纪要涉及的公司 京北方 纪要提到的核心观点和论据 - 京北方在AI领域的探索和优势：GPT发布后深入探索并取得成果，有核心服务卡位优势，与大行长期合作且早期有应用探索；银行业对AI需求增加，京北方积累丰富经验且技术实力获验证，如反电诈管道识别率从20%提升至55%，异常资金调拨检测识别率提高一倍；2024年底发布多个大模型产品赋能银行业务；接入开源大模型满足银行私有化部署需求；协同办公系统和数据中心运维管理有成效；大行招标和交付模式变化，京北方在BPO场景有优势 [3] - 银行业对AI技术需求变化：2024年下半年至2025年初需求显著增加，原因是经济形势下人员结构调整和运营业务量上升；大型银行过去基于私有数据私有部署并探索后台服务应用，中小型银行模仿大型股份制银行自主创新并与研发厂商合作增多 [5] - AI技术在金融机构潜在落地场景：集中于后端内部使用和前端客户服务，如集中运营中台和交易风控等场景可提高效率、降低成本和增强风控能力 [6][7] - 公司AI布局现状及对IT外包影响：呈现开源、私有化和本地化部署以及应用效果提升趋势，从纵向和横向拓宽金融IT应用大模型空间，突破业务场景限制，释放银行需求，大行从科技驱动转向业务部门驱动提出新要求 [7][8] - 大模型在风控、电子渠道、信贷审批应用：风控方面反黄牛识别率超50%，异常资金调拨检测识别率提高一倍并用于辅助提醒；电子渠道用于营销文案撰写等降低专业门槛；信贷审批用于报告生成和合规审查等并逐步落地 [9] - 大行客户AI招标和交付模式变化：有订单模式、探索型模式和传统招投标模式，目前主要有框架下订单、单纯框架内拨备预算完成任务和单独合同三种方式 [10] - 下游客户对DCC私有化部署需求及商机：金融行业私有化部署成主流，接入开源大模型满足需求，银行以效果为导向，未来商机集中于高效安全大型项目 [11] - 京北方协同办公和运维系统表现：协同办公系统在多家银行落地，引入大模型提升效率和满意度；数据中心运维搭建科技平台并申请算力资源实现有效管理，与多家银行合作落地 [12] - 公司与客户交流及未来发展方向：2025年1月以来交流增多、落地场景增加，未来深化与金融机构合作，优化技术方案，关注新兴技术 [13] - 私有化部署中大小银行策略不同：大型银行集中式大平台提供算力，中小型银行更灵活，会平衡模型研发、训练时间与算力投入，公司探索不同合作方式 [14] - 公司在BPO场景利用AI agent转型：在集中运营中台或风控中台有优势，深入了解银行后台流程，利用AI优化环节，AI agent可解决作业流节点问题实现转型 [15] - 公司与大厂及开源模型厂商AI合作商业模式：与大厂合作参与部分部署，负责后端应用开发和模型调优，目前在行方内部使用，未来中小行业市场铺开可能出现基于token或API调用按流量收费模式 [16] - AI agent在相关领域适用性及公司规划：呼叫中心业务适合AI金融智能化应用，大模型提升智能客服等效果，公司根据客户需求提供支持，非金融领域采用AI可降本增效 [17] - 公司考虑打包模式服务银行：部分客户已探讨打包模式，因大型企业人均成本高、人力有限，该模式可能成趋势，公司已与大厂讨论细节 [18] - 银行和大企业客户中心外包情况：考虑银行合规和安全要求，短期内完全替代外包可能性小，AI技术发展可能衍生新服务需求，IT厂商可获业务增量 [19] - 金融行业AI模型调优工作价值及厂商胜任情况：调优工作价值高，如模型命中率从25%提升至55%-60%，对模型理解和应用要求高，不同模型调优要求不同，并非所有厂商能胜任 [20] - 金融行业客户使用AI考虑因素：基于降本增效和提升客户体验，AI替代常规工作降低成本、提高产出、降低风险，辅助营销增加客户粘性 [21] - 公司AI电站标准化产品影响：包括基于真实数据的实验室解决方案，提升电价预测准确性，提高运营效率、降低成本，增加模型维度增强预测能力，提高客户粘性并激发新需求 [22] - 公司AI定价竞争优势及市场份额：优势体现在数据来源和技术调优，数据来自合作银行并处理，技术成果可复制批量应用，虽未透露市场份额但技术优势助于保持竞争力 [24] - 公司对2025年AI费率增长预期及行业IT投入情况：难以给出具体AI费率增长预期，银行业整体IT投入预计年增长5% - 10%，金融机构未来2 - 3年将加大对AI和大数据投入 [25] - 下游客户使用产品后情况：使用产品后对技术方案讨论和需求增加，数据驱动解决方案提升效率、降低成本，共享调优经验促进行业水平提高，激发业务创新需求 [26] 其他重要但是可能被忽略的内容 无