詹雪峰：新网银行智能应用的实践

　　中国国际服务贸易交易会第八届中国金融科技论坛于9月9日在北京举行，主题为“科技赋能—金融业数字化创新与应用”。四川新网银行信息科技部副总经理詹雪峰出席并演讲。

　　詹雪峰：尊敬的各位领导、同仁，下面由我为大家汇报一下新网银行智能应用的实践。首先做一个介绍，前面有很多大行，包括中小银行，我们算是一个微型的银行，很多领导同志不一定听说过。新网银行是在四川成都，新网两个字是取意于新一代互联网银行，在互联网银行前面有两个头部的银行，大家应该都比较熟悉，微信微众银行和网商银行。我们的股东有三家新，包括新希望、小米和成都本地的红旗连锁。我们2016年成立，正值中国数字化转型以及数字化产业蓬勃发展，借此契机，我们行把自己定义为一家数字原生银行。

　　整个汇报分为四个部分：首先给大家汇报一下新网银行智能技术应用的历程。我们行是全线上展业的银行，从我们行建行之初就应用了人工智能技术来服务客户。2023年是一个分水岭，大家知道2023年是大模型技术爆发的一年。在2023年之前，我们主要是基于决策式的人工智能技术，我们主要是在智能风控和智能客服等领域应用了智能技术来赋能业务发展。

　　在2021年，我们是自建了联邦学习的平台，在2022年牵头组建了反欺诈联盟，利用联邦学习技术和同业共享了反欺诈的一些欺诈信息，对于有欺诈倾向的客群，与我们的同业共享信息，达到预警的作用。2023年以后，我们的大模型技术蓬勃发展了，我们就引入了第一个基座大模型，上线了首个大模型的智能助手，是在客户的工单小节这个场景。2024年上线了第一个微调的大模型的应用，是在催记助手领域。同时上线了首个智能体的Agent应用。在2025年，由于大模型技术进一步发展，我们利用大模型技术升级了外呼服务，提升了客服外呼的对客体验，并且构建了AI云底座，初步建成AI网关。

　　新网银行整个智能体的战略和愿景是人人AI、处处AI，我们希望在未来的一段时间，我们希望从AI的应用从盆景到风景，从局部的应用到全局的应用。之前是由科技驱动，自下而上在推动AI技术为业务赋能，我们从2025年开始由战略驱动，自下而上来牵引全行业务模式转型。我们2025年在全行发起了智擎AI+行动，是由行领导牵头，全员发动、稳步推进智能应用的落地。我们的人力资源部也专门制定了关于数字员工入职、试用和晋升的制度。

　　我们认为在新阶段智能演化带来几个主要的演变，首先是技术上的演变，首先会从单智能体，未来是多智能体的协作更好的为客户提供服务。智能体从模型来讲会从通用模型向垂类模型来转化，在研发方面有一个最大的体会，之前的软件工程从有稳态和敏态这两种提法，中后台的系统是采用稳态的研发模式，前台系统是采用敏态的研发模式。在2024年左右软件工程3.0这个概念出来之后，提出了智态的研发模式。在2025年，随着人工智能技术的演进，我们发现软件工程3.0的落地可能性是越来越大，所以我们从2025年开始是积极的在 AI Coding 领域去推动人工智能技术的应用。

　　从研发模式，业技融合，也是前面很多领导和同仁都提到，业技融合在人工智能应用阶段我们最大的一个体会，后面我会单独提到。从应用的演变，我们是从后台支撑向前台服务的延伸，有一些对客的服务，我们行在人类员工的监督下，我们可以采用人工智能的技术实现对客的服务。

　　从流程的步骤转向岗位目标，这个是指我们以前是在作业流程局部的环节应用人工智能技术来赋能业务，但是现在我们提出数字员工，采用数字员工的方式，前面提到人力资源部专门还对数字员工做了整个岗位的定义，入职、试用、晋级整个流程都有相应的制度保障。

　　下面给大家汇报一下我们行的人工智能应用能力的建设，这个是整个人工智能应用体系的一个架构，最底层是算力，我们现在有自己的私有算力，但是有100来张卡，但是以我们行目前的人工智能应用，我们的Token是比较吃紧的，不够用。所以我们对于部分非敏感的业务的办公场景，我们也引入了一些云厂商的SaaS服务。在模型上，这几个是我们行内的私有化的部署模型，主要是以国内的开源模型为主，对于部分模型我们做了微调。

　　从应用上来讲，对于Token消耗量，从目前的统计情况来看是AI Coding编码助手，这一块Token消耗量是最大的。其次是数字员工，有我们办公的场景，包括数据分析和ChatBI等这些应用。

　　这个是业技融合模式，前面提到我们体会最深的一个变化就是研发模式的转变，传统的研发模式是业务和产品部门提出需求，由科技团队来实现需求，完成测试、验证以后交付给业务部门。但是我们发现在智能体的研发流程当中出现了很大的变化，因为大模型的技术是基于概率输出的逻辑，很难说通过了测试、验收、投产上线以后的智能体能够完全按照预设的逻辑来达到业务需求的预期。所以我们认为智能体的研发，投产上线只完成1/3，后面还有2/3的工作还在运营。传统的软件我们叫做运维，运行和维护，但是进入到智能体时代之后我们的运营工作非常重，运营工作包括什么？需要和业务部门的业务同事一起对提示词进行调优。

　　下面一个比较重要的能力就是安全合规的能力，前面有很多领导都提到，我们行的做法就是事前通过数据清洗、模型微调以及合规的评估实现数据模型和人的价值观对齐。事中的监管分两部分：一部分是对大模型输入，在问题输入部分做问题识别，做问题的过滤。在输出，我们会对模型的输出再做一次审核，保证我们大模型最终对客，或者对业务同学的输出是满足合规要求的。对于事后是做一个协同的质检，发现问题及时处置。

　　另外一个点就是近期我们对我们行数字员工能力的突破是在对客服务方面，之前我们是基于小模型开发的对客服务的数字员工，大家知道小模型是基于模式识别，基于规则预定义的这么一种逻辑。举一个例子，之前我们在数字员工对客，我们之前叫机器人，在对外对客服务的时候，客户会来询问我们行的业务产品，但是机器人在介绍业务产品比较啰嗦，客户不耐烦，他会打断数字员工，你先不讲这个，你讲一下我这个月还款的金额怎么样？需要还多少钱？按照以前小模型做的机器人，这个时候可能会被打断，听到对方有语音的时候会被打断，但是大概率是接不住，我下面是要回答客户我这个月的还款计划是怎么样的？但是随着大模型技术的发展，我们开发了语音引擎，基于意图识别的方式来构建数字员工，我们的数字员工就不仅能够很敏锐的做到打断，去倾听客户的意图，是识别出意图，实现还款计划比较好的回答。另外还有一个就是我们在对话中可以实现工具的调用，从而实现对刚才提到的场景，还款计划需要去查询其他的业务需求来回答客户的疑问。

　　我介绍几个我们行实际的应用，由于时间关系，我就简单的做一个简要的介绍，我们行的大模型应用数量在60个左右，累计建设智能体超过100个，日均Token消耗量我们目前好像是有50个亿。这是研发管理体系，主要是AI Coding，我就直接讲效果。我们目前覆盖用户规模是345个人，AI生成代码的占比是20%，我们的统计口径是我们用于生产的代码里面有20%是由AI来生成的，测试用例的占比，AI生成的占比是60%。线索首呼的机器人。我就简要的介绍一下，之前传统的方式是由人类的坐席来外呼，但是人类坐席有一个问题，人员配多了有浪费，人少了不够用，我们的线索会有浪费。但是现在我们通过外呼机器人，由机器人来做首轮外呼，第一次触达客户，充分的评估客户的意愿，并且回答客户简单的问题，比如说产品的介绍、利率等等。当客户有意愿的时候，我们再转到人类坐席，进一步为客户做服务。第二个是呼入机器人也是一样，受我们行客服坐席配置的限制，数字员工上线之前，平均客户的等待时长会有3分钟。有了机器人以后，机器人可以自主回答大概30%左右的咨询，把人工等待的时间缩短到50秒左右。贷后的场景，也能做到一部分的分流，在M0阶段，数字员工基本上能够承担100%的外呼，这个时候是做还款提醒，M1阶段能够到70%，M2阶段有数字员工，由数字催员协助人类员工来完成催收的工作。

　　下面是未来的展望，之前是+AI，我们认为在未来一段时间一定是AI+，+AI，前面很多嘉宾都提到，在作业流程的局部环节，通过AI技术为业务做赋能。我觉得有一句话讲得非常好，在AI时代所有的软件都值得被重构，我们非常认可这句话，在软件被重构的同时，我们认为整个作业流程也会被重构，这就是我们所说的AI+，我们认为以后（是）用AI原生的思维来构建业务系统。实现AI+的途径一定是有一个面向AI的治理体系，包括数据治理、本体建模、知识沉淀，这些都是必经的途径。

　　最后有两个重点的举措：一是AI能力的建设，包括面向AI的数据治理，以及面向AI的信息安全、多智能体协同，这是必不可少的几个能力建设。最后我们认为AI驱动的业技深度融合是一个必然的方向。我们认为AI的技术不仅是一个技术的革命更是生产力的革命，要实现整个组织生产力的跃迁，组织变革和人才培育是必经的途径。

　　 广告