徐小锋

南京银行数字银行管理部总经理

感谢主持人。我今天特意来到北京现场学习，同时也分享南京银行近一年数智化转型的实践。

首先，今年初DeepSeek R1发布，大模型加速演进，开源生态蓬勃兴起，推动人工智能从高门槛走向技术平权。给中小银行带来了机遇，同样也带来了挑战。因此我们年初给自己预定了一个目标：南京银行今年要做100个大模型场景。

我认为银行业适合作为大模型智能体的最佳实践。但是中小银行在没有能力地图、算力卡、人才的情况下怎么做呢？南京银行基于自身扁平化的优势，坚持培训先行、文化先行，在行内各层级开展AI+培训，告诉员工AI可以干什么，让每个人知道、想用、会用以及常用AI，推动实现从“知道→想到→会用→常用”的进阶，打造“人人懂AI、人人用AI”的AI文化。

之后我们思考南京银行大模型目标是什么？南京银行人员可以划分为对公客户经理、理财经理、支行行长、网点柜员、审批人员、客服人员、产品经理、条线运营人员、中后台管理人员以及科技研发人员，因此我们大模型的场景目标是面向多个用户群体、主流工作链路形成“一岗一助手、一人一分身”的智能场景规划，推动AI应用全面化。我们对搜集到的200余项需求进行调研分析，将各分散需求收敛成11个高价值场景系列，孵化更完善成熟的产品化能力，打造各岗位助手系列产品。

第一个场景是访前一页纸。我们聚焦分行“访前会”场景，根据南京银行最优秀支行行长、客户经理的访前一页纸，借助大模型能力形成企业基本盘分析、核心技术通俗解析、产品推荐及话术。1.0版本发布后，效果反响非常好，但是由于资源的限制，每天的出具量只能维持在40份，为此我们不断通过技术迭代，满足行内一线客户经理、支行行长的需求，累计已出具超5000份访前一页纸；第二个场景是客户经理联络报告。我们与零售金融部合作开发，根据理财经理的通话记录自动输出联络报告，提升理财经理服务质效。初期我们采用72B模型的场景算力消耗特别大，经过2-3个月的技术攻关，我们对场景进行微调，利用72b蒸馏8b模型，将大模型推理速度加快近5倍；第三个场景是授信审批人助手。我们与总行授信审批部和三家分行审批人员合作开发，利用大小模型结合智能生成企业财务、股权、征信等多场景的风险分析报告，打造面向审批人的8大智能工具（合称慧鼎），助力客户经理尽调以及审批人信审决策；第四个场景是运营人员助手。我们和总行运营部合作，基于大模型的知识管理平台，纳管运营领域的内外制度、操作规范、场景问答三类知识，提供智能助手。

经过我们这一年的努力，南京银行截至今年9月底累计交付超过100个场景，顺利完成全年KPI。我们非常强调场景运营，设定了场景交付即运营的目标，建立了数据驱动的运营体系，每一个场景交付后，我们会通过点击量、复购率、活跃用户数等运营指标评价场景，并不断提升场景应用的深度和用户的满意度。比如说大模型场景，我们会特别关注一个用户的复用情况及原因。

在场景的构建过程中，我们实现了量变到质变，初步形成了“数据、训练、评测”三位一体的研发体系，初步构建了算力-模型-服务-应用全闭环AI能力体系，推进全行金融科技从“技术应用”向“智能创造”跃迁。

未来我们如何评价场景的价值？南京银行希望构建智能化价值度量框架，从效率提升、成本减少、风险控制、业务增长、客户体验、客户收益等视角开展价值度量，逐步将场景应用由数量向价值化迈进，明年我们的目标是建设100个高价值场景。

我认为大模型智能体的应用主要是七件事。一是场景挖掘、业务需求寻找，我们聚焦高业务价值，挖掘大模型场景；二是场景搭建，我们强调应用场景的组件化和低码化，更强调业务人员的参与；三是场景运营和评测，我们希望场景覆盖了多少人，提升了多少效率是看得见的；另外四点是智能中台、算法研究、算力支撑和大模型风险，这部分内容大行领导已经讲了很多，我就不展开了。

我们的核心理念一是文化先行，全员参与，营造AI文化氛围，激发全员创造力；二是场景驱动，价值优先，从实际场景出发，关注业务价值，强调交付即运营；三是技术收敛，完善体系，在场景建设过程中，从量变到质变，实现技术栈逐渐收敛，逐步完善AI应用架构体系。

最后，南京银行数智化建设的秘密武器是一支年轻的AI+数据产品经理队伍，他们平均年龄28.5岁，年轻有活力，对新事物的接受速度快、接受能力好。截至9月底，该团队已经走访161家支行，覆盖南京银行全域55%支行，在南京银行内部组织AI+培训超过100场。不同于大银行，中小银行没有能力地图、整个架构体系、人才培养体系，不具备自上而下开展AI建设的能力，因此南京银行采取自下而上的AI建设路径，用场景驱动所有工作，创造价值，进而在行内申请更多资源完善数智化建设。

我的分享就这么多，谢谢大家。