大模型技术的兴起，正在悄然改变银行智能客服场景。

　　记者了解到，今年以来，越来越多银行都在积极将大模型技术应用在智能客服场景。

　　比如工行发布的人工智能金融行业通用模型，可以支撑智能客服接听客户来电，显著提升对客户来电诉求和情绪的识别准确率，可更有效地响应客户需求，且大幅缩减维护成本。

　　农行推出的金融AI大模型产品，着眼于借助大模型技术提升智能客服等业务在金融领域的知识理解能力、内容生成能力及安全问答能力。

　　不久前，江苏银行也推出了其大模型平台场景创新成果——基于基础对话底座模型升级形成的“智慧小苏L3”模型，能以“话务工单助理”身份融入到人工电话客服领域，不但提高客服的工单处理效率，还实现更高效、智能的客户服务体验。

　　一位正着手研发大模型+金融智能客服技术的第三方金融科技平台人士向记者透露，通过广泛调研，他们发现众多中小银行都希望将大模型技术优先应用在智能客服场景，以此实现进一步降本增效的目标。

　　一家城商行IT部门主管向记者直言，他们银行高层对大模型技术在智能客服场景的应用，抱有极高的期望值——一是希望它能令银行减少逾百位人工客服的人力成本，二是希望它能提供更具人性化与精准化的智能客服体验，提升银行在用户心里的口碑。

　　记者多方了解到，大模型技术要成功融入智能客服场景，并非易事。银行业是对数据安全、客户隐私以及决策准确性和专业性要求最高的行业之一，因此银行特别看重智能客服场景的数据安全性，即大模型在辅助银行智能客服“数字人”在线知识问答时，是否会出现无法对用户身份准确识别、引发个人等隐私信息泄露等风险。

　　与此同时，在不断强化智能客服大模型反馈训练、提升智能客服的文本生成、言语理解、知识问答、逻辑推理等多方面能力同时，银行如何解决大模型算力需求大、训练与推理成本高等问题，同样是一大挑战。

　　复旦大学金融科技研究院院长柴洪峰认为，金融数据和垂直领域大模型密切相关，存在数据安全、大模型安全可信和伦理等问题，同时金融领域也涉及个人等敏感信息保护，因此相关部门在致力于推进大模型与银行智能客服场景融合同时，对金融大模型的有效监管同样必不可少。

　　给银行客服数字人装“大脑”成效几何

　　随着银行持续布局智能客服业务，智能客服数字人应运而生。

　　目前，众多银行都推出自己的智能客服“数字人”，广泛应用在移动端APP、对公业务、财富管理等零售业务等众多场景。

　　但是，当前不少银行的智能客服数字人的智能化程度不够高，比如面对客户提出的复杂问题就难以回答或答非所问，或不能准确理解用户提问上下文内容并给出正确的答案。

　　究其原因，传统的银行智能客服数字人仍存在知识库问题匹配不精确、提问语义理解不足、不具备上下文理解与答案抽取能力等三大痛点。尤其是基于RNN（循环神经网络）的智能客服模型不能充分理解客户提问，精准定位关键知识点能力不足，多依赖于单个知识库条目形成回复，且回复多为知识库中原文，无上下文理解能力，导致客户对话体验不佳。

　　在这种情况下，越来越多银行寄希望大模型技术能为银行智能客服数字人装载“大脑”。

　　这背后，一是AI大模型在内容生成和语义理解方面有着卓越的表现，与智能客服行业有着较高的契合度。二是AI大模型还能在某种程度进一步提升智能客服的智能化程度。

　　比如AI大模型通过训练海量数据，并对海量文本数据进行AI深入学习，令其语言理解能力得到持续提高，拥有处理更复杂信息的能力。于是基于AI大模型加持的智能客服，就能更加精准地理解客户提问的上下文内容，快速准确识别用户意图，进而提供更可靠的客服。

　　记者获悉，目前多家银行在大模型与智能客服场景融合方面取得一定的进展。比如江苏银行的“智慧小苏L3”模型通过智能语音识别技术将人工电话客服录音自动转换为文本形式，并输送到大语言模型平台加工处理，就能自动摘要提取客户需求，快速输出工单信息，形成记录、分析和查证的全流程自动化，令单笔工单处理时间缩减近60%，实现了更高效、智能的客户服务体验。

　　上述城商行IT部门主管向记者直言，若大模型技术成功应用在智能客服场景，就能大幅减少人工客服的人力成本支出，实现更好的降本增效目标

　　“当前我们的智能客服数字人只能解决约30%用户的提问，其余70%用户的提问，仍需银行转入人工客服环节解决。但我们调研发现，大部分需人工客服解答的问题，主要集中在业务办理、业务答疑、业务流程催促等领域，若大模型技术能令智能客服数字人精确理解用户这些提问内容与提问意图并给予精准回复，未来可能只有10%的用户提问需转入人工客服解决，如此银行将省下大笔人工客服成本开支。”他告诉记者。目前银行正引入第三方金融科技平台的大模型技术，尝试对智能客户数字人“大脑”进行优化，从而令后者能精准识别更多用户的提问并给予相应的服务。

　　这位城商行IT部门主管强调，尽管大模型技术对银行智能客服体验有着明显促进作用，但他们仍然先确保大模型技术“可靠稳健”，才考虑将它真正应用在智能客服场景。

　　“现阶段大模型技术仍面临算力需求大、训练和推理成本高、金融数据质量有待改善、数据隐私安全与生成话术合规性等挑战，大模型与银行智能客服场景的融合绝非一帆顺风。”他坦言。

　　大模型+银行智能客服的多重挑战

　　记者多方了解到，尽管大模型技术在银行智能客服场景的应用已取得一定进展，但多家银行仍直言大模型在智能客服场景的全面落地仍面临诸多挑战。

　　首先，大模型技术生成的部分内容质量仍不够稳定，无法满足用户的实际需求。这背后，是银行智能客服不但要针对客户提问给出准确的回答，而且回答内容需完全符合金融监管要求，不能出现误导客户或使用违规词汇等状况。因此，银行特别看重用于大模型技术训练的数据质量与数量，力争从源头避免一些错误话术被纳入大模型训练范畴，但要做好这项工作，需银行对海量数据先进行合规方面的AI核查，工作量不小。

　　其次，由于银行智能客服覆盖的内容范围广泛，且信息迭代速度极高，需要AI大模型持续进行与时俱进的优化。这意味着大模型需要更多的训练数据以提升其理解客户提问意图内容的精确度，但这需要银行持续投入更高的AI大模型训练成本，但众多中小银行未必能承受持续的高昂资金投入。

　　第三，大模型在银行智能客服场景应用环节，能否有效解决科技伦理风险等问题，也是一大挑战。

　　工行CTO吕仲涛曾表示，通过工行的前期实践，大模型在文本、图像等领域的AIGC能力优势明显，但它仍存在科技伦理风险等问题。

　　记者获悉，在这种情况下，不少银行放缓了大模型+智能客服的落地步伐，转而优先面向金融文本、金融图像分析理解创作的智力密集型场景，以人机协同方式提升业务人员工作质效。

　　前述第三方金融科技平台人士指出，为了加快大模型+智能客服的落地应用，也有部分中小银行纷纷自行加大微调技术的研发，令大模型具备更强大的语义理解能力、更精准的知识库匹配能力与更灵活的上下文理解能力和知识抽取能力，令银行智能客服数字人与客户开展多轮对话过程，能根据问答记录更精准地识别用户提问意图，并生成相匹配且话术合规的回答内容。

　　“尽管中小银行对大模型+智能客服尽早落地的期盼相当迫切，但我们仍需先进行反复训练，先确保大模型自动生成的内容万无一失，才能将大模型+智能客服技术输出。”他强调说。这背后，还需银行与第三方金融科技平台的密切合作，比如银行需提供以往客户向智能客服数字人提出的各类问题，才能令大模型的训练“有的放矢”，进一步提升大模型在银行智能客服场景的应用成效。

（文章来源：21世纪经济报道）