一、银行的核心业务可以分为以下几个主要部分：

存款业务： 吸收公众存款是银行的一个基本功能，包括储蓄存款、定期存款、支票存款等。这也是银行重要的负债来源和资金成本的主要组成部分。

贷款业务： 银行的主要资产来自于发放贷款，包括个人贷款、企业贷款、按揭贷款、信用卡贷款等。这些贷款产生的利息是银行最主要的收入来源之一。

支付和结算服务： 提供客户资金转账、结算、自动扣缴等服务，同时，通过提供各种电子支付服务(如网上银行、移动支付等)来满足消费者的便捷支付需求。

中间业务： 包括代客理财、资产托管、财务顾问、银行卡服务、国内外汇款、结售汇等。这些业务虽然不直接产生贷款利息，但能够带来手续费等佣金收入。

投资业务： 银行会利用自有资金投资于各类金融工具，包括债券、股票、金融衍生品等，以此赚取利差和投资收益。

资金运营和财资管理： 有效管理银行自身的资金流动和资金头寸，确保满足流动性需求的同时，达到资本利用的最优化。

国际业务： 含有外汇交易、跨境贷款、国际结算、信贷融资等全球化服务。

理财产品销售： 设计和销售理财产品，如货币市场产品、固定收益产品、混合型产品等，满足客户增值需求。

信托服务： 为客户提供信托投资、管理服务，通过信托计划帮助客户实现资产的合法遗产规划、财务管理等。

二、典型业务部门的考核指标

结合业务，典型的部门结构和考核指标：

零售业务(个金、财富等)：零售AUM、零售LUM、个人用户数等，考核营收效益。

信用卡部(有些机构)：信用卡资产、用户数、交易额等，考核营收效益。

网金(或数金)：手机银行、小程序等主体MAU、支付数、创新项目等。

小微|普惠：AUM规模、户数等，考核营收效益。

对公：AUM规模、户数等，考核营收效益。

总行科技部：数字化转型+创新。

目前银行的业务指标压力都比较大，诉求主要集中在：

流量：流量的需求是最大的，尤其是对中小行。个人用户、小微商户、对公客户都需要流量，从信用卡、存款、贷款、理财、支付结算、手机银行运营等。同时需要配套的营销和运营支持。

风控：从营销、贷前中后，提供数据支持。

科技：数字化转型、数据、金融科技等，新技术的应用。

三、银行对大模型的需求

1.业务需求

对业务部门来说，一个新技术的引入，需要折算成对应的业务价值。

主要包括：

提高营收：增加用户数、AUM、LUM等，直接带来直接的收益。

降本增效：新技术减少了多少成本(人员成本、时间成本、操作流程成本等)，提升了效率。

客户体验：新技术提升了客户满意度。

风险管理：新技术应用降低了多少风险。

2.技术需求

对技术部门来说，一个新技术的引入，除了业务价值(是否有业务部门驱动)外，还需要考虑技术可行性，包括技术成熟度、供应链上下游、场景案例、国产信创等。

四、银行+大模型的解决方案

短期来看，基于银行业重监管场景，银行业大模型的场景应用更多是从内而外，先服务银行内部场景降本增效，再逐步对外应用场景。

围绕提升用户体验，从智能营销、智能运营、智能风控、智能研发四个方面来展开。这里的用户包含外部客户和内部员工，内部员工的提效加速也带来外部客户体验的提升。

场景大类1：智能营销

针对内部员工的营销场景，包括：

营销物料生成：包括图片、文字、视频等营销物料，释放员工创意。可结合低代码平台。

客户CRM管理：帮助营销人员更准确识别客户画像，匹配个性化营销策略。

智能外呼：针对机器人外呼场景，叠加大模型，更好理解用户的意图和需求，提升营销转化率。

【注】针对直接2C的应用，比如图片、文字、视频、情感陪伴等生成，因为涉及一系列合规监管等因素，最好的方式是通过跨界营销，权益整合等方式合作，拿到数据。

场景大类2：智能运营

针对内部员工的营销场景，包括：

员工小助理：给每个员工配置智能助理，提供日常工作(会议、文档、邮件、报销、福利、查知识、学习培训等)和公司相关的信息咨询。

客服座席助手：给每个客服座席配置智能助手，实时分析客户信息，识别用户意图，提供策略建议。

智能BI分析：给员工提供通过自然语言完成BI数据分析的功能。

智能报告生成：自动生成投研报告、尽调报告、反洗钱报告等。

智能知识库：提供给全部人员的智能知识库，快速检索。

场景大类3：智能风控

针对内部员工的风控场景，包括：

风控模型优化：基于大模型对用户行为数据的解读，提升特征工程的质量，应用于贷前准入反欺诈、贷后风险预警、贷后催收、客户流失预警等。大语言模型在自动特征提取、关联学习、多模态特征融合、实时特征工程等方面有很强的能力，能丰富模型的能力。

信贷流程审批：基于大模型+OCR+RPA等技术实现流程自动化。

场景大类4：智能研发

针对内部员工的研发场景，包括：

智能代码生成：开发代码生成，补全、注释、解读、review等

大模型安全类

五、项目流程

在场景解决方案里面，短期来看，对银行等金融机构，更多的选择是对内服务，因此更多是以私有化部署为主。除非有很多外部的数据|流量等资源导入。再加上目前金融机构高层对大模型的认知还停留在2C的应用场景里，所以整个项目流程会包含咨询部分。

典型的项目流程包括：

银行+大模型的战略咨询(含调研)

方案设计

POC验证(可行性验证)

定制开发测试

部署交付

培训和运营支持

六、面临的挑战

基于大模型自身的特点，结合银行业强监管，银行在采用大模型面临的挑战较大。

包括：

数据隐私和安全：银行持有大量敏感个人和企业信息，怎么合法保证用户的隐私。银行的数据很难出域，因此更多考虑本地化交付

数据质量：银行内部数据量级较少，结构性数据较少。

社会伦理：针对大模型的输出，可能影响决策和算法歧视等。

成本问题：大模型所需的AI服务器70%的成本在GPU，整体成本较高，需要计算ROI。

信创问题：目前GPU被卡脖子缺失，面临较大的国产化信创压力。

大模型固有问题：幻觉、内容不稳定等。短期难以解决，需要监管安全沙箱等。