文/华夏银行信用卡中心

  生成式大模型技术在金融行业的应用展示了其强大的潜力。本文旨在全面综述生成式大模型技术在银行业及信用卡业务领域的应用现状、面临的挑战以及未来发展趋势，并提出相应的应对策略和政策建议，以促进其在金融行业的健康和规范发展。

  一、生成式大模型技术发展及应用现状

  近年来，生成式人工智能(AIGC)作为人工智能领域的一个重要分支得到了快速发展。这类模型以美国OpenAI公司的GPT系列为典型，展示了在处理和生成大量文本、图像和声音等非结构化数据的显著能力。基于大规模数据预训练学习通用模式，这类模型具备跨场景生成能力。以DeepSeek为代表的国产大模型，通过低成本开源特性和自主可控适配能力，降低了技术应用门槛。

  金融行业特别是银行信用卡业务领域，作为信息化发展较为充分和信息数据密度高的行业，具备先天的数字化优势，是大模型技术的理想落地领域之一。且金融行业广泛开展了数字化转型工作，对于前沿数字技术的应用一直保持着积极的践行态度，已在人工智能领域积累了大量场景和实践经验，对于大模型相关技术表现出高度关注。目前，数智化成为金融行业转型进程中的主要方向，可以预见，大模型技术的兴起将为金融行业新一轮的数字化变革产生促进作用。

  但因为AIGC技术及其应用正处于早期发展阶段，使用门槛降低、社会注意力集中和资本的大量涌入，给金融行业带来了诸多的挑战。

  二、生成式大模型技术在银行信用卡业务中的典型应用

  在银行信用卡业务中，使用人工智能技术助力业务发展已经有了很多典型应用场景，如信用卡业务流程中欺诈侦测处理、业务流程操作质量检测、智能客服相关应用等。AIGC技术出现后，在处理更广泛和更复杂的数据集方面展现了更高的效率和准确性，因此，银行不断挖掘其在促进金融服务创新、改善和加强风险合规、增强客户体验、优化内部流程等方面的应用潜力。

  1.智能营销

  基于更有效的文字理解和信息生成能力，大模型技术可帮助银行在智能营销中与目标客户进行更精准且实时的互动，增强营销活动的针对性和时效性，最终实现吸引新客户并维持好老客户的效果。例如，利用AIGC技术一次性生成文字策划案、宣传语、海报和品宣脚本等各种营销素材，高效响应营销诉求;通过与客户的多次对话和接入客户大数据系统，可以快速生成客户交互标签，为银行提供更精准有效的客户洞察和分析工具，为客户推荐更加适合的金融产品和服务。

  2.风险合规

  AIGC技术在银行风险管理和合规监控领域中扮演至关重要的角色，不仅可提升风险识别和应对的效率，而且会增强银行对复杂金融环境的洞察力。

  在风险管理方面，AIGC技术可以通过深入分析借款人的信用记录、财务状况和历史交易数据，辅助业务人员更全面、更精确地进行信用风险评估;同时可监控和预防操作风险，如欺诈行为、内部失误和技术故障等方面，通过持续监控交易模式和内部流程，能够及时发现异常行为活动，降低银行的操作风险。

  在合规监控方面，AIGC技术通过代理模式的应用可自动监控金融交易，从而确保所有交易符合适用的法律和监管要求，并能自动生成合规报告，减少人工审核负担;在反洗钱和反恐融资领域，可分析交易模式和客户行为，帮助银行提升识别可疑金融活动的能力。

  3.智能客服

  AIGC技术另一个重要的应用场景便是在智能客服领域。通过客服电话为客户提供服务是目前信用卡业务最主要的线上触客渠道，这为大模型应用提供了丰富的非结构化数据。银行利用AIGC技术理解复杂的语言表达、分析多重意图、进行情感分析和执行逻辑推理的强大能力，打造信用卡智能客服系统，必定会极大地提升客服体系的效能。

  一方面，通过内嵌金融知识库，大模型能够快速学习和更新相关的专业知识，从而在提供服务时更加精准和高效;另一方面，在客户服务的多轮对话中贯穿理解客户复杂的需求，同时利用复杂的逻辑推理可为客户提供深入的信息分析和建议。例如，在信用卡产品咨询中，智能客服能够根据用户的使用偏好，为客户推荐适合的信用卡产品;当客户在使用信用卡产品和服务过程中出现焦虑或不满情绪时，智能客服能够通过情感分析技术精准感知客户的情绪状态，并迅速采取适当的措施进行安抚或提供解决方案，这种情感互动方式能够提升客户体验，提高客户的满意度和忠诚度。

  4.数字员工

  AIGC技术还可以被应用于创建专家级数字员工，提高运营效率。数字员工通过综合大量数据和金融知识，为流程管理和运营提供支持。例如，数字员工能够处理复杂的数据，提供结构化的知识输出，实现公文处理、门户搜索、培训模拟和金融业务推广等多种功能，从而简化知识获取和决策过程。此外，大语言推理模型的出现，使数字员工在数据报表智能生成、科技人员编码辅助等场景的应用深度进一步增加。

  三、面临的挑战与应对策略

  AIGC技术在银行业的应用虽然会为服务创新和运营效率带来显著提升，然而，银行的操作和决策过程往往涉及重大的经济利益和较多敏感信息，因此，AIGC技术应用会带来了一系列法律风险和伦理挑战。金融领域的特殊性要求银行在使用AIGC时必须充分考虑和有效应对这些风险和挑战，确保技术应用不仅符合法律规定和监管要求，而且遵循伦理原则。

  1.数据隐私和安全

  在金融领域应用AIGC技术时，数据隐私和安全是最重要的考虑因素之一。银行在处理大量敏感客户数据过程中，可能会引发虚假信息、隐私泄露等一系列潜在的风险，因此做好数据保护对于维护客户信任、符合法律法规以及监管要求至关重要。

  银行迫切需要在符合《中华人民共和国数据安全法》规定的基础上，采取综合方式加大对大模型技术的监管和对客户隐私的保护力度。一是加强数据隐私保护。银行在使用AIGC技术时应严格遵守关于数据保护和隐私保护的法律规定，明确数据的收集和使用目的，坚持“最小必要”原则收集和使用数据。为客户服务时需要充分保障客户的知情权和选择权，特别是在处理敏感金融数据时，要确保数据处理活动的合法性。二是强化技术的安全性能。银行在运用大模型等技术进行应用系统服务时，应充分利用数据加密、权限控制、隐私计算等安全防护技术，防止未经授权的访问、数据泄露或滥用等现象发生。

  2.法律责任和合规性

  目前，大模型技术运用过程中可能出现幻觉问题，即生成不准确或误导性的信息。在金融领域，这一问题尤为危险，因为其产生的误导性的金融建议或分析可能对银行运营造成严重后果。

  这种“机器幻觉”现象是生成式大模型根据文字序列分析生成内容的技术原理所致。由于AIGC技术并不能真正理解知识，而是通过概率生成文字间的关系，因此在面对未经训练的专业知识点时，可能生成不可靠的内容。例如，若AIGC技术基于泛化能力生成的产品推荐或智能客服回复不准确不可靠，可能会误导客户进行不利的交易而造成经济损失，进而引发客户诉讼，指控银行提供的建议不符合实际情况，这不仅会导致客户利益受损，同时也会对银行造成不利影响。因此，银行在应用AIGC技术时需评估法律风险，确保提供的建议和分析符合法律规定和行业规范。

  3.伦理问题

  AIGC技术的原理之一是通过大规模的数据预训练方式获得通用性的能力，因为数据来源泛化且跨模态，这种对外部世界的“映射”，同样可能会包含人类社会中的歧视观念，金融应用可能会在原始训练过程中引入非公平内容并作出相应的歧视性决策，边缘和弱势群体可能因此在金融活动中长期处于不利地位，这是因为缺乏解释性特征的大模型中存在数据非显著差异，很难被监管机构察觉并责令金融机构进行及时整改，且差异会在信息传播和加工过程中被放大。缺乏透明性和可解释性可能使得大模型应用的风险被放大，甚至演变为系统性风险。因此，银行在应用生成式大模型时需要充分考虑伦理问题，确保其不仅技术先进，而且符合道德和社会责任标准。

  四、华夏银行信用卡中心大模型技术实践探索

  华夏银行信用卡中心以“聚焦数智化转型，全面提升数智化经营能力实现信用卡价值创造”作为人工智能应用探索的整体思路，围绕“安全可控、场景深耕、业务赋能”三大目标，持续探索信用卡业务新技术数智化应用跃迁路径。在大模型技术的具体实践方面，华夏银行信用卡中心从私域大模型场景智能体搭建、垂直小模型能力结合、公域工具链能力建设三个维度同步推进。

  私域大模型方面，依托总行企业级大模型智能中枢构建信用卡大模型多场景应用智能体。目前，基于华夏银行总行搭建的包含DeepSeek在内的多个国产大模型智能中枢平台，华夏银行信用卡中心在员工智能工作助手、智能客服知识库、消保合规智能质检、智能数据分析与策略生成等多个垂类场景搭建业务应用智能体，进行实际的业务应用赋能探索。

  在垂直小模型能力结合方面，聚焦声纹识别、知识图谱等特定领域的小模型能力，深入开展人工智能底层技术研发，积极探索其多模态应用能力拓展，发挥人工智能业务价值创造过程中的整体效应。

  在基于互联网公网大模型工具的能力建设方面，在确保数据安全的前提下，通过提示词优化、工具使用培训等措施帮助业务人员更好地使用工具进行图文生成、短视频生成、虚拟形象设计等营销方案创作，提高内容生产效率，降低营销成本。

  五、未来发展与应用思考

  生成式大模型技术的快速发展已经在各行各业都显示出了其颠覆式创新的可能性，在可预期的未来，生成式大模型技术发展可能会聚焦于以下几个关键方向：多模态融合和优化、智能体生态构建、端侧大模型应用场景建设、算法透明度和可解释性提升、数据安全和隐私保护等。

  银行信用卡业务及其他业务条线可在如下两方面强化能力建设，做好安全和发展之间的平衡。一是加强数据管理和合规性建设，建立强大的数据管理框架，确保数据收集和处理的合规性。二是强化技术能力建设路径，除重视人工智能技术应用外，需要更加谨慎地处理和运用数据。通过开源模型微调后机构内部部署和私有化模型部署两种方式建立金融机构私有化部署体系成为一种必然，在场景的选择上应遵循“由内向外、谨慎面客”的策略，并且可通过检索增强生成(RAG)和微调技术降低模型的幻觉率。此外，虽然DeepSeek等开源大模型的推出降低了开源模型私有化的门槛，但模型训练和多场景建设的并发需求仍然使中小金融机构面临着不小的成本压力，因此可加强智能体平台建设，并通过知识库、RPA、知识图谱、垂直小模型等深度融合来完成业务全流程的智能化与自动化，尽可能使业务效率提升产生的收益覆盖或者超过所付出的成本。