浪潮前夕，各个行业都在努力拥抱AI，通用人工智能的快速发展打破了原有的依赖规则驱动的模式，基于大数据和深度学习，从“规则为基础”向“数据驱动”，综合能力和应用能力也更强。
笔者过去几年主要在金融相关行业工作，因为本文主要讨论范围也是围绕着金融行业的AI应用。
金融行业的数字化转型一直在持续进行中，当下的AI应用浪潮，也是数字化转型中的第三阶段，当下及未来的阶段。
从这个路径的理解来看，金融行业要更好地进行AI的应用落地实践，依然离不开数据的建设，以数据为驱动的大模型的落地应该如何应用，首先需要理解AI究竟带来的是什么样的能力(与以往纯粹的[线下搬到线上]的方式相比有什么不同)、业务平台与AI模型之间应该如何协作构建，最后再来看金融行业中的AI应用场景。
长远一点来看，把AI智能体当做一个可塑可训练的、具备记忆、有理解能力、能够做出决策、并且行动(任务处理或内容输出)的“人”。
结合AI的多项能力，AI agent智能体是综合决策+工作流执行，最接近人类综合工作能力的概念。
从主动性和自治程度来看，包含Copilot和Autopilot，copilot更强调提供辅助建议和增强操作体验，autopilot更强调自主的决策和执行，高程度的自治和自动化。从现阶段的应用来看，主要还是以Copilot的形式和定位，即使是决策型的AI，或者是具备工作流决策和执行能力的智能体，在目前的阶段还是辅助作用。
Copilot是一种辅助工具，强调用户的主动性和控制，主要用于提高效率；而Autopilot则倾向于更高程度的自动化，旨在减少人类干预。两者的核心区别在于用户参与的程度和自动化的水平。
两者在技术路径上有较大的区别，Copilot旨在辅助用户在特定工作流中提高效率，也是目前比较常见的方式，比如GitHub Copilot为用户提供代码建议、阅读总结类产品比如微信读书AI总结都是此类，技术上，Copilot通常通过自然语言处理（NLP）技术与机器学习算法相结合，提供上下文相关的帮助；
Autopilot通常指的是一种更加全面的自动化系统，旨在在没有人类干预的情况下完成特定的任务或操作。从技术上讲，Autopilot系统往往依赖于组合多种技术，如计算机视觉、传感器融合和深度学习，以实现实时环境感知和决策。
从应用落地的角度来看，主要分为两种环节和方式，决策类、任务工作流选择/执行/优化，两者有不同的侧重点，也可以结合应用。
AI 的能力和价值长期来看，目标是以与[工作领域专家]的决策能力和工作执行能力对齐的智能体，是在现有工作流基础上的智能化和强化，以高效或业务优化为目标，未必是改革工作流本身(还没有超过人类的智慧能力和全新的创造)。
这种智能体的概念在许多产品上已经有所应用，比如钉钉推出的数字助理，就是以【知识+技能+工作流】的方式构建出具备实际工作能力的数字助理，借助钉钉已有的各类小应用和工具，为智能体提供了实际的执行能力。
当然，对于目前掀起的各式的AI应用尝试，也必须提前做好评估，其实本质上也是产品方案前期的评估和定位，回归产品最本质的问题，依然是带着场景和问题去找到解决方案，而不是拿着AI这个锤子去找钉子，在积极探索应用的同时，也需要进行思考和评估：
随着AI大模型的能力迭代，AI的能力似乎赋予了大家无差别的能力起点，在这个过程中，金融业务方如何更好进行应用的构建？什么才是积累壁垒的关键？这些问题，需要先理解大模型与业务平台之间的构建关系，以及业务平台作为中间层的角色。这一过程，其实也就是结合AI本身的能力和价值，结合业务场景进行应用构建。
带着前面我们对AI的能力、应用价值以及跟平台之间的应用关系的思考，以这个视角来看，目前金融行业中的一些应用场景。这些应用场景不仅仅是单一的AI能力的构建，而是结合业务场景的需要，综合地利用AI的多项能力，最大化地发挥应用的价值。
智能客服
利用AI对用户意图/情绪的理解能力，结合业务的数据库、知识库，可实时对用户进行服务响应，价值主要在于对客服务应答效率和服务质量)的提升和降低客服人工成本，相比之前规则驱动的智能客服，可以更加灵活地回复响应解答，辅助业务转化。
在应用上也是目前探索比较多的方向，比如蚂蚁财富的支小宝和各大银行的智能客服，但是由于直接面对投资者，合规风险上也比较高，并且对于模型可能出现的幻觉(理解错误/推断错误/信息错误)都需要进行处理和把控。
投资陪伴/智能投研
结合业务侧对用户的场景和行为习惯的感知，可以在客户旅程的环节中提供智能投资产品推荐、个性化投资建议，在提供投资陪伴、辅助投资决策上，可以提供智能投研工具、降维分析解读陪伴等。这一场景可以拓展出来的细分场景和应用比较多，后续可以再展开聊聊。
智能营销
营销内容的智能合成，比如海报设计、营销文案、视频等智能生成，通识的营销理念(节日及心理话术)+ 业务场景营销策略+机构内部的内容数字资产，可以产出更多元化、更高效的营销场景素材，降低营销内容创作成本投入，同时可保证核心素材的一致性和复用。
营销策略的执行和优化上，营销策略是基于【目标洞察+场景+系列的营销动作执行+监测优化】，在目标洞察环节可以通过智能数据分析进行更精确的客户标签分类，并且在不同的场景触发中使用对应最优的营销动作组合，结合业务平台提供的多类金融工具推进营销工作流执行，并对营销转化效果进行监控，及时进行调整优化。通过大量的营销策略执行和优化，还可以作为策略模型学习的训练数据，进一步构建更智能更有效的营销策略模型。
在应用场景上和业务目标也比较一致，比如代发客群转化、沉默客户召回、存款转理财等，并且可以进行营销策略资源的积累，也是比较能形成壁垒的，最具价值的不是营销执行的工具，而且营销运营的策略和方法。
金融智能营销，索信达算是行业比较头部的，也有自己的策略积累和应用实践数据，对营销的全流程进行灵活设置调整、跟踪和管理。
售后陪伴
结合信息检索和处理，提供持仓产品的动态解读和分析，组合分析和调仓建议等。
业务流程提效
对于需要客户介入、重复性高、对行业知识要求不高的业务流程，可以结合AI的理解能力+信息处理能力+自动化执行，进行业务流程的提效。比如支付宝的智能理赔流程，对用户提交的理赔材料进行加工处理(结构化+信息提取)，能有效避免理赔过程中反复的材料检查、重新提交等情况，缩短理赔响应时间、降低人工理赔投入的工作量成本。
管理侧，数据智能分析，包含业务数据、员工绩效数据、用户数据等，基于一定的数据建设(数字化转型的第一阶段)，结合模型对海量数据的处理、理解、内容生成能力，可以辅助管理侧高效分析和了解业务数据情况，定期形成数据报告辅助决策。与普通的数据驾驶舱相比，智能的分析助手可以低门槛、更灵活地进行数据挖掘和分析。
投研侧，主要是 海量信息搜集-信息处理-结合业务场景提供价值，其中信息处理的环节，涉及到多模态内容转化、信息结构化等能力，比如路演视频的信息提炼总结(视频传播从营销的角度来说或许占据优势，但是信息获取效率不够高)；海量信息的搜集到价值信息的提炼，市场资讯、分析师观点等快速提取热点观点解读、挖掘线索与变化。面向机构侧的智能投研产品，比如讯兔。
团队能力上，包含智能培训(能力对齐)、业务助手(能力赋予)。智能培训借助大模型的生成能力+企业内部知识库，可以提供灵活的、接近实战的智能陪练，相比传统的考试模式可以更有效训练员工的实战能力，降低培训成本；业务助手的应用范围可以更广，根据服务的员工角色和工作场景，可以提供多元的辅助，通过大模型+业务平台的共同构建，可以创建具备【业务专家】+【秘书助手】的综合业务助手，结合内部的知识库问答，可以赋予优秀工作和便捷处理工作的能力，并保证内部的知识资产可以得到有效的利用。
智能风控系统、信用风险智能评估等，在信贷业务中应用比较广泛，这一方面也已经有比较多的产品，比如百融云创；工作流程上，也可以应用到合规审查流程中，利用自然语言处理技术审查合同和文档等。
在过去十年中，金融行业的数字化转型已经在很多细分场景上有所应用，并且也已经有很多行业垂类的AI产品出现，随着AI应用探索浪潮迭起，通用大模型的能力日新月异(新的模型层出不穷，升级迭代速度极快)，AI也许会给我们带来全新的思考和工作方式。
作为产品经理，除了思考行业的AI应用探索、拥抱工作方式的变化(单一场景的工具应用确实有所提效)之外，作为人类，在AI可以帮助我们解决重复性工作、带来更高效的信息获取效率时，人的核心价值和能力也许更应该回归认知、洞察和更开阔的畅想探索。
最重要的，本文都是自己基于一些学习思考和理解，如果有错误之处欢迎指正，欢迎交流讨论～
本文由 @格症 原创发布于人人都是产品经理，未经许可，禁止转载
题图来自 unsplash，基于 CC0 协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。