12月3日，我协会主办的“阶梯式递进 商业保理服务现代化产业新理念—商业保理百强汇论坛暨第四届商业保理发展论坛”开幕式在天津经开区顺利举行。本次论坛汇聚职能部门、各金融机构、知名学者及保理企业代表约500人，深入探讨商业保理行业在服务现代化产业体系中的创新路径与发展机遇，为行业高质量发展注入强劲动力。

此次大会特邀神州融信云科技股份有限公司研发技术中心总经理郭学超先生表了主旨演讲《AI大模型对商业保理应用的尺度与能效》

郭总指出，AI大模型是降本增效的工具，而非万能解决方案。在金融领域应用需理性看待其边界，聚焦具体工作场景（如报告生成、合规辅助、数据查询），通过“AI+低代码”等轻量化模式落地。企业应选择业务价值高、风险可控的场景切入，注重数据安全与合规，才能实现技术与业务的真正融合。

让我们一起回顾一下郭总的精彩分享。

郭学超：尊敬的各位领导、各位来宾，大家下午好！我们是一家服务金融行业的科技公司，借助今天的机会分享一下我们对于AI在行业智能化转型方面的一些思考和实践。

这两年AI的话题依然很热，感觉它离我们越来越近，但具体如何让AI在业务中真正赋能，对于很多人来说仍比较困惑。实践中常出现的情况是，通过AI难以完全达到预期效果。今天主要围绕“大模型应用的尺度与效能”这一话题，探讨我们对AI行业赋能的一些看法。

一、AI技术的演进

主要分为两个阶段：

第一阶段：快速发展阶段（近十年）
决策式AI，通过对历史数据的学习和训练，实现对新的场景进行分析、判断与预测。银行开始构建AI中台，集中管理AI资源，提供统一的算法、模型和数据处理能力。

第二阶段：深度融合阶段（当前及未来）
生成式AI，是近年兴起的方向，基于大模型技术能够自主生成文本、图像、音频和视频等内容。AI技术不再局限于单一领域，而是与银行业务全面融合。

这项技术对未来，尤其是产品形态可能带来深远影响，包括产品功能设计、交付模式等方面的转变。我们可以看一个常见场景：授信前的尽调报告。尽调报告工作繁琐，需要对业务流程全面梳理，进行线下调研，收集内外部数据，开展模型分析，最终形成严谨的报告。运用大模型可拆解为几个步骤：首先要筹备基础设施，如算力、行业模型，作为基础支撑；其次，通用大模型缺乏行业特定知识与数据，因此需基于企业内部信息构建私有知识资产；再通过应用架构串联算力、模型与知识库，最终生成报告。

从该场景我们得到几点启发：
一是大模型应聚焦于哪些需求点，这需要我们深入思考；
二是大模型并非万能，若直接要求其生成信贷报告或尽调报告，很难独立完成，必须在应用层面进行精心设计；
三是投入成本较高，包括算力采购、模型构建与应用开发，投入与收益是否匹配也是重要问题。

融信云对大模型方向的思考
我们主张从痛点切入。自建算力通常需百万级投入，而通过专业金融云提供算力保障，以按需使用模式可大幅降低成本。我们提供AI中台，支持AI能力快速落地；同时围绕业务场景与行业解决方案，提供相应的智能体服务，协助业务人员高效开展业务。这是我们在AI方向的基本思路。

二、实践场景的验证

调研显示，AI在金融场景的应用主要分为内部与外部两类。虽然AI在各行业影响显著，但金融行业因业务流程严谨、监管严格，对AI的应用仍较为审慎，目前范围有限。内部应用多集中于研发、资产运营、办公自动化、数据分析、合规管理及反洗钱等领域；外部则围绕信贷业务（贷前、贷中、贷后）、市场营销与用户运营等场景展开。

典型场景

法律合规
企业合规体系复杂，涉及外部法律法规与内部管理制度。大模型擅长理解这类体系，可将法规文本结构化后构建知识库，辅助员工日常业务。我们也将法规、岗位管理办法与实践经验融入知识库，帮助新员工成长，通过碎片化学习、定期考核等方式提升团队合规能力，同时支持法规解读与外部法规对比等功能。

数据分析
数据要素价值日益凸显，但企业内数据常处于孤岛化、碎片化状态，利用难度大。借助AI可打通数据分析链路，通过对内部结构化与非结构化数据的梳理，结合AI工具，以自然语言交互方式直接呈现所需指标与分析结果，以更直观的形式驱动数据资产服务于业务。

信贷应用（尤其是保理业务）
在贷前尽调识别与报告生成、贷中同质性审查与业务审批、贷后条件落实等环节，均可嵌入AI能力。通过专业化的数据处理与分析流程，辅助生成报告，此类场景目前应用较多。

融信云案例分享：运营管理助手
这是我们与天津一家银行的合作项目，旨在赋能运营支撑团队。该团队负责柜面、网银等系统的后台支持，处理日常客户与行内问题。痛点在于团队流动性较大，新员工培养成本高。我们通过AI构建知识体系，将业务手册、电话录音、工单、培训PPT等资料清洗整理为知识库，用于支持电话客服与一线运营，实现知识传承与效率提升。

三、应用挑战与边界

AI大模型应用的定位
AI本质是模拟人的推理与思考过程，因此应从“人”的角度评估其能力。我们认为，AI当前定位应是降本工具，以节约工作量为主要衡量标准，而非直接创造营收。在场景选择上，应聚焦于工作场景而非宽泛的业务场景，如报告撰写、繁琐报表整理、资料归类等重复性或碎片化工作。未来，某些专业性强的工作也可能逐步由AI承担。

基础设施方面，AI落地需要算力、模型与应用工具等支持；组织层面，则需将AI思维与组织架构相匹配。

如何评估AI场景的价值
我们从三个维度判断场景是否适合AI落地：业务价值、技术复杂度与业务风险。以智能客服为例，其可替代60%–70%的人工工作，价值较高；技术实现相对成熟，复杂度较低；风险可控，属于辅助型应用，因此综合评估为值得推进。反之，如金融顾问场景，目前AI能力尚不足，实现复杂度高，且涉及监管与业务风险，现阶段并不适宜。

数据显示，当前AI在金融领域的应用以风险与合规（占比32%）为主，其次是客户服务、IT支持等场景。

AI在智能化转型中的价值坐标
主要围绕效率、风险、合规三个方向：效率层面关注业务自动化与人力成本优化；风险层面强调动态监测与体系构建；合规层面则通过嵌入AI提升合规能力。

未来展望
微软CEO曾提出“传统应用将逐渐被AI智能体取代”的观点。未来可能不再需要直接操作应用系统，而是由AI智能体代为执行业务。美国在算力中心建设方面进展迅速，已成为经济增长的重要引擎。许多企业在规划2025–2030科技战略时，均将AI智能体列为未来业务的核心，并提出“AI自治”愿景——即越来越多业务运营由智能体参与，最终实现闭环自治。这为我们指明了重要方向。

当然，大模型目前仍有局限性：数据隐私与安全、模型幻觉等问题存在风险，实践中需保持警惕。

四、如何把握AI应用的尺度

结合近年实践，我们总结如下：

大模型是工具而非目的，其价值取决于解决实际业务问题的能力，只有产生业务价值，AI才有意义。

把握应用尺度是关键。如同自动驾驶领域的争论，对AI我们应既积极拥抱，又理性看待技术边界。领导者不宜期望AI解决所有问题，技术团队也需清楚其能力局限。

效能提升是根本，应聚焦轻量化、场景化的实施路径。场景越细化、越聚焦，越容易取得成效。

对行业的思考
非银金融机构的核心竞争力常体现为“小快灵”，业务垂直、产品多样、定制化需求深，且监管环境相对宽松，更适合敏捷迭代与快速响应。风控仍是核心，需数据驱动，同时对成本与灵活性要求较高。基于这些特点，我们正通过 “AI + 低代码” 模式赋能行业应用：一方面保留并优化传统AI应用，作为系统建设引擎；另一方面发展AI智能体，处理繁琐、人力消耗大的业务，通过智能体开发引擎提升运营效能。我们期望以该模式推动行业应用形态演进，提升业务创新与敏捷性。

对中小保理企业的建议

轻量化部署：降低技术门槛与成本，选择细分场景切入，快速体现价值；

SaaS化服务：以按需付费方式使用算力、模型与应用，提升效率；

聚焦核心场景：围绕关键痛点实施，确保见效；

重视数据安全与合规：严守安全底线，符合监管要求。

对行业协会的建议

可由协会牵头推动数据共享，共建行业大模型；

协同制定AI应用相关标准，如模型评估、合规操作流程等规范；

加强产学研与监管合作，共建健康生态。

融信云公司简介及业务布局
我们聚焦金融SaaS服务，主要包括：银行云（服务中小银行、村镇银行系统托管）、非银金融云（覆盖小贷、保理等业务）、场景金融云等板块，致力于以专业、合规、领先的金融SaaS云服务，助力金融机构数字化转型。

我们不仅是一家科技公司，更希望为客户创造价值，成为各位的战略合作伙伴。谢谢大家！