本文共字，预计阅读时间。

自打AI强势闯进千家万户，上到老人下到儿童，都能有事没事找“豆X”问问，各种夸张演绎的视频在社交媒体上爆量增长，一张张换脸美图虚拟场景互动轮番登场，新的GPT让机器表达越来越拟人，AI的焦虑开始在银行圈蔓延。

大模型，多模态，agent，skill，思维链，养龙虾……各种不同维度的AI名词如雨后春笋般生长，或快速闪现后销声匿迹。每个人都渴望成为AI领域的专家，让自家银行成为银行圈AI落地的灯塔。但五花八门的银行AI信息汇聚在一起，仍然如雾里看花，AI在银行的主线在哪里？或许我们应该回归一个朴素的问题，银行究竟要AI干什么。

这个问题就如同我公众号以前提出的一系列问题一样，每个人都有不同的答案，这些答案来自不同的侧面，截面，这种百家争鸣的场面让我突然回想起当年银行遇到互联网以及遇到三方支付时的场面，大量思考观点，应对举措如涓涓细流沉入泥沙，却难以看到汇入形成宽阔的江河。根子上是大家没有形成共识，无论是建设层面还是应用层面。

有人说AI要取代人工让客户问答之中解决银行问题。有人说AI是要让每个员工成为六边形全能战士。有人说AI要让客户洞见变得极度准确实现千人千面。有人说AI要让风险控制得滴水不漏。有人说AI要让银行多媒体内容变得丰富多彩。有人说AI要让银行做汇报做方案变得轻松自如……

于是我们看AI演变成对客户、对员工的问答功能，变成了精准营销的替代工具，变成了行业检索资料整理的替代工具，变成了广告制作的替代工具，变成了编方案写材料的替代工具。AI的角色定位被快速扩展，AI与银行的接触面从点变成了面。

这些说法本身倒也没错，但AI在银行落地的底层逻辑到底是什么呢？

我认为AI底层应用逻辑在于深度理解人在生产中不同角色的意图，并基于超出人的记忆能力、信息检索与处理能力，对用户形成超出预期的交付。这种交付是可以输出到下一工作流的交付，既可以由人承接，也可以由AI继续理解并承接。

这种逻辑作用在实际经营场景中，主要集中在“信息检索”和“信息生产”两类场景。

第一种场景的价值在于通过简单表述，将需要的信息从银行海量的信息库中抓取到，并准确反馈给用户，这一场景突出的是理解的准确，检索的准确，反馈的体验。

第二种场景的价值在于突破“人”在历史业务管理中的惯性思维，从而形成新的解题方法以及新的经营模式。

今天大部分银行聚焦的其实是第一种场景，我们把他描述为“替代检索的AI应用”，无论是线上渠道内的AI助手，还是客户经理的CRM辅助工具，知识体系的塑造，语义的深度理解，“准确性”成为这种场景中最重要的考量因素，要把“人”表述不太准确，但脑子里想要的一个具体结果，精准的理解、匹配、反馈回来。AI再迈一步只是将检索的意图识别出来，用推理备注的方式尝试激发起客户/用户的更多检索需求，从而形成更多互动活跃。但检索模式的内核并非AI而是检索本身，AI只是优化了体验，补全了推理的过程信息。

这种场景模式下看似是AI能力的升级，其实不如说是“知识检索能力的升级”，AI是完成知识理解过程中的辅助能力。

或许银行AI更应该关注第二类场景，即“生产生成”中的AI应用。

银行发展历史悠久，发展至今营销逻辑基本仍遵循存贷汇逻辑，对客户的理解虽然演变出分层分群各种划分逻辑，但业务营销匹配逻辑并没有真的改变。在客户经理服务头部客户以及二八定律之下，虽然这几年银行大数据有了一些探索，但人工经验仍是最主要的模式支撑。

AI的出现是一次突破“人工经验主义”的绝佳机会，破局点在于供给侧要素生产模式的变化。从经营目标到行动之间，如何应用大模型推理能力形成看似不符合经验主义的设计思路，将产品、内容、活动各类要素再组织再封装成为客户可读可懂可快速互动的传播内容，如同从产品到商品的改变，从食材到菜肴的改变，并向下延伸在更底层形成要素的个性化生产，乃至于更微观原子化能力的创新应用。

AI更大的魅力来自于超出你想象的生成，那这就不是检索的逻辑，而是设计生成的逻辑，比“生产指令的执行”还要更有生命力。

或许这才是银行AI应用的底层逻辑，AI之于检索是通用能力，若不是模型本身有巨大差异，检索本身难以构建竞争优势，毕竟模型没有太大差异的情况下，任何机构都可以提炼所谓的专家知识经验，这种经验很难横向对比价值。平权背后隐藏着独有竞争力削弱的可能。

而AI作用于要素以及要素关系规则的生产，推动AI对客户服务全流程的介入深度，介入复杂度发生改变，推动人在业务流程中的角色，工作方式发生本质改变，或许才是构建银行机构AI差异化的基础。

让AI生成的要素，在风险可控的管理框架下形成经营的自循环，机构能够为AI生成的工作流程背书，让员工从对自己的操作行为负责，转变为对喂养AI的生产质量负责，才有可能形成真的“新质生产力”，并从AI的业务渗透深度中获得竞争优势。

在这一出发点上再向后延展，才是适配模型的不断更新，使用行内数据知识进行充分训练，让行内落地模型最理解这家银行的整体细节，让算力可以支撑起应用的深度广度。

两种场景是不同的应用理念，但如果以检索的心态来做第二场景，幻觉与风险总会成为发展中的思想掣肘，人与AI就容易成为责任的对立面，AI的应用就会面临各种各样的问题，有些问题是真问题，更多问题是因恐惧而形成的人为思想问题。

此外，生产领域的应用也是有限制的，部分要素的AI设计生成不代表可以作用到顶层设计决策生成，战略维度顶层设计若是靠AI生成的论文来牵引，无论是科学性的论证不足，还是人沦为AI决策实施的机器，那恐怕又会让AI走入另一个失序应用的极端。

总而言之，人在操作层面以及有标准信息加工方法的推理，理论上AI都可做到。正因如此，AI的应用可以五花八门，但很多应用只是看起来很绚，最终却是昙花一现，因为企业级应用脱离价值创造，脱离商业化目标就走不长远，如果在意AI五花八门的应用场景案例，或是去追求挑战那些纷繁变化的市场中金字塔尖的模型能力，银行体系的AI焦虑只会越来越多。

泛化是新能力探索中最大的阻碍。

如果银行AI应用无法为进入生产领域承担信息创造风险，那AI的深层次应用就可能是个伪命题，只局限于搜索能力和拼装能力的演进，那距离新质生产力的释放还将非常遥远。

抱持开放的心态，接受稳扎稳打的AI生产与应用，用实践找到新质生产力下的生产关系，或许很多问题就没那么复杂了。

未必正确，欢迎探讨。

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！

本文版权归原作者所有，如有侵权，请联系删除。