项目编号： 金融银行业务 DeepSeek AI 大模型智能体 建 设 方 案 目 录 1. 项目背景与目标.................................................................................................8 1.1 金融银行业务智能化转型需求...................... 业务场景分析与需求梳理...............................................................................16 2.1 银行业务场景分类...................................................................................18 2.1.1 客户服务场景（如智能客服、语音助手） ................................................................302 1. 项目背景与目标 随着金融行业数字化转型的加速推进，银行业务场景对智能化 技术的需求呈现爆发式增长。传统金融服务模式面临三大核心挑 战：客户服务效率与个性化需求难以平衡，风险管理依赖人工导致 响应滞后，以及业务流程自动化程度不足造成的运营成本居高不

IBM 商业价值研究院 | 研究洞察 2025 全球银行 和金融市场展望 把握 AI 新时代，推动银行业绩增长 IBM 如何提供帮助 现代金融机构需要模块化、安全性、开放性、AI 驱 动的功能以及基于混合云的协作能力。IBM 致力于帮 助您改善客户体验、打造现代化核心银行基础架构、 开拓创新性支付解决方案以及推动企业风险管理转 型。如需了解更多信息，请访问 ibm.com/industries/ 序言 2025 年银行业迎来关键时刻，既面临机遇也面临挑战，未来十年的发展方向由此决定。 自 2008 年金融危机以来，银行受到监管强化、低利率及传统与新兴竞争对手的冲击， 运营自由度不断缩小。这种趋势催生了一个利润受压、成本收入比攀升、市净率持续承 压的环境。 随着宏观经济形势波动（如利率骤升和贸易紧张局势加剧），全球银行正经历着迥然不 同的境遇。欧洲和印度银行业正享受着利率上升带来的红利，而北美银行业却面临着喜 的红利，而北美银行业却面临着喜 忧参半的局面，且结果更加两极分化。日本银行业刚刚显现复苏的迹象，而中国银行业 则依然面临着持续的经济逆风。舞台已经搭好，决战一触即发：能够适应变化的银行将 蓬勃发展，而其他银行则可能被进一步甩在后面。 然而，在重重挑战之下，一个不可否认的趋势正在改变行业格局：AI。AI 不再只是一个 流行词。它正迅速成为银行战略的核心基石，重塑运营转型和商业模式，在追求更健康

准体系为支撑，以 模式创新和地方实践为路径，大力推进应对气候变化投融资发展，引导和撬动 更多社会资金进入应对气候变化领域。 2021 年 6 月 中国人民银行 《银行业金融机构绿色金融评价方案》 通过绿色金融评价手段，鼓励银行业金融机构进一步加快推进绿色金融业务发 展。同年 11 月，中国人民银行创设推出碳减排支持工具这一结构性货币政策 工具，引导金融机构在自主决策、自担风险的前提下，向碳减排重点领域内的 《关于加快推进公募基金行业高质量发展的意见》 提出要引导行业总结 ESG 投资规律，大力发展绿色金融，积极践行责任投资 理念，改善投资活动环境绩效，服务绿色经济发展。 2022 年 6 月 原中国银保监会 《银行业保险业绿色金融指引》 进一步强化了绿色金融政策的指导性、覆盖面和有效性，积极服务兼具环境和 社会效益的各类经济活动，有序推进碳达峰、碳中和工作。 2023 年 10 月 中共中央金融委员 会和中共中央金融 色低碳政策协同高效推进，金融支持绿色低碳 发展的标准体系和政策支持体系更加成熟，资源配置、风险管理 和市场定价 功能得到更好发挥。”这标志着我国绿色金融领域顶层设计再度完善。 2024 年 5 月 国家金融监督管理 总局 《关于银行业保险业做好金融“五篇大文章”的指导意见》 要求绿色金融标准和评价体系更加完善，对绿色、低碳、循环经济的金融支持 不断加强，绿色保险覆盖面进一步扩大，银行保险机构环境、社会和治理（ESG） 表现持续提升。

...........................................................................................6 1.1 银行业客户经理的现状与挑战......................................................................................... ...235 1. 项目背景与目标 随着金融科技的快速发展和数字化转型的深入推进，银行业正 面临客户需求多元化、服务效率提升以及人力成本优化的多重挑 战。传统客户经理模式受限于服务时间、专业能力覆盖范围以及个 性化服务深度，难以满足现代客户对实时性、精准性和智能化的服 务需求。根据 2023 年银行业协会报告显示，超过 65%的客户期望 获得 7×24 小时即时响应，而传统客户经理仅能覆盖工作时间的客 处理标准化需求+ ” 人工专注复杂咨询 的协同服务范式。 1.1 银行业客户经理的现状与挑战 当前银行业客户经理面临多重挑战，主要体现在服务效率、客 户需求复杂度以及人力成本三个方面。传统客户经理平均需要同时 维护 200-300 名客户，导致服务响应时间长达 24 小时以上，且高 端客户与普通客户的服务资源分配失衡。根据 2023 年银行业协会 数据显示，客户经理日均处理事务中，60%为标准化业务咨询（如

建议关注：宇信科技、京北方、天阳科技、长亮科技、百融云等。 n 风险提示 ： AI 技术落地不及预期、竞争加剧、信息更新不及时等。 2 核心观点 DeepSeek 开源、低成本、强推 理 助推银行业应用 1 n DeepSeek 模型在 Post-Train 阶段大规模应用了强化学习方法。 R1 使用了冷启动 + 大规模强化学习方法， R1-Zero 版 本模 型使用纯强化学习方法。随训 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。如工商银行在远程银行业务中将知识搜索与大模型生成能力结合，实现基于实 时通话向坐席人员主动推送答复话术或知识的能力。 ，充分释放开发者的价值。未来可能会由 AI 承担部分基础工作， 而开发者则转向更高层次的 架构设计和业务规划，专注于更复杂、更创造性的任务， 如架构设计、算法优化或用户体验创新。 n AI 编程在银行业可有效赋能内部研发。从具体用例看， 澳新银行对 1000 名软件开发人员进行了为期六周的 AI 编程助手试 用实验。实验发现，当软件开发人员使用 AI 编程助手时，平均生产率提高 42% ，代码质量提高

训练方法的阿里 QwQ-32B 等模型也在缩小规模的同时达到 了 DeepSeek R1 671B 的应用效果，有望进一步催生银行落地应用。 核心观点 DeepSeek 开源、低成本、强推 理 助推银行业应用 1 n DeepSeek 模型在 Post-Train 阶段大规模应用了强化学习方法。 R1 使用了冷启动 + 大规模强化学习方法， R1-Zero 版 本模 型使用纯强化学习方法。随训 金融行业人工智能的三层价值创造 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。如工商银行在远程银行业务中将知识搜索与大模型生成能力结合，实现基于实 时通话向坐席人员主动推送答复话术或知识的能力。 ，充分释放开发者的价值。未来可能会由 AI 承担部分基础工作， 而开发者则转向更高层次的 架构设计和业务规划，专注于更复杂、更创造性的任务， 如架构设计、算法优化或用户体验创新。 n AI 编程在银行业可有效赋能内部研发。从具体用例看， 澳新银行对 1000 名软件开发人员进行了为期六周的 AI 编程助手试 用实验。实验发现，当软件开发人员使用 AI 编程助手时，平均生产率提高 42% ，代码质量提高

..........................................................................103 1. 引言 随着金融行业的快速发展，银行业务的复杂性和数据量显著增 加，传统的核算流程已难以满足高效、准确和合规的需求。金融银 行核算流程涉及大量的数据采集、处理、分析和报告，任何环节的 延迟或错误都可能对银行的运营和客户信任产生重大影响。在此背 确性，还能降低运营成本和合规风险。同时，其强大的数据分析和 预测能力为银行的战略决策提供了有力支持。因此，DeepSeek 的 应用方案不仅是一项技术创新，更是银行业在数字化转型中的重要 实践。 1.1 背景介绍 随着金融行业的快速发展，银行业务的复杂性和规模日益增 加，传统的核算流程面临着巨大的挑战。金融银行的核算工作涉及 大量的数据处理、复杂的交易结构以及高标准的合规要求，这些都 需要高 以满足银行业务中 对实时核算的需求。 模型训练层基于 DeepSeek 自研的深度学习框架，支持多种神 经网络模型的训练和优化。该层采用分布式训练策略，利用 GPU 集群加速模型训练过程，并通过自动超参数调优工具（如 Optuna）提升模型性能。模型的训练数据来源于数据处理层，训 练完成后，模型将通过 API 接口发布到应用服务层，供业务系统调 用。 应用服务层是面向银行业务的最终输出层，提供了包括风险预

赋能银行： AI 大模型在 C 端实现智能个性化服务与交叉销售提升，在 B 端深化对企业客户的风险管理与解决方案输出。此外，开拓 AI 驱 动的金融产品创新、跨境结算与流程自动化等新生业务服务，推动银行业务全面智能化升级。 投资建议：在金融科技政策利好、海外垂类模型落地背景下，金融垂类模型成发展重点，我们推荐【同花顺】、【东方财富】、【恒生 电子】，建议关注【顶点软件】、【金证股份】、【长 2022 2023 2024E 2025E 2026E 银行业（亿元） 保险业（亿元） 证券业（亿元） 金融科技资金投入年均复合增速快。随着数字经济的全面发展，为数字金融创造更 多 技术创新的 我们认为 AI+ 金融时代的到来将从存量、增量 2 个方面利好金融行业： 存量：①后台部门效率提升；②与大数据结合后，金融产品个性化与精准营销将增强客户粘性，带来业务增长。 以保险业和银行业为例， 随着普惠金融的深入推进，客户群体已逐步拓展至下沉市场、小微企业及跨境业务等领域。在利率持续下行和产品同质化竞争加剧的背景 下，金融服务向个性化转型的趋势愈发显著。 AI 技术与金融业务的

元，首次覆盖，给予“增持”评级。 公司是深耕 20 余年的老牌银行 IT 服务商。公司成立于 1998 年， 作为我国最早一批专业从事金融业软件开发及 IT 服务的企业，经 过多年经营和沉淀，公司积累了一批以银行业为主，涉及保险、证 券、基金、信托、融资租赁等行业的优质客户，信贷及风控管理系 统、核心业务系统、CRM 及 ECIF 等解决方案均具有较强市场竞争 力和较高市场占有率。 绑定蚂蚁，探索银行 日，公司受 邀参加蚂蚁数科生态伙伴 AI 智能业务交流闭门会，会上重点探讨了银行 AI 流量运营、银行贷后解决方案、银行风控 Agent 产品解决方案、反欺诈体系 构建、大模型场景实践与安全防御等银行业 AI 应用核心场景。公司就银行 AI 应用市场新的合作方向与蚂蚁数科达成初步共识，公司将吸纳蚂蚁数科 在 AI 技术研发与场景落地的前沿先进经验，结合公司深耕银行领域二十余 年的业务理解与客户资源 准的用户画像，精准把握客户需求与偏好。此外，数据治理平台通过 DeepSeek，可以自 动识别并修复数据质量问题，确保数据的准确性与一致性，为数据分析与决策提供可靠 的数据基础。 测试领域 自动化与精准测试 通过大模型蒸馏出银行业务模型，实现自动化需求影响分析、案例生成及测试脚本生成。 结合 AI 技术和 OCR 技术，解决 UI 自动化测试中页面元素识别准确率低的问题，大幅提 升测试效率。此外 DeepSeek 的推理能力

中的滞后领域，从而加速发展进程。 77 全球数智化指数（GDII）2025 金融 行业需求 银行业正处于发展的关键阶段，数字化投资对于充 分释放人工智能驱动增长的潜能至关重要。为确保 投资的有效性，需要采取多维度策略，重点关注四 个领域 ：韧性管理、敏捷响应、生态合作和智能 决策。 韧性管理 过去，银行业的韧性主要指财务韧性，尤其是在全 球金融危机之后。各国央行重点通过压力测试来评 估和 估和验证银行抵御金融冲击的能力。虽然这一定义 在全球金融危机发生后的若干年里行之有效，但已 不再适用于现代银行业。如今，韧性涵盖的风险范 围更广，包括运营风险和 IT 风险。压力测试的范 围从资本充足率和一级资本，延伸至系统故障的预 计平均恢复时间 ；金融风险的评估对象拓展至复杂 的数字衍生品和数字货币。API 集成和开源软件也 扩大了网络攻击面，导致银行更容易遭受恶意攻 击。为应对这些问题，新的监管框架如《数字运营 也必须持续强化风险管理，否则任何重大失误都可 能构成生存威胁。 敏捷响应 过去，银行业转型是一个长期的过程，成效只有转 型完成后才会显现。然而，在当前由金融科技和传 统市场竞争共同推动的激烈竞争环境下，敏捷响应 成为必然要求。银行需要投资低代码架构，但仅靠 这些“低悬果实”还不够。持续创新和复杂项目应 对将是整个行业未来几年需要解决的挑战。 生态合作 人工智能是银行业转型的关键驱动因素，但人工智 能需要强大的数据支撑。然而，许多银行缺乏训练