文/广发银行研发中心副总经理 王立

  近年来，随着人工智能技术的快速发展，大模型技术在金融领域的应用日益广泛，为商业银行的数字化转型提供了重要机遇，信用卡作为消费金融市场的重要一环，也迎来了新的机遇和挑战。广发银行积极探索技术创新及场景应用，以大模型技术驱动信用卡业务变革，打造“四层一芯三域”大模型智能服务矩阵，赋能信用卡全生命周期服务，有效提升信用卡业务服务质效，优化客户体验，为驱动信用卡高质量发展提供强有力的科技支撑。

  一、信用卡业务数字化转型的挑战与机遇

  2025年，中国信用卡市场正经历着深刻的变革，面对新的市场环境和消费者需求变化，信用卡业务发展挑战与机遇并存。

  一方面，信用卡进入增速减缓的存量经营时代。我国信用卡发卡量增速较历史水平有所减缓，中国人民银行公布的《2024年支付体系运行总体情况》显示，截至2024年末，信用卡和借贷合一卡7.27亿张，同比下降5.14%。数据表明，信用卡业务进入存量经营时代，从高速增长及发展规模化转变为产品差异化及管理精细化，但与此同时，国家提振消费的政策也为信用卡带来新增长点及发展空间。

  另一方面，信用卡业务急需通过数字化转型等策略重塑业务形态。今年3月，中国人民银行2025年科技工作会议指出，要加快金融数字化智能化转型，安全稳妥有序推进人工智能大模型等在金融领域应用。大模型技术，尤其是基于深度学习的预训练语言模型，因其强大的数据处理能力和丰富的知识表示，为信用卡业务带来了前所未有的变革机遇，可助力打造场景感知、人机协同的智能服务新模式，切实为人民群众提供高质量的金融服务。

  二、广发银行大模型驱动信用卡业务发展实践

  大模型以其海量多模态数据处理、复杂任务处理、决策智能化、交互个性化等特征，在金融领域得到深入应用，正在逐步重塑金融服务形态。在政策引导与技术创新的双重驱动下，广发银行积极探索大模型在信用卡领域的技术研究及场景落地，将大模型技术与业务深度融合，建立起可持续发展的“四层一芯三域”大模型智能服务矩阵(如图1所示)，赋能信用卡服务的全生命周期，有效提升业务服务质效、降低服务成本、优化客户体验，助力信用卡业务把握消费市场机遇，为客户提供更优质、高效、可靠的个性化金融服务，保障信用卡业务在风险管理体系下的稳健性及可持续性增长。

图1 “四层一芯三域”大模型智能服务矩阵

  一是打造“四层一芯三域”大模型智能服务矩阵，实现大模型服务技术创新与业务价值的有机循环。“四层一芯三域”大模型智能服务矩阵，是以大模型技术“价值创造”为目标的企业级大模型产品建设框架，通过构建“数据—算法—场景—渠道”四层能力架构，围绕企业级大模型智能知识库智慧知识芯，实现赋能信用卡业务事前、事中、事后三个业务生态领域。“四层一芯三域”大模型智能服务矩阵围绕突破企业私有化大模型场景建设的知识本地化、模型性能、模型训练及资源调度等技术瓶颈，以业务服务自动化、业务决策人机协同化、业务质量管理多样化为价值目标，为大模型在信用卡领域的应用提供了基本保障及可复制框架，实现技术创新与业务价值的有机循环。

  二是推动大模型在信用卡垂直领域场景落地，围绕大模型价值应用提升全生命周期服务效能。广发银行主要围绕事前、事中、事后三个领域的信用卡业务服务流程，推动大模型在垂直领域场景的落地，实现大模型智能语音陪练、大模型话务服务前情提要、营销种草文案生成、文本客服机器人语义增强、智能外呼机器人拟人人声克隆、智能知识库知识搜索及问答、智能座席辅助实时通话摘要及复杂账务咨询、智能客户原声洞察及服务质检等场景应用，并服务于音视频、在线及App等渠道。在应用服务成效上，2024年，大模型话务服务前情提要月均服务客户18万余人次;文本客服机器人在发现精彩App渠道日均服务会话超4万余次;智能知识库知识搜索及问答帮助客服座席降低知识查询时通话静音时间12秒/人次;智能座席辅助月均服务客服座席量超100万人次，通过工具提效平均节省通话时长10秒/人次。大模型应用场景的落地，为提升信用卡业务服务效率、提升客户服务体验、降低服务风险提供了有效的智能化工具。

  三是夯实大模型私有化技术服务架构，为业务场景创新提供可持续的能力支撑。由于大模型对数据、算力成本要求极高，金融行业在应用大模型进行私有化平台建设及垂直领域场景建设时，面临着公域大模型金融数据专业化不足、算力资源紧张等问题。为此，广发银行通过建立“数据—算法—场景—渠道”四层能力架构，实现私有化大模型平台生态建设。在数据层，实现非结构化知识、结构化知识、指令集知识、第三方数据等知识信息的自动归集、统一管理、联合搜索及应用能力;在算法层，通过检索增强生成(RAG)技术搭建基于大模型的企业级智能知识库解决公域大模型金融垂直领域数据知识稀疏、缺少的问题，并通过多尺寸大模型协同服务个性化场景、教师学生模型蒸馏轻量化训练及计算资源显性规划等技术，解决模型效率提升及计算资源最大化利用问题;在场景层，实现在音视频、在线、App等渠道工程化集成大模型服务能力，助力大模型功能输出及业务流程优化。

  四是构建大模型企业级知识库平台，保障企业知识“放得进、管得了、找得准、看得清、用得着”。知识是大模型本地化应用的重要基石，广发银行智能知识库平台接入大模型能力，保障企业知识资源得以有效整合与利用。“放得进”意味着平台支持多样化知识录入，无论是文档、图片、音视频、程序指令集等，都能轻松导入和同步，实现知识的全面覆盖。“管得了”体现了平台具备强大的知识分类与标签管理能力，通过智能化的分类算法和自定义标签系统，确保知识资源有序存储，便于检索与管理。“找得准”依赖于平台的高效搜索引擎，支持关键词、语义多维度组合搜索，并融合大模型实现RAG技术应用，帮助用户快速定位所需知识。“看得清”则通过直观的知识展示界面和详尽的知识解读，确保用户能够轻松理解与应用知识。“用得着”体现在平台与业务流程的深度融合，通过API、SDK、Web等与业务系统无缝对接，实现知识的即时调用与智能推荐，真正将知识转化为生产力，推动信用卡业务的创新发展。

  三、人工智能在信用卡业务的应用趋势分析

  大模型技术的进一步演进，无疑将极大地提升信用卡业务的服务质量和效率，信用卡业务将展现出更加智能化、个性化和自主化的新特点。人工智能技术在智能客服、智能营销、智能贷后等领域仍有巨大的发展空间。

  一是代理型人工智能(AgenticAI)将重塑客户与银行的交互服务模式，实现更主动、更复杂、更精准的智能机器人交互。在Gartner对2025年的10大战略技术趋势预测中，代理型人工智能排在首位。据Gartner预测，预计到2028年，至少15%的日常工作决策将通过代理型人工智能自主作出，而2024年这一比例尚为0%。代理型人工智能凭借记忆、自适应、主动规划、自主决策能力，以及对复杂目标、复杂环境的感知和适应能力，充分凸显了其在提高生产力、优化资源配置和创新服务模式等方面的巨大潜力。从信用卡领域的应用来看，一方面现有传统的低自主性智能交互机器人将被基于大模型和代理型人工智能的新一代机器人所替代，新一代机器人能够主动地与客户互动，提供更加人性化的服务体验，从而增强客户的安全感和信任度;另一方面代理型机器人具备自主规划和复杂任务处理能力，客服、营销、信用审批、贷后等领域将有更多复杂、柔性的交互服务场景由代理型人工智能实现。

  二是人工智能治理平台重要性日益突出，人工智能安全治理成为大模型时代人工智能应用的基准线。随着人工智能的快速发展和应用，其在金融机构的方方面面都发挥着举足轻重的作用，但相关风险特别是使用生成式大模型技术的风险也随之增加。首先，有效识别人工智能系统可能带来的风险和危害，如幻觉错误引导、数据偏见、隐私泄露以及其他不良社会影响等，对于强监管的金融服务领域来说是至关重要的问题。其次，在使用人工智能模型过程中，确保模型能够遵照有效的检查、控制、使用追踪、审计决策规范，使人工智能系统始终保持满足治理标准要求，同样是金融机构在应用人工智能技术中需重点关注的问题。建立完善的人工智能治理平台，将充分保障金融机构在应用人工智能技术时的服务安全和客户信任，同时也将保障决策过程的公平性和伦理性，助力金融行业构建一个绿色、健康、安全、高效的人工智能应用生态。

  四、大模型应用的风险挑战与应对策略

  在金融行业中，大模型的应用正逐渐成为研究和实践的热点。然而，这些大型的机器学习模型在金融领域的实际应用过程中，遇到了一些挑战和问题。首先，公域大模型在金融领域的专业知识方面存在不足，这导致它们在处理复杂的金融问题时可能无法提供准确和深入的分析。其次，大模型存在幻觉问题，即大模型认为自己理解了某些概念或数据，而实际上其理解可能是错误的或不完整的。最后，大模型在输出答案时可能会表现出不稳定性，这意味着即使面对相同的问题，它们给出的答案也可能在不同时间或情境下有所差异。

  以上问题不仅影响了大模型在金融领域的应用效果，也对模型的可靠性和实用性提出了挑战。广发银行在应用大模型赋能业务过程中，主要通过构建本地企业级知识库、应用RAG技术、管控关键业务流程安全设计、持续完善模型评价及迭代优化、建立人才队伍机制保障等进行应对。

  一是通过构建企业级知识库以弥补公域大模型在金融专业知识方面的不足，通过引入经专家审核的企业金融数据和编写的金融知识，提高模型对金融问题的理解和分析能力。广发银行已积累专家领域知识篇章26万余篇，建立了多业务领域的语义空间网络。

  二是强化融合企业级知识库、RAG技术及大模型应用，通过RAG技术改善大模型幻觉问题，使其基于专家知识进行归纳及推理，以减少模型杜撰和编造的情况。广发银行基于知识库RAG技术的大模型问答及知识搜索准确率可达93%。

  三是通过管控关键业务流程安全设计，将大模型主要应用于低风险的辅助人工场景，并且其生成结果由人工审核后使用，在模型对客服务及账务咨询等关键流程中，大模型不直接生成答案，而是通过专家规则匹配可信知识库及数据源的方式提供服务，以确保大模型在业务应用中的稳定性和安全性。

  四是持续完善模型评价及迭代优化，建立严格的模型监控机制，通过不断收集和分析模型的应用数据，构建模型性能、业务指标和计算效能的三维评估矩阵，定期组织专家团队对模型进行深度分析和优化，以提高模型的准确性和可靠性。

  五是通过人才队伍机制保障大模型场景落地，采用ITBP科技业务融合机制、AI中心专家团队培养、专业人才授课培训等方案，打造一支具备金融知识和大模型应用能力的复合型人才团队，为大模型应用提供多样化的专业人才支持。