纵观金融数字化的发展历程，早些年我们行业聚焦流程自动化，如今自动化建设已完成八九成，但尚未实现全面落地，生成式AI、智能体技术便接踵而至。AI时代的迭代速度极快，从传统AI、生成式人工智能，再到当下火热的智能体，下一步或将迈入量子计算阶段，整个转型过程充满各类挑战，也让我们积累了诸多实战心得。尤其对外资银行而言，数字化、智能化转型面临的局限与难题更为突出。借此机会，和大家分享我们的实践经验与思考。
本次分享主要分为三个部分：
第一，在金融数字化转型中搭建的核心框架与重点关注维度；
第二，当下AI、人工智能在金融、银行行业规模化落地后，银行留存的核心竞争力是什么；
第三，转型过程中面临的挑战与困境，以及我们的探索思路。
Part.1 数字化转型核心与重点 首先和大家分享星展银行数字化转型的四大核心关注维度与落地重点。 第一是组织协同。谈及数字化、AI转型，大家普遍会将其纳入企业、银行的中长期战略规划，未来五年，人工智能必然是金融机构的核心战略板块。但我今天不谈自上而下、从董事会、管理层到各部门一把手的战略部署，重点分享金融机构、银行在AI落地、数字化转型落地中的实操打法。很多人固有认知里，人工智能、数字化转型和早年的流程自动化一样，都是纯科技工作。但我们在落地实践中发现，AI转型绝非单一科技部门的工作。为此，星展银行搭建了“三盒联动”的跨部门协同落地模式，由三大团队联手推进转型落地。 第一个盒子是业务部门。业务部门最熟悉自身的业务流程、业务体系，能够精准定位各业务板块、各流程环节的AI应用场景。无论是面向客户的前端触点AI落地，还是银行内部流程的AI赋能，都需要业务部门精准界定。同时，业务部门需要明确核心目标：AI落地后能为业务发展、产能提升、流程效能优化带来哪些实际价值，提前框定业务成效标准，这是AI落地的核心前提。 第二个盒子是我所在的转型与数字部。我们部门的核心职责是输出专业落地方案，包括适配业务需求的模型选型、模型搭建、提示词优化、AI功能嵌入业务流程的具体路径等。这些专业落地工作，并非业务部门的核心工作，也超出了业务团队的能力范畴，由我们团队专项攻坚落地。 第三个盒子是科技部门。仅有业务需求和AI模型方案远远不够，最终需要依托科技部门，搭建完整的工作流，将各类AI应用场景、AI模型功能，深度嵌入银行的日常工作流和核心业务系统中。只有业务、转型数字、科技三大团队协同联动，才能保障银行AI数字化转型高效落地，这也是我们验证下来最有效的落地模式。 第二是流程重塑。相信不少同行此前也分享过相关内容，在金融行业，AI转型不能只聚焦单一案例、单一场景的落地，核心是推动整体运营模式、全业务流程的革新与重塑。我们此前曾遇到过核心痛点，也受到过管理层的复盘质询：银行在AI领域投入了大量成本，却看不到整体落地成效，没有实现全流程的实质性优化，也没有达成人力成本、运营效率的整体提升。各业务条线会单独上报AI场景的落地成果，比如某场景缩短了多少操作时间、节省了多少人力，但从全行整体视角来看，业务流转速度、客户服务质量的整体提升效果并不明显。 深究问题根源，核心是缺失端到端的流程闭环落地思维。举个例子，在房贷业务中，业务团队积极推进前端流程的智能化升级，在获客、风险评估、评分等环节落地了大量自动化、AI应用，大幅缩短了前端业务响应时间。但整个房贷流程的卡点集中在中台审批环节，中台仍沿用传统作业模式、传统流程体系，前端提速、中台滞后，导致整条业务链路的整体效率没有实质性提升，客户也感知不到服务优化。 这也给了我们重要启示：当下行业智能体、AI技术全面普及，各家机构都在密集布局AI应用，但转型不能全面撒网、盲目落地。我们在实操中坚持有所侧重、聚焦核心，精准锁定最需要提质增效的关键业务流程，以端到端的全局视角，精准切入AI赋能节点，实现全流程优化，而非单点碎片化改造。 第三是工具赋能。我们银行搭建了一套统一的AI赋能平台，集中收录所有经过选型、审核落地的AI模型及对应的落地用例、应用场景。这套平台是我们实现AI降本增效、规模化落地的核心工具。银行的科技投入成本有限，无法无节制投入AI研发，必须追求可落地、可复用、可规模化的AI价值。 如果各业务条线、各部门独立推进AI建设，缺乏统筹管理，就会出现重复投入、资源浪费、成果无法复用的问题。而统一AI平台的搭建，能够实现全行AI成果共享复用。某一部门落地的优质AI方案，可为其他部门、其他业务流程提供参考，快速适配复用，大幅降低研发和落地成本。 分享一个实操案例：我行内审部（第三道防线）依托平台语音识别功能，搭建了内审核查AI方案，将销售全程录像转化为文字文本，结合规则部署与小型语言模型分析，自动识别销售过程中的违规行为。该方案上架统一AI平台后，被前端业务部门（第一道防线）复用。原本人工质检仅能覆盖10%的销售场景，依托这套AI方案可实现100%全覆盖质检。同时，团队通过微调规则，将该模型进一步复用至获客、销售渠道场景，有效提升了获客效率与销售转化效果，这就是统一工具平台带来的规模化价值。 第四是员工赋能。对于外资银行、中小银行而言，专项推进AI转型的团队、人力资源十分有限，但全行各业务条线的智能化需求旺盛。如何在不新增大量人力、不扩增预算的前提下，破解资源瓶颈、高效推进转型？我们的核心思路是全员赋能、激活全员生产力。 为此，我们搭建了企业级AI自助平台，自研DBS GPT，面向全体员工开放自助使用权限。员工可自主调试提示词、优化工作流、搭建轻量化智能体，真正上手体验、落地AI应用。目前这类企业级AI平台在多数金融机构已较为普及，但核心价值不在于工具本身，而在于让全员从“被动接受AI”变为“主动使用AI”，深度感知AI的价值。 此前我和一位员工交流，问及AI转型带来的改变，员工反馈“终于可以实现更多工作自动化了”。其实很多员工都存在认知误区：将AI等同于自动化。我也和大家同步我们的核心认知：自动化解决的是“手的问题”，替代重复机械的体力操作；而AI、人工智能解决的是“脑的问题”，既能解放双手，更能释放脑力，赋能员工做更高价值的工作。而这种认知的转变，只有员工亲自上手实操、体验，才能真正理解AI与传统自动化的本质区别。 以上就是我们在数字化、AI转型中的四大核心落地维度。 Part.2 未来银行核心竞争力探讨 接下来探讨第二个核心问题：在银行规模化落地数字化、智能化转型后，我们的核心竞争力究竟是什么？对此，我们行内也做了大量探索与复盘。 第一，核心竞争力的根基仍是客户与客户关系。各类智能体、AI转型手段，能够帮助银行降本增效、拓宽获客渠道、创新金融产品、优化服务流程，但银行最核心、不可替代的资产，始终是客户与长期沉淀的客户关系。 当下行业的变革趋势极具颠覆性：银行在搭建自有业务智能体、推进智能化服务，与此同时，我们的企业客户、个人客户也在搭建自身的AI智能体。客户可通过智能体自动比对各家银行的产品优势、服务条款、市场口碑，抓取社交媒体、公开平台的用户评价，全方位、透明化评估银行服务质量。 AI技术让银行与客户的信息差彻底抹平，双方的合作关系变得更加对等、透明。产品、价格、效率、口碑都可被量化、被比对，唯一无法被AI替代、量化的，就是长期沉淀的信任与客户关系。因此，我们目前的核心动作之一，就是通过AI替代客户经理的重复性手工工作，释放客户经理的时间与精力，让团队聚焦客户维护、深度服务，筑牢核心客群壁垒。 第二，核心竞争力的内核是知识工程建设。我们曾落地销售人员智能赋能智能体项目，为了实现基于客户画像的精准产品推荐，我们深度访谈了全行顶尖销售、基层一线员工，搭建了专属的业务知识工程与知识库。 以往银行搭建知识库，大多只是简单录入操作流程、产品手册等标准化文本，但真正支撑一线业务的核心，是资深员工的实操经验、专业判断、业务技巧，这些内容不会出现在制度手册、产品文档中，却是一线业务的核心竞争力。我们通过一对一访谈、经验萃取、场景复盘，将这些隐性经验转化为标准化、可传承的知识库内容。 这套知识工程落地后，解决了行业普遍的人才痛点：以往顶尖销售流失，不仅会带走核心客户资源，更会带走独家业务经验，造成团队能力断层。而标准化知识工程搭建完成后，有效规避了经验流失的问题。需要说明的是，知识工程无法拔高团队业绩上限，无法完全替代顶尖销售的个人优势与核心能力，但能牢牢夯实团队能力下限。新员工入职、业务场景迭代、客户结构调整后，依托标准化知识库，新人可快速上手，全员业务能力、服务标准可实现统一对齐，从根本上规避团队能力断层问题，这也是我们当下重点深耕的核心能力。 Part.3 数字化转型困境与探索 最后，和大家分享我们在转型中面临的挑战、困境以及探索思路。 第一是监管与合规约束。这是所有金融机构的共性难题，从数据安全、数据合规到AI安全、AI合规，始终是行业监管的核心重点，也是银行智能化转型必须坚守的底线。AI合规治理绝非单一部门能够完成，需要全行各条线、各团队协同推进。对此，我们搭建了全覆盖的负责任数据治理、负责任AI治理框架，明确一道、二道、三道防线的岗位职责、管控标准与落地要求，通过跨部门协同，全方位把控AI落地合规风险，保障智能化转型合规有序。 第二是AI业务韧性建设。以往我们谈及金融业务韧性，主要聚焦系统、技术、流程的稳定性，但AI规模化落地后，AI韧性成为我们重点思考的全新课题。AI深度嵌入业务流程后，大量人工操作被替代、传统流程被重构。一旦因技术故障、第三方接口问题、系统波动等各类因素，导致AI能力、AI应用场景临时中断，如何快速兜底、恢复原有业务流程，保障业务不中断、服务不缺位，是成本可控前提下的核心难题。 针对这一问题，我们目前的探索方向是培育复合型人才、留存传统业务能力。AI落地后，对于被释放的传统岗位人力，我们不做人员精简，而是通过调岗、培训，将其转化为复合型人才，承接更高价值的对客服务、复杂业务工作，同时完整保留其原有传统业务操作技能。一旦出现AI服务中断、系统故障等突发情况，可快速调配人员回归原有岗位，启用传统人工流程兜底，最大限度保障业务连续性与整体韧性。 目前这套模式仍处于探索试跑阶段，常规的业务连续性测试无法完全模拟极端突发场景，实际落地效果仍需实战验证。