4大行业36岗位184场景：金融AI全覆盖实战地图
引言：场景够不够，从来不是问题
金融行业谈AI落地，最常听到的问题是"我们有没有场景"。这个问题本身就问错了。
事实是：一家中型银行从总行到支行，从前台营销到后台审计，天然就存在上百个AI可介入的业务节点。真正的挑战不是"有没有场景"，而是"场景怎么系统化覆盖"——零散试点容易，全行铺开难；单点出彩容易，规模化复制难。
我们花了18个月，跑遍了银行、证券、保险、基金四大行业，逐一拆解每个岗位的日常工作流，最终梳理出一组数据：4大行业、36个岗位、184个智能场景——并且全部已上线运行。
这不是PPT上的规划，是实打实的生产数据。本文将完整呈现这组数据的结构、背后的技术架构，以及从184个场景落地中提炼出的方法论。
全景数据：4行业 x 36岗位 x 184场景
先看全貌：
| 行业 | 岗位数 | 场景数 | 占比 |
|---|---|---|---|
| 银行业 | 24 | 119 | 64.7% |
| 证券业 | 5 | 30 | 16.3% |
| 保险业 | 4 | 18 | 9.8% |
| 基金业 | 3 | 17 | 9.2% |
| 合计 | 36 | 184 | 100% |
银行以119个场景占据近三分之二，这与银行业组织架构最复杂、岗位分工最细直接相关。证券、保险、基金相对聚焦，但每个行业都有其不可替代的专属场景——比如保险的智能核保、基金的估值核算，在其他行业没有直接对标。
再看每个行业的代表性岗位与场景：
银行业——选取6个核心岗位展示：
| 岗位 | 代表场景 | 功能说明 | 状态 |
|---|---|---|---|
| 零售客户经理 | 360度客户画像 | 基于RFM模型生成客户画像 | 已上线 |
| 零售客户经理 | AI营销话术 | 输入客户信息，秒级生成专业话术 | 已上线 |
| 对公客户经理 | 企业尽调报告 | 多节点协同企业风险扫描 | 已上线 |
| 理财经理 | 资产配置方案 | 基于风险偏好的配置建议 | 已上线 |
| 风控经理 | 反欺诈预警 | AI识别欺诈交易模式 | 已上线 |
| 财务会计 | 智能审计抽样 | 风险导向审计抽样 | 已上线 |
证券业——选取5个岗位展示：
| 岗位 | 代表场景 | 功能说明 | 状态 |
|---|---|---|---|
| 投资银行 | IPO尽调辅助 | 招股书材料整理 | 已上线 |
| 研究所 | 研报智能生成 | 智能研报效率提升50% | 已上线 |
| 资产管理 | 业绩归因 | 投资收益归因分析 | 已上线 |
| 经纪业务 | 投资顾问话术 | 适当性合规话术 | 已上线 |
| 自营交易 | 交易指令优化 | 算法交易辅助 | 已上线 |
保险业——选取4个岗位展示：
| 岗位 | 代表场景 | 功能说明 | 状态 |
|---|---|---|---|
| 销售渠道 | 客户保障需求分析 | 缺口分析加方案推荐 | 已上线 |
| 核保理赔 | 智能核保 | 风险评估加自动决策 | 已上线 |
| 精算产品 | 产品定价辅助 | 费率厘定模型 | 已上线 |
| 客户服务 | 客户回访外呼 | AI外呼替代人工 | 已上线 |
基金业——选取3个岗位展示：
| 岗位 | 代表场景 | 功能说明 | 状态 |
|---|---|---|---|
| 投研 | 量化策略辅助 | 因子分析加回测 | 已上线 |
| 销售 | 机构销售辅助 | 定制化推介材料 | 已上线 |
| 运营 | 估值核算辅助 | 基金会计日报 | 已上线 |
以上仅展示每个行业的代表性切片。银行另有17个岗位的百余场景未逐一展开，证券另有25个场景、保险另有14个场景、基金另有14个场景同样已上线运行。
银行业深度：24岗位119场景的拆解
银行业场景数量是其他三个行业之和的近两倍，值得单独拆开来看。按前中后台分层：
| 层级 | 岗位数 | 场景数 | 代表岗位 |
|---|---|---|---|
| 前台-营销服务 | 6 | 31 | 零售客户经理、对公客户经理、理财经理、大堂经理、私人银行客户经理、信用卡专员 |
| 前台-金融市场 | 4 | 21 | 交易员、投资经理、研究员、资金运营 |
| 中台-风险管理 | 5 | 21 | 信用审批、风控经理、合规专员、反洗钱专员、法务 |
| 中台-产品运营 | 4 | 18 | 产品经理、运营管理、渠道管理、数字化运营 |
| 后台-支持保障 | 5 | 28 | 财务会计、人力资源、信息技术、审计、行政 |
三个值得注意的结构特征：
第一，前台场景占比最高（52个，占43.7%）。 这是AI创造直接收入的主战场。以零售客户经理为例，6个场景形成完整闭环：画像→分层→推荐→话术→召回→训练。单个场景独立可用，串联起来就是一套AI驱动的客户经营体系。信用卡专员的6个场景同样形成闭环：开卡话术→权益激活→分期推荐→进件核对→审批辅助→逾期催收，覆盖了信用卡从获客到催收的全生命周期。
第二，后台场景密度最高（5个岗位28个场景，均值5.6）。 特别是财务会计一个岗位就有9个场景，覆盖从发票查验、预算管控到智能审计抽样的全流程。这些场景单体价值不高，但胜在刚性需求强、替代人工效果显著，是银行AI落地的"基本盘"。
第三，中台风险管理的场景刚性最强。 风控经理、合规专员、反洗钱专员共13个场景，每一个都直接关联监管要求，不来虚的。反欺诈预警、可疑交易识别、合规话术红绿灯——这些场景的需求方不是业务线而是合规部，需求稳定性远高于营销类场景。
再选取银行3个高密度岗位展开细节：
研究员（7个场景）——银行前台场景最多的岗位：
| 序号 | 场景名称 | 功能说明 | 状态 |
|---|---|---|---|
| 1 | 研报智能生成 | 智能研报效率提升50% | 已上线 |
| 2 | 调研纪要生成 | 录音转文字加要点提炼 | 已上线 |
| 3 | 市场观点输出 | 日报/周报自动生成 | 已上线 |
| 4 | 财报数据提取 | 自动提取关键财务指标 | 已上线 |
| 5 | 研报知识库检索 | 智能研报检索与问答 | 已上线 |
| 6 | ESG研究 | ESG评级与投资建议 | 已上线 |
| 7 | 宏观研究分析 | 宏观经济与政策分析 | 已上线 |
研究员的7个场景分布在三种工作模式上：信息获取（财报提取、知识库检索）占2个，内容生成（研报、纪要、观点）占3个，深度分析（ESG、宏观）占2个。这正是AI介入研究工作的最佳切入点：先替代机械性的信息整理，再辅助半结构化的内容生成，最后增强非结构化的深度分析。
财务会计（9个场景）——银行业场景最多的单体岗位：
| 序号 | 场景名称 | 功能说明 | 状态 |
|---|---|---|---|
| 1 | 发票查验 | 发票真伪加信息提取 | 已上线 |
| 2 | 预算管控 | 部门预算执行分析 | 已上线 |
| 3 | 财报速读 | AI提取关键财务数据 | 已上线 |
| 4 | 税务筹划 | 税负分析加节税建议 | 已上线 |
| 5 | 费用报销 | 智能审核加合规检查 | 已上线 |
| 6 | 资金预测 | 现金流缺口预警 | 已上线 |
| 7 | 财务规划 | 全面财务规划与分析 | 已上线 |
| 8 | 资产负债管理 | ALM资产负债优化 | 已上线 |
| 9 | 智能审计抽样 | 风险导向审计抽样 | 已上线 |
9个场景可归为三类：事务处理类（发票查验、费用报销）直接替代重复劳动，决策辅助类（预算管控、税务筹划、资金预测、资产负债管理）提供分析建议，报告生成类（财报速读、财务规划、审计抽样）自动化文档工作。三类场景对AI的能力要求逐级递进，落地难度也逐级递增。
风控经理（6个场景）——风险管理的AI中枢：
| 序号 | 场景名称 | 功能说明 | 状态 |
|---|---|---|---|
| 1 | 风险扫描 | 多维风险识别 | 已上线 |
| 2 | 风险预警 | 实时风险监测 | 已上线 |
| 3 | 压力测试 | 情景分析加压力测试 | 已上线 |
| 4 | 反欺诈预警 | AI识别欺诈交易模式 | 已上线 |
| 5 | 操作风险识别 | 业务流程风险监测 | 已上线 |
| 6 | 客户风险评级 | AML/KYC风险评级 | 已上线 |
风控场景有一个共同特征：输入高度结构化（交易数据、客户画像、行为日志），输出需要可解释（监管要求）。这使得风控场景成为评分引擎类Handler的最佳试验田——ScoringEngineHandler的权重透明、规则可审计，恰好满足合规需求。
技术架构：7个Handler + 场景注册中心
184个场景不是184个独立开发的项目。背后是一套"场景注册中心 + 7个Handler"的统一架构：
| 组件 | 职责 | 典型场景举例 |
|---|---|---|
| KnowledgeRAGHandler | 知识库检索与RAG问答 | 合规自查、研报知识库检索、产品手册问答 |
| DataAnalysisHandler | 结构化数据分析 | 渠道效能分析、业绩归因、用户增长方案 |
| ReportGenHandler | 报告自动生成 | 研报生成、尽调报告、审计底稿、投研报告 |
| TextGenHandler | 文本生成（话术/文案/纪要） | AI营销话术、朋友圈文案、会议纪要、公文写作 |
| ScoringEngineHandler | 多维评分引擎 | 信用评估、客户风险评级、智能审批辅助 |
| OCRParserHandler | 文档解析与信息提取 | 发票查验、进件材料核对、财报数据提取 |
| VisualizationHandler | 数据可视化与看板 | 数据看板生成、客户热力图、风险仪表盘 |
场景注册中心维护一张完整的场景路由表：每个场景对应哪个Handler、输入什么数据、输出什么格式、调用哪个Skill，全部声明式定义。新增场景不需要从零开发，只需在注册中心登记一条配置，指明Handler类型和提示词模板即可。
这就是为什么184听起来很多，但开发工作量并非184倍——大量场景共享同一套Handler逻辑，区别仅在于提示词模板和数据源。以TextGenHandler为例，它同时支撑了零售话术、对公话术、理财话术、信用卡话术、保险条款解读、朋友圈文案等20余个场景，核心逻辑完全一致。
开发效率：7天完成27个新场景
这套架构带来的直接收益是开发效率的质变。一个典型的冲刺周期：
| 指标 | 数据 |
|---|---|
| 冲刺周期 | 7天 |
| 新增场景数 | 27个 |
| 平均单场景耗时 | 约2.5小时 |
| 复用Handler占比 | 82%（22/27） |
| 纯新Handler开发 | 5个场景需新建 |
27个场景中，22个直接复用现有Handler——TextGenHandler一个组件就吃掉了其中8个话术类场景，KnowledgeRAGHandler覆盖了5个知识检索类场景。真正需要新建逻辑的场景集中在保险精算和基金估值等垂直领域，这些是行业壁垒所在，投入产出合理。
对比传统开发模式：如果每个场景独立开发，27个场景平均需要2-3人天/个，总工期约54-81人天。Handler复用把这个数字压缩到原来的十分之一。更重要的是，复用模式确保了场景间的体验一致性——用户在不同岗位上使用不同场景，交互范式相同，学习成本趋近于零。
落地启示：从"点状试点"到"面状覆盖"
回顾184个场景的成功落地，有三条经验值得提炼：
第一，先铺广度再挖深度。 不要在一个岗位上把场景做到极致再拓展下一个岗位。先让每个岗位有1-2个核心场景跑起来，建立信心和使用习惯，再逐步补齐。银行业从6个前台岗位的18个场景起步，6个月内扩展到24岗位119场景。先有覆盖面，才有深度的意义。
第二，用Handler复用率控制开发成本。 场景数量是面子，Handler复用率是里子。如果新增10个场景需要开发10个新组件，架构就有问题。健康的比例是70%以上场景复用现有Handler。经验阈值：当复用率低于60%，说明行业拆分还不够细，需要重新提取共性。我们的实测数据是82%，说明7个Handler的抽象粒度是合理的。
第三，场景的上线顺序有讲究。 推荐路径：先上高频低风险场景（话术生成、文档提取、信息检索），再上高频高风险场景（信用评估、反欺诈），最后上低频高价值场景（家族信托方案、ESG研究）。让业务一线先用起来，让合规团队有时间建立信任。在我们落地过程中，第一批上线的30个场景全部是高频低风险类，上线后零合规事故，为后续攻坚奠定了信任基础。
184个场景不是终点。每新增一个行业客户，都会发现新的岗位和场景需求。但有了Handler加注册中心的架构基座，从184到300，增量成本远低于从0到184。金融AI的最后一公里，拼的不是场景数量，而是场景的系统化覆盖能力。
Agent Skills 开源生态
本文涉及的技能和框架已开源，欢迎 Star / Fork / PR：
| 仓库 | 内容 | 协议 | 链接 |
|---|---|---|---|
| financial-ai-skills | 104个金融AI技能，零API费 | MIT | https://github.com/yuzhaopeng-up/financial-ai-skills |
| teleagent-skills | 5个通用Agent技能(评分引擎/证据链/数据聚合/可视化/NL2Query) | Apache 2.0 | https://github.com/yuzhaopeng-up/teleagent-skills |
| agent-cluster-comm | 5层集群通信技能(L1-L5) | Apache 2.0 | https://github.com/yuzhaopeng-up/agent-cluster-comm |
| skill-framework | 208技能分类体系+L0-L4框架+YAML模板 | MIT | https://github.com/yuzhaopeng-up/skill-framework |
| fintech-h5-demos | 12个零依赖金融H5演示 | MIT | https://github.com/yuzhaopeng-up/fintech-h5-demos |
AI生成
Top comments (0)