课程背景BACKGROUND
过去十几年，以互联网、大数据、传统AI算法等为代表的数字技术广泛应用于金融领域，形成了较为丰富的数字金融业态，填补了传统金融服务的空白、提升了传统金融机构的效率。而大模型的出现有望进一步拓展数字金融技术和应用的边界，为更广泛地客户提供更加普惠、更加高效、更加个性化、更加专业优质的金融服务，提升金融体系的效率和普惠程度。
与此同时，大模型自身的风险以及其与金融业务结合所带来的风险也值得关注，虽然当前大模型在金融行业的应用仍在初期，但是大模型技术对包括金融消费者权益保护、“大而不能倒”、顺周期性在内的各种潜在金融风险有可能带来更大的挑战、而如何有效应对则有可能在未来比应用大模型赋能金融业务更为重要。
课程安排ARRANGEMENT
适用对象
地方政府部门、央国企中高层、金融机构从业人员、上市公司董监高、国有投控平台中高层、金融行业从业人员、企业家及优秀企业高管
课程大纲OUTLINE
- 一、落地应用现状
- 1. 主要应用于业务场景简单的非决策类环节：
- ——支付、信贷、保险、财富管理、金融咨讯、内部运营
- 2. 复杂金融投资建议，核心分析决策无法替代人工
- 二、展业流程角度
- 1. 赋能业务各个细分环节：营销运营，分析决策，中后台运营支持
- 2. 7×24小时在线的AI Agent智能客服优化客户交互体验
- 3. co-pilot赋能销售、投资顾问、保险代理人等服务半径
- 案例解析：银行，证券，基金，保险等主要机构的场景案例解析
- 三、业务场景角度
- 1. 支付：提升风险识别和反诈能力
- 2. 信贷：营销获客，客户运营，贷后催收，信息抽取整理
- 案例解析：工行千亿级金融行业大模型；网商银行授信大模型；奇富科技大模型交互
- 3. 财富管理：营销获客，客户运营，产品推介
- 4. 资产管理（投研）领域
- ——提升“搜”、“读”、“算”、“写”、“用”五大环节的效率
- 5. 保险领域：渠道营销、核保理赔、辅助产品研发等非核心决策环节
- 一、应用趋势展望
- 1. 大小模型协同发展
- 2. Co-pilot嵌入更多场景
- 3. AI Agent精简
- 4. 重塑展业模式
- 二、赋能空间展望
- 1. 大模型对财富管理、资产管理的赋能空间或最大
- 2. 对保险、信贷领域亦有一定赋能空间
- 3. 对支付赋能空间或较小
- 4. 需求侧，渠道侧，供给侧三维框架分析
- 5. 营销获客、客户运营、产品推介、投资投研四个环节中可能有更大的应用空间
- 三 产业格局展望
- 1. 需求侧、渠道侧可能将形成新的服务入口和流量分发逻辑
- 2. 竞争格局：供给侧既有“马太效应”、又有“乘数效应”
- 3. 服务范式：向长尾客群的金融服务中产生较大影响
- 4. 产业协作：业务驱动、科技公司与金融机构更多体现为“竞合”关系
- 一、效率方面
- 1. 供需双方减少信息不对称、降低交易成本、促进金融行业生产力变革
- 2. 全面赋能金融行业提升效率
- 3. 需求侧和渠道侧可能产生较大影响
- 4. 供给侧渐进式赋能、未来颠覆效应取决于潜在技术发展边界
- 二、普惠方面
- 1. 交互方式：降低用户门槛和使用成本
- 2. 客群触达：定制化，个性化金融产品
- 3. 定价效率：提升可得性和质量优异
- 三、安全方面
- 1. 可能引发更多金融风险，对金融系统安全带来挑战
- 2. 加剧顺周期特征、放大相关风险
- 3. 推动金融行业竞争分化
- ——头部大型机构更加“大而不能倒”、中小机构加速出清并产生风险
- 4. 新型金融风险
- ——新型“大而不能倒”风险、潜在利益冲突、新型风险传导路径
- 5. 海外监管动态
- 1）美国SEC正在制定的监管法案
- 2）欧盟已形成了针对人工智能的监管法案
- 3）英国已设立监管要求
- 6. 政策分析
- 加强行业各方协作、探索分级分类监管制度、鼓励发展风控技术及完善内部风险管理制
