本文共字，预计阅读时间。

今天，我们来聊聊，为什么银行的Token总是烧不动？是采购的模型不够强、银行业务太复杂，还是行里开发的工具不好？更直接的原因可能是：我们根本没有把要解决的问题说清楚。

自从大模型这阵风吹进银行，很多机构的动作都很快。拉会、建柔性团队，会议材料里“历史性机遇”“生产力重塑”一类的词越来越多。大家觉得，这一次可以借着AI，把困扰行里多年的某个大问题彻底解决。

于是轰轰烈烈干一周，经过PPT_9.0，产出N个研发需求，排出一张很有气势的路线图。过一段时间再回头看，系统上线了，功能也上线了，但真正使用的人并不多。再看对应的Token消耗量，平静得像一个人痛彻心扉地深夜跑完步，第二天站上体重秤，发现数据一点没变化。

当然，不是说Token用的越多越好，成本肯定是越低越好。银行的Token烧不动，往往不是采购的基础模型能力不够，而是银行把经营问题、管理问题和流程问题，统统包装成了技术需求，最后让AI为组织能力的欠账买单。

一、需求会上最容易诞生的，是AI愿望

银行讨论AI需求，通常是找几个分行、几个优秀员工，盘一盘客户经理有哪些痛点。客户经理做不好的事情，让AI来；客户经理不会卖基金，让AI来；客户经理不联系客户，让AI来；客户经理不会写话术，也让AI来。恨不得明天来一个刚毕业的大学生，打开手机直接变成满级客户经理。

需求讨论的过程中，一页页数据翔实的PPT就此产生：1、不了解产品；2、不会判断客户需求；3、不会做资产配置；4、缺少合适的客户名单.；5、没有合适的触达理由；6、话术不会写；7、物料不够千人千面......

这些问题表面上看都没错，但把它们统统做成功能，最后很可能得到一堆局部看起来都能用、却没有融入工作流程的功能点：能生成话术，能推荐产品，能整理客户信息，也能提醒客户跟进。

痛点不等于需求，业务目标也不等于AI任务。

真正可以落地的需求，应该继续往下拆：客户经理在什么时候会去用这个功能，客户经理希望主动触发还是被动触发，功能之间的线性组合是什么样。

所以，做AI需求之前，最好先去一线跟着客户经理工作几天，看看想象中的痛点对应的场景是否真的存在，看看员工每天处理什么客户，用的是什么系统、什么岗位、什么界面的哪个button，在哪些环节真正耗时。哪些事情系统应该帮忙做，哪些事情又必须由人承担。到了现场，有些需求需要重写，有些应该删除，还有一些事情，根本不该交给AI。

二、客户经理不会做的事，AI也不会自动做对

AI不能把一个模糊的业务流程吞进去，再自动吐出一个满意的业务结果。如果业务团队自己都说不清楚一个网点每天的所有销售业绩是怎么产生的，接入大模型不会让事情变简单，只会多一层复杂度。

很多银行做需求调研时，喜欢找优秀员工，因为他们最懂业务，也最能讲出痛点。但优秀员工的经验往往依赖个人能力、客户关系、长期积累和隐性判断。他知道什么时候该联系客户，知道客户哪句话是真需求，知道什么产品适合电话讲，什么产品必须面对面解释，却未必能把这些能力全面、客观、原子化地说清楚。

适合交给AI的工作大致有两类：一类是流程、数据、规则和反馈足够清楚，可以把AI教会；另一类是足够通用和标准化，现成的 通用AI能力本来就会。最容易失败的，恰恰是特殊行业内、需求提出者自己都说不清怎么做，却希望AI直接给出结果的那一类。

AI可以沉淀经验，但不能凭空制造组织能力。流程清楚、数据可靠、规则明确，它能放大效率；流程混乱、目标含糊、责任不清，它也会把混乱放大，只是表达得更流畅。

三、AI最怕成为一个额外入口

真正好的工具，应该让AI适应人，而不是让人硬去适应AI。

客户经理不会因为系统多了一个AI入口，就自动改变工作习惯。除非这个入口刚好出现在他需要的地方，能够减少操作、降低判断成本，并且让他对结果足够信任。

当一个AI项目开始靠登录次数和 Token 消耗证明价值，它通常已经证明不了业务价值了。那说明AI还没有进入业务，只是新增了一项需要被管理的工作。

AI更现实的价值，不是凭空制造一个满级客户经理，而是把一个具体环节做得更稳定，把熟练员工的部分经验沉淀下来，把依赖个人记忆的工作变成组织能力。上次有读者提到，在信贷处理环节，AI提升了效率，背后是因为信贷的受理到放款是一个组织流程、分工非常清晰的链条，但员工每天是怎么把基金、保险卖出去的，怎么说服客户把钱留下来，流程、过程却未必能说清楚。

结语：先让需求清醒，再谈智能

所以，银行的Token烧不动，不一定是模型不够强，也不一定是银行业务太复杂。更大的可能是，银行还没有回答清楚三个问题：

• 到底要让AI完成什么动作？
• 谁来判断它做得好不好？
• 这个动作为什么值得每天被使用？

AI当然有价值，但它不是替银行重新定义业务的万能答案。否则最后很可能是需求文档越来越厚，研发需求越来越多，会议室里的气氛越来越热烈，只有真正使用AI的人越来越少。

Token没有烧起来，未必是坏事。至少它提醒我们，在给机器增加智能之前，银行可能应该先给自己的需求增加一点清醒。

当然，需求没有说清楚，可能还不是最麻烦的问题。更麻烦的是，很多人既分不清BI和AI，也分不清小模型和大模型，却希望大模型把查数、分析、推理、预测和推荐一并干了。

BI没走完的路，AI跳不过去。

这个问题，下一篇再聊。

[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！首图来自图虫创意。

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！首图来自图虫创意。

本文版权归原作者所有，如有侵权，请联系删除。首图来自图虫创意。