作负荷，自动分配任务，确保资源 的合理利用。 在市场营销方面，AI 智能体可以通过大数据分析和用户行为预 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 够为企业带来显 智能体应用服务方案，对于企业在激烈的市场竞争中取得成功至关 重要。 1.2 目标与范围 本次商务 AI 智能体应用服务方案设计的核心目标是通过智能 技术提升企业运营效率、优化决策流程，并增强客户体验。方案的 实施范围涵盖企业内部管理的自动化、外部客户服务的智能化，以 及数据分析与预测能力的全面提升。具体而言，目标包括以下几个 方面：首先，实现业务流程的智能化升级，减少人工干预，提高处 理速度和准确性；其次，通过数据驱动的分析与预测，为企业提供

大模型在银行系统的成功部署和 应用。 1.4 主要参与者 在 Deepseek 大模型在银行系统的部署方案中，主要参与者涵 盖了多方面的角色和机构，确保项目的顺利实施和持续优化。首 先，银行内部的核心参与者包括信息技术部门、风险管理部门、业 务运营部门和客户服务部门。信息技术部门负责模型的硬件基础设 施搭建、系统集成和日常运维；风险管理部门确保模型的应用符合 监管要求，并对模型输出进行风险评估；业务运营部门利用模型优 通过 可视化的监控面板，运维人员可以实时掌握系统的运行状态， 及时发现和解决问题。同时，模块支持自定义报警规则，能够 在系统出现异常时第一时间通知相关人员。 7. 用户接口模块：该模块为银行内部人员和客户提供友好的交互 界面，支持多种接入方式，如 Web、移动端和 API。通过用 户接口模块，业务人员可以便捷地使用模型进行数据分析、查 询和决策支持，而客户则可以通过智能客服等渠道获得个性化 HDFS 或云存储）来进行数据存储，以实现高可 用性和扩展性。同时，为了满足数据安全要求，存储的数据必须进 行加密处理，并在传输过程中使用 TLS 协议进行加密。  数据接入与清洗： 从银行内部系统（如核心银行系统、CRM 系统等）中实时或 批量抽取数据，确保数据源的多样性和实时性。在数据接入 后，需进行数据清洗，包括去重、缺失值填充、异常值处理 等，以提高数据质量。对于非结构化数据（如客户邮件、电话

的业务拓展能力。 系统扩展性差 由于系统复杂且依赖老旧技术，维护和升级成本居高不下，且存在较高的故障风险，影响业务 连续性。 维护成本高 数据孤岛与业务协同效率问题 数据分散存储 银行内部各业务系统独立运行，数据分散存储，缺乏统一的数据管理和整合机制，导致数 据孤岛现象严重。 业务协同困难 数据价值挖掘不足 由于数据无法共享，各部门之间的业务协同效率低下，跨部门业务流程复杂且耗时，影响 理等方式，确保只有授权人员才能访问和操作敏感 数据，降低数据泄露风险。 数据安全与隐私保护合规性设计 06 智能业务场景应用规划 智能风控建模与实时反欺诈系统 多维度数据整合 通过大模型整合银行内部及外部的 多源异构数据，包括交易记录、客 户行为、信用评分等，构建全面、 动态的风险评估模型，提升风控的 精准性和实时性。 实时反欺诈预警 利用大模型的深度学习能力，实时 监测异常交易行为，如高频交易、 隐私保护与合规性：在语料 库构建过程中，严格遵守数 据隐私保护法规，采用脱敏、 加密等技术手段，确保敏感 信息的安全性和合规性，避 免数据泄露风险。 04 多源数据整合：通过整合银 行内部数据（如客户交易记 录、财务报表、业务规则文 档等）和外部公开数据（如 金融新闻、政策文件、市场 研究报告等），构建涵盖广 泛金融知识的语料库，确保 模型具备丰富的金融领域知 识。 01

..........................................................................................126 7.2 内部审计与合规检查............................................................................................ ........................................................................................132 7.2.2 内部控制缺陷识别............................................................................................. 的日益复杂，传统审计模式面临巨大挑战。审计人员需要处理海量 结构化与非结构化数据，同时应对不断变化的会计准则和监管框 架，人工分析效率低下且容易遗漏风险点。以某国际会计师事务所 的实践为例，其 2023 年内部评估显示，在金融资产减值测试项目 中，审计团队平均需要耗费 42%的工作时间用于数据清洗和基础分 析，而高风险领域的识别准确率仅为 68%。这种现状迫切需要通过 智能化工具实现效率突破。 DeepSeek

Registry SLA存在不 可控的风险。例如MCP 官方的 Registry的SLA为最多一天不可 用 。 在 企 业 内 部 这 是 无 法 接 受 的。 内部数据安全需要 内部开发的 MCP Server 一般都 会和内部数据绑定，无法发不到 外部公共Registry，就像私有化的 maven仓库，docker registry， npm仓库一样，需要私有化部署 mcp registry

可以通过机器学习算法分析市场 趋势，为投资者提供个性化的投资建议。例如，根据客户的风险偏 好和投资目标，系统可以推荐合适的投资组合，优化资产配置，提 高投资回报率。 此外，DeepSeek 还可以应用于内部运营管理，优化业务流 程。例如，通过自动化文档处理和数据分析，DeepSeek 可以加快 贷款审批速度，减少人工错误，提高工作效率。同时，DeepSeek 还可以帮助银行进行市场预测和客户行为分析，为决策提供数据支 测其违约概率。此外，平台还支持实时更新和动态调整，确保评估 结果的时效性和准确性。 为了进一步提高评估的可靠性，DeepSeek 还引入了外部数据 源，如宏观经济指标、行业发展趋势和市场竞争状况等。这些外部 因素与客户的内部数据相结合，有助于银行更全面地理解客户的信 用风险。 在实际操作中，DeepSeek 平台提供了一系列灵活的工具和界 面，供银行风控人员使用。例如，用户可以通过平台查看客户的信 用评分、风险 支持自定义风险策略，银行可以根据自身的风险偏好和业务需求， 调整评估模型和参数。 通过以下列表，我们可以更清晰地了解 DeepSeek 在信用风险 评估中的具体步骤： 1. 数据收集与整合：从内部和外部数据源获 取客户相关信息。 2. 数据预处理：清洗、归一化和特征工程，确 保数据质量。 3. 模型训练与验证：利用历史数据进行模型训练， 并通过交叉验证确保模型的稳定性。 4

度思考模式弥补传统教育硬件“重答案轻思 维”的短板，并开发新AI学习应用，集成自研讲解视频与高频AI学习工具，放大自 身专业内容积累和大模型技术优势。此外，学而思表示还在探索DeepSeek在公司 内部业务场景的应用，如推动客服家教沟通、视频脚本制作等场景的降本提效。 通过引入DeepSeek进行“硬件+软件+内容+运营”的多维智能升级，学而思有望 加速迭代升级产品服务，推动K12教育业务的全面AI化，进一步巩固行业头部地 更专注于应用场景，发挥自身学情数据、教育业务、行业认知层面的优势，深度挖 掘AI教育模式及产品服务创新。 截至目前，DeepSeek能力主要落地于智能教育硬件产品、AI教育应用、教育内容 制作、客服家校沟通、教育企业内部业务等方向，通过结合通用大模型的能力优势 与垂直数据，突破AI在部分学科/教育场景中的应用瓶颈，赋能降本增效。预计随行 业进入AI深度整合的新阶段，将有更多阶段性原生AI教育软硬件产品涌现，创新教

产业化（初始设备设置、规模扩大） 切换（包括清洁） 维修 22. 23. 供应商合同签订 采购到付款 24. 25. 26. 异常或风险检测及预警 评估与根因分析 内部及与供应商共同执行改进计划 27. 28. 29. 客户支持 现场服务 订单到回款 客户与现场支持 图3 端到端供应链活动被划分为29项具体活动，并根据任务相似性归入9个集群 实现自主智能供应链 我们近期的另一项研究4也发现，信任与自主化之间 存在着密不可分的联系。基于规则的系统（如自 动化）具有高度的可预测性，因此更易被信赖。然 而，支撑自主化发展的新型AI系统（包括生成式AI 和自主化AI）在企业内部推广应用的过程中，需要辅 以额外的保障措施，并确保员工的有效参与。 无论处于供应链自主化进程的哪个阶段，每家 企业都能突破当前障碍，迈向创造全新价值的未来。 鉴于大多数企业仍处于起步阶段，我们建议采取 然而，对当今许多企业而言，其供应链数据 现状依旧存在着分散割裂、效率低下和陈旧过 时的痼疾。我们此前的研究发现，67%的企业对 其数据的信任度不足，难以有效利用并从中获取 价值；而55%的企业在内部数据发掘方面仍主要 依赖人工方式。 许多企业所欠缺的，正是一种能够将所有 要素整合起来的关键技术能力⸺我们称之为 “数字核心”5。它整合了云、数据、AI和安全等 关键组成部分，以及来自生态系统合作伙伴的数