课程背景BACKGROUND

人工智能正以前所未有的力量重塑银行业格局，从风控、营销到运营、服务，AI已成为银行决胜未来的核心引擎。然而，多数银行在AI落地应用中陷入“技术概念火热、业务价值模糊”、“试点项目易做、规模推广困难”、“模型精度尚可、生产部署滞后”的“最后一公里”困境。政策层面，“人工智能+”已上升为国家战略；技术层面，大模型与智能体技术飞速迭代；竞争层面，AI能力正迅速分化“全能银行”与“小白银行”。如何跨越从“拥有AI”到“用好AI”的鸿沟，将技术势能转化为业务动能，成为银行当下最紧迫的命题。本课程直面AI落地“最后一公里”的挑战，为银行提供从认知到实践、从规划到实施的全链路解决方案。

《人工智能在银行的最后一公里——AI赋能与落地实战》是一门面向银行中高层管理者、科技与业务骨干的实战课程。课程围绕“认知-特色-实践-洞察”四大模块，深入剖析AI核心概念、全球格局、国家战略、银行应用场景、落地工艺流程、组织变革以及未来趋势。课程拒绝“技术空谈”，聚焦“业务价值”，融合政策解读、案例解析、工具模板与互动研讨，提供从AI战略规划、模型选型、智能体构建、组织适配到文化塑造的全方位指南。旨在帮助银行将AI从“概念”转化为“生产力”，真正跑通AI赋能业务的“最后一公里”。

课程安排ARRANGEMENT

课程时长

2天，6小时/天（可根据银行具体需求，精炼为1天精华版或扩展为3天深度工作坊）

适用对象

总行金融科技部、数据管理部、各业务部门（零售、对公、风控、运营等）负责人及骨干；分行中高层管理人员、业务骨干

授课方式

讲师面授、案例研讨、实战演练、工具工作坊、互动问答

课程收益BENEFITS

构建符合本行战略的AI实施路线图与治理框架，明确投资方向与优先级

掌握AI项目落地全流程关键技术与管理要点，降低试错成本，提升项目成功率

推动业务与技术深度融合，打造一批AI赋能的标杆业务场景，提升运营效率与客户体验

培育既懂AI又懂银行的复合型人才队伍，形成与AI相适应的组织能力与文化氛围

系统掌握人工智能的核心概念、技术原理与发展趋势，建立完整的AI知识体系

获得一套涵盖AI战略规划、模型选型、智能体构建、风险管理的实用工具与模板

提升识别AI业务场景、设计解决方案并推动落地实施的实际操作能力

增强在银行数字化转型中引领AI变革的话语权与领导力

课程大纲OUTLINE

导语：坐地日行八万里，巡天遥看一千河
互动导入：无处不在的AI（列举生活和工作中的AI应用案例）
一、AI的10个核心概念
——AGI、机器学习、深度学习、自然语言处理、大语言模型、智能体、算法偏见、提示词工程、多模态、具身智能
互动导入：你写的最满意的提示词；如果你拥有一台具身机器人，你想让他做什么？
二、AI的基本原理：一个核心、两个基础、一个过程
1. 两个基础：数据（燃料）、算力（厨房）
2. 一个核心：算法：AI的“菜谱”
3. 一个过程：模型训练——AI的“学习过程”
1）学习（训练）：基于已有数据（训练集）调整参数
2）验证：用另一部分数据（验证集）评估模型表现，防止过拟合
3）测试：用未见过数据（测试集）最终评估模型效果
4）部署与应用：将训练好的模型嵌入业务系统，处理真实世界任务
——提示词（Prompt）与推理（Inference）
三、AI的十大关系
1. AI与数字化转型
2. AI与金融科技
3. AI与自动化
4. 大模型与小模型
5. AI与人
6. 通用大模型与垂类大模型
7. AI投入与商业价值
8. AI模型“大”与“小”
9. AI技术成熟度与业务场景风险容忍度
10. AI开放合作与安全可控
互动导入：请你选出最重要的3组关系，并说明为什么重要
工具：《AI核心概念速查手册》（一页纸PDF）

导语：三十年河东，三十年河西
一、AI成长路径：三起两落，迈向新纪元
1. 起步期（1950s-1970s）
第一次低谷：算力与数据瓶颈，预期破灭
2. 复兴期（1980s-1990s）
第二次低谷：专家系统维护成本高，难以扩展
3. 爆发期（2006年-至今）
新纪元（2023年-）：大语言模型引发生成式AI革命，AI从“感知理解”走向“生成创造”，AGI曙光初现
二、AI的发展格局
1. 国际格局
1）AI公司的竞争格局：领导者、巨头玩家、垂直领域与芯片巨头
2）AI产品的竞争格局
a“操作系统”级模型竞争
b模型即服务（MaaS）竞争
c AI原生应用竞争
2. 国内格局
1）AI公司的竞争格局
a“大厂”领跑（名单及特点）
b“AI独角兽”深耕（名单及特点）
c垂直领域与服务商（名单及特点）
2）AI产品的竞争格局
a通用大模型“百模大战”
b行业大模型“深耕细作”
c应用层创新加速
工具：《国内外AI生态核心玩家地图》（信息图）

导语：多少事，从来急；天地转，光阴迫。一万年太久，只争朝夕
一、国家层面关于AI的整体规划
1. 机构设置
——顶层协调机制、主管与推进机构、“国家队”
2. 政策文件
1）2024年政府工作报告
2）《新一代人工智能发展规划》（2017）
3）《关于支持建设新一代人工智能示范应用场景的通知》（2022）
4）《生成式人工智能服务管理暂行办法》（2023）
5）《关于深入实施“人工智能+”行动的意见》（2025）
3. 对银行的影响分析
小组讨论：请列出国家AI相关的政策对银行将产生的影响
1）战略导向明确
2）创新与合规并重
3）技术自主可控
4）赋能实体经济
5）参与标准制定
二、AI与地缘政治
1. AI与地缘政治的相互影响情况
1）技术制高点争夺
2）供应链安全化
3）数字规则分化
2. 对银行的影响分析
小组讨论：请列出地缘政治对银行应用AI将产生的影响
1）技术选型风险
2）跨境业务合规成本激增
3）地缘政治风险传导至金融风险
工具：《AI政策与银行应对自检表》（Checklist）

导语：问渠那得清如许？为有源头活水来
一、AI对银行的价值
1. 提高效率
2. 增加产能
3. 改善体验
4. 降低风险
5. 降低成本
二、银行是AI的沃土
1. 业务链条长、环节多、规则严谨
2. 大量重复、繁琐、依赖人力判断
3. 数据密度高
4. 准确度要求高
三、AI对银行的影响
互动导入：个人发言-“您认为AI对银行最大的影响是？”
1. 对客户的影响
1）用户对银行的服务诉求会发生变化
2）预期实时智能响应
3）预期主动式服务
4）数据主权与隐私交换价值
2. 对产品的影响
1）产品研发过程被重新定义
2）产品形态将发生变化
3）产品与用户的交互方式将改变
3. 对流程的影响
1）业务流程将被重新解构
2）流程将嵌入AI元素
4. 对渠道的影响
1）客户触达和服务渠道面临革新
2）渠道边界消失
3）渠道功能重构
4）渠道即服务
5. 对竞争的影响
1）产生新的弯道超车窗口期
2）算法效率成为新竞争壁垒
3）竞争焦点从“产品”转向“智能体体验”
4）“小白”银行与“全能”银行的分化
6. 对监管的影响
1）穿透式监管
2）综合监管
3）实时监管
四、银行AI发展状况
1. 银行AI投入情况
——战略重视程度、费用投入情况、人力投入情况
2. 银行AI能力建设情况
1）能力成长类型：外包依赖型、共创成长型、自主研发型
2）核心能力：模型调优、智能体平台研发、智能体构建、智能体迭代运营
3. 监管要求及能力评价模型
1）Gartner的AI成熟度模型
2）中国银保监会AI监管指南
4. AI服务商生态图谱
个人问答：你所在的部门，接触过哪些与AI有关的服务商，他们做什么的？给银行解决什么问题？
1）AI大模型服务商生态
2）Agent服务商生态
3）AI小模型服务商生态
4）AI算力服务商生态
工具：《AI对银行影响评估矩阵》（框架图）

导语：纸上得来终觉浅，绝知此事要躬行
一、AI在银行落地的阶段划分
1. AI应用的两种部署模式
1）公共平台：特点、限制
2）本地部署：隔离、安全、制约
2. 银行应用AI的四个阶段
——通用型→智能体→业务系统嵌入→大模型调优
3. AI落地的四个层次
1）数据层：基础、数据标准、数据标注、数据共享
2）系统层：承载、基础层、模型层、应用层
3）业务层：应用、产品新形态、服务新模式、利润新来源
4）组织层：生产关系、新部门、新岗位、新协同
4. 银行AI部署/应用情况
1）完成本地化部署的银行清单
2）银行部署的大模型的分类及特点
3）智能体平台的构建情况
4）智能体建设情况
二、AI在银行落地的条件准备
1. 算力引入
小组讨论：如果行里只给500万预算启动AI，你会优先选择哪个部署模式？为什么？
1）算力部署模式：本地化模式、公有云算力、混合云模式
2）算力部署方案选择：监管要求、财务预算、科技基础、必要性
3）本地化和云算力优劣比较：合规性、灵活性、节约性
2. 大模型矩阵
1）银行可选择的大模型分类及特征
2）大模型尺寸和参数规模
3）大模型调优
3. 智能体平台
1）智能体平台的组成构件及工作原理
2）单平台和多平台模式选择及优劣势分析
3）多智能体平台的联动与协同
4. 知识库
1）知识库的定位及工作原理
2）知识库的分类及应用
3）知识库的构建
4）当前知识库面临的挑战
5. AI中台
1）AI中台的构成单元：大模型、小模型、工具
2）AI中台的工作原理及协同机制
3）行业AI中台的探索案例：招商银行AI中台解析
三、AI在银行落地的工艺流程
1. 准备阶段
目标：评估需求、组建资源，确保项目可行性。避免盲目投入，聚焦银行痛点如效率低、风险高
1）关键步骤：需求调研、团队组建、算力准备、数据治理、合规审查
2）实施主体：AI牵头部门、IT部门、业务部门
3）风险及应对：数据质量差、超预算
4）交付物：项目需求报告、团队组织图、算力采购合同
2. 模型与平台选择阶段
目标：选型大模型和智能体平台，确保技术匹配银行场景；优先国产模型
2）关键步骤：大模型选择与接入、智能体平台选择与接入、联调测试
3）实施主体：AI牵头部门、IT部门
4）风险及应对：模型黑箱（应对：解释性AI工具如SHAP）、兼容性差（应对：沙箱测试环境）
5）交付物：选型报告、接入API文档、PoC demo代码
3. 智能体构建阶段
目标：基于选型，开发自定义智能体
1）关键步骤：需求分解、智能体构建、训练与迭代、测试
2）实施主体：AI牵头部门、业务部门
3）风险及应对：过拟合（应对：交叉验证）；安全漏洞（应对：渗透测试）
4）交付物：智能体代码仓库（Git）、测试报告、Agent架构图（UML图）
4. AI中台搭建与集成阶段
目标：构建AI中台作为共享基础设施，支持全行复用
1）关键步骤：中台设计、搭建实施、权限管理、扩展性测试
2）实施主体：AI牵头部门、IT部门、业务部门
3）风险及应对：集成失败（应对：API gateway如Kong）；scalability不足（应对：弹性扩容）
4）交付物：中台部署手册、架构蓝图、集成测试日志
5. 上线运营与优化阶段
目标：正式上线，持续监控，实现闭环优化。确保AI项目融入银行日常运营
1）关键步骤：上线部署、运营管理、绩效评估、扩展复制、持续优化
2）实施主体：AI牵头部门、IT部门、业务部门
3）风险及应对：采用率低（应对：激励机制，如KPI绑定）；模型漂移（应对：定期retrain）
4）交付物：上线报告、运营报告
6. AI项目与传统科技项目的区别
1）费用投入点不同
2）研发环境不同
3）实施路径不同
四、行业案例解析
1）工商银行：AI中台建设逻辑及实施路径
2）恒丰银行：AI专业团队落地实践
3）北京银行：1213 AI技术架构
互动导入：个人互动-请根据以上知识点，对同业案例进行点评
工具：《大模型选型对比Checklist》、《银行AI项目可行性快速评估清单》、《AI智能体需求说明书（模板）》

导语：上下同欲者胜
一、设置与AI相适应的专业机构
1. 基本原则：专业化、敏捷化、生态化
2. 企业级领导小组：一把手行长+分管行长+领域首席或总监
案例：北京银行-金融科技管理委员会；恒丰银行-AI领导小组
3. 部门设置
1）专属部门模式
2）二级部门模式
3）联合团队模式
案例：工商银行、招商银行、北京银行
4. 协作单元
——数据工程组、算力工程组、知识工程组、模型工程组、应用工程组、组织工程组
二、打造与AI相适应的岗位能力
1. 新岗位设置
个人互动：请你说出3个因为AI的出现可能新增的新岗位，名称、职责、能力要求
1）AI标注员：业务理解力、工具熟练度、合规意识
2）AI培训师：教学能力、技术敏锐度、跨部门协作
3）AI模型工程师：技术深度、业务融合力、工程能力
4）语料架构师：知识管理、技术工具、合规风控
5）AI业务分析师：数据分析、业务洞察、沟通能力
6）AI合规官：法规知识、风险评估、审计能力
2. 能力矩阵
1）组织能力矩阵：数据治理能力、技术实现能力、业务应用能力、组织推动能力
2）个人能力矩阵：技术素养、业务融合、伦理合规、创新协同
三、形成与AI相适应的制度体系
1. 数据治理与安全制度类
2. 模型治理与风险管理制度类
3. 算力与基础设施规范类
4. 业务与操作规范类
5. 组织与人才管理制度类
6. 监管与合规报告制度类
7. 应急预案与持续改进制度类
四、构建与AI相适应的评价体系
1. 价值效益评价
2. 能力成熟度评价
3. 安全合规评价
4. 创新与进化评价
5. 平衡计分卡综合视角
——将以上维度纳入平衡计分卡体系，形成综合评分，避免单一指标导向
工具：《AI组织架构设置建议》、《AI岗位说明书模板》

导语：AI要钻进具体场景，解决真实痛点。百花齐放，春满园
一、AI赋能场景
1. AI赋能风控场景
价值：从“事后防御”到“实时预警”
1）建成企业级一体化智能风控中枢
2）风险交易实现毫秒级识别与拦截
3）风控模式完成从"规则驱动"到"规则+模型双驱动"的演进

人工智能在银行的最后一公里：AI赋能与落地实战

课程背景BACKGROUND

课程安排ARRANGEMENT

课程收益BENEFITS

课程大纲OUTLINE

预约江浔楷老师讲授《人工智能在银行的最后一公里：AI赋能与落地实战》

江浔楷老师其他主讲课程