Agentic AI - 改善金融服务中的客户参与

发现顶级金融科技新闻和活动！

订阅《金融科技周刊》的新闻通讯

供摩根大通、Coinbase、Blackrock、Klarna 等高管阅读

“预计2022年至2028年，金融科技行业收入的增长速度将比传统银行业快近三倍”——McKinsey，2023年10月24日。
“预计到2025年，全球金融科技市场规模将达到3948.8亿美元，并在2032年增至1126.64亿美元”——Fortune business insights，2025年6月09日

客户参与是传统银行与金融服务机构相较于金融科技的关键差异之一。从无缝的客户入职（onboarding）开始，到验证（validations）、执行交易（executing transactions），再到后续服务（servicing）与申诉处理/纠纷救济（grievance redressal），金融科技在传统金融机构之上表现突出。随着时间推移，金融科技一直试图缩小差距并在客户参与方面实现更优表现。研究表明，这也是推动利润底线改善的最重要因素。

尽管数字技术不断发展，且银行也在加大投入，客户服务仍然持续是主要的改进领域之一。“个性化”（Personalization）和“客户服务速度”（Speed of customer service）在满意度调查中仍然评价较低1，这为银行及金融服务组织提升服务质量提供了充足机会。在财富管理客户方面，这一差距进一步拉大——在这里，个性化与专业知识的需求最为关键，从而建立信任与忠诚。这正是具备专业领域知识的AI代理可以发挥作用、推动更具吸引力且更智能的客户交互的所在。客户服务处于业务互动的前沿，不仅推动满意度水平提升，也带来长期忠诚度与终身业务价值。

由多个专业代理组成的代理式AI网格（Agentic AI mesh）可以同时执行多项活动，例如拉取客户互动历史、进行情感分析、梳理生活事件、分析产品与费用方面的竞争格局、分析市场趋势等，并向客户提供有信息量的指导。通过使用NLP和语音启用（voice enabled）的技术，交互可以以直观方式匹配客户偏好的风格，并且语言无关（language agnostic）且支持全渠道（omni channel）。生成式AI的优势确实存在，近期银行的一些落地实施正在显示积极成果。体验（experience）的提升是主要受益方向之一。

AI与人类的协作是近期香港技术发展中最互利的成果之一。人工智能系统在处理海量数据方面表现出色，能够以高精度和高速度识别趋势与模式。

生成式AI进一步推进了这一能力：它可以为人类代理生成建议，从而提升客户体验与参与度。个人理财顾问（Personal Financial Advisors）曾经是超高净值客户的特权，如今可以通过AI代理实现普惠，并面向更广泛的客户群提供服务。

银行掌握大量客户的个人信息以及交易历史，因此可以提供管家式（concierge）服务——从税务规划到投资咨询，甚至可充当个人助理。通过逐步让AI代理承担更复杂且更个性化的任务，银行与金融服务组织能够提供更优质的客户体验，进而增强忠诚度与终身价值。

代理式AI（Agentic AI）及其相关热潮

Gartner 2025年技术趋势将代理式AI列为2025年的首要趋势。MITSMR 2025年AI与数据领导力执行基准调研（AI & Data Leadership Executive benchmark Survey）也对类似结果作出了预测。

什么是代理式AI？它指的是“能够自主行动的AI系统和模型，以实现目标，无需持续的人类指导”，据HBR所说。它理解用户的目标和目的，以及他们试图解决的问题的具体情境。它是一种自我学习系统，利用生成式AI模型的复杂推理能力和创造能力，来解决多步骤的复杂问题。代理式网格（Agentic mess）是由多个代理组成的团队，这些代理能够在同一单一目标的对齐下同时执行任务。

“代理式AI系统凭借超强的推理与执行能力，有望重塑人机协作的许多方面。它们可以独立进行规划和决策，为人类劳动力带来更高的生产力、创新以及洞察” 
– HBR，2024年12月

代理式AI客户服务系统示例表示

所有这些代理会并行执行各自任务，并向管理代理（manager agent）汇报；而在中间环节（intern），管理代理会回应客户查询。精选的领域知识与培训使这些代理成为其各自领域的专家。规模庞大的财富管理研究资料库以及数据点（data points）是资源，可用于训练AI代理。

客户服务中的一些关键用例包括：

*   虚拟理财顾问
*   客户画像
*   实时欺诈监控
*   执行日常任务
*   报告生成

客户画像是了解客户的第一步，也是驱动客户参与的另一项关键用例。银行对客户了解得越好，就能提供越优质的服务，并建立更持久的关系。这个过程十分繁琐。尽管技术已有进步，但依然耗时，且仍有大量可改进空间。多年来，OCR（光学字符识别）技术以及在不同阶段实施的多种自动化水平，已显著改进了对客户信息的采集、处理与利用流程。自治的AI代理带来了更多希望与可能性，能够进一步改造该流程，使其无缝衔接，并同时执行多项并行活动。

AI代理借助其AI赋能工具生态系统，例如生物识别验证、面部识别、基于API启用的文档验证等，可以在并行状态下进行多项验证，同时完成数据采集。

如证据所示，当前流程容易受到欺诈者的影响；欺诈者可能会绕过活体检测（liveliness test）等验证机制。AI代理具备增强该流程稳健性的能力：通过分析上下文信号（例如设备角度，或后台运行的任何未经授权软件等）来识别潜在风险。此外，AI代理对非结构化数据的处理能力与情感分析相结合，能够形成更稳健的客户风险画像，从而获得更准确的画像（persona）。这种更深层次的审查与实时的并行验证相结合，能够提升安全级别，并帮助防止不法分子发起更复杂的欺诈企图，使系统更安全。这将带来更高的信任、更强的客户参与以及更高的忠诚度。

学习要点：

*   一个典型的客户互动可能包含多项咨询——例如近期交易、产品推荐和账单错误——并且都可能在一次对话中完成。
*   传统聊天机器人往往无法处理此类多维度的互动，并可能丢失上下文。
*   传统聊天机器人无法通过在财富管理产品上执行投资交易来轮转（churn）客户组合 
*   代理式AI在更高级别运作，类似数字团队成员，并具备：

无需持续的人类介入即可行动的自治能力。

以目标为导向的智能，用于追求并实现特定结果。

具备实时推理能力，以支持动态决策。

*   这些系统还可以：

理解细微且自然的人类语言。

在长而复杂的对话中保持上下文一致性。

借助CRM、ERP和内部知识库等工具整合并编排任务。

*   在客户参与方面，代理式AI提供：

24/7的支持，模拟人类互动。

可扩展地处理复杂且分层的客户问题。

由多个微型代理（micro-agents）构成的网络实现个性化、流畅的对话；每个微型代理都专注于特定的客户需求。

*   该方法超越了基础的查询解决——它确保完全的“问题责任归属”（problem ownership）以及端到端的解决。

面向行业领袖的行动号召（Call to Actions）：

战略层面的问题来了：行业领袖应当做什么，才能不仅做实验，还能将代理式AI真正落地，以获得变革性收益？首先，他们必须走出“试点疲劳（pilot fatigue）”，选择高影响力的客户参与用例，并在“副驾驶模式（copilot mode）”下进行测试。

这不是用代理式AI替代人类代理，而是增强人类代理。其次，投入培训前线团队，使他们能与AI协作，而非在AI之外另起流程。AI应当成为他们的伙伴，而不是平行的处理过程。第三，将预算模型从“按座位计费（per-seat）的软件”转向“结果导向的服务即软件（service-as-a-software）合同”；按解决付费，而不是按许可证付费。第四，领袖需要把数据整合到诸如市场（marketing）、服务（service）、运营（operations）等各个烟囱（silos）之间，让这些系统拥有它们赖以发挥效能的上下文。

最后，要以信任为先；部署符合伦理的护栏（ethical guardrails），透明衡量绩效，并让客户知道：尽管机器可能处理查询，但人类始终在环（human are always in the loop）。在这个新纪元，取胜不在于构建技术，而在于赋能人和流程，以放大技术的影响力。

参考资料：

金融科技增长的未来 | McKinsey

• • 金融科技市场概览：规模、份额、价值 | 增长 [2032]