纪要涉及的行业和公司 - 行业：金融行业（银行）、计算机行业 - 公司：京北方 纪要提到的核心观点和论据 银行AI应用需求变化 - 需求提升：V3和RY模型发布降低应用落地门槛和试错成本，AI技术迭代使大模型性能提升，业务部门LS提升，年后主动交流AI大模型的客户增多，商机爆发，国务院国资委部署央企AI+专项行动，预计后续银行AI应用落地整体需求明显提升[1][2] - 参与主体变化：24年及之前主要是大行投入资源探索，今年年后很多中小型银行积极加入；过去大行主要靠总行推动，年后不少分行业务团队也主动交流AI项目[2][3] - 落地场景拓展：过去集中在后端服务性、内部使用领域，如知识助手、智能问答；现在前端业务场景全面探索，如交易风控、AI+营销、AI+信贷等[3] - 主导部门转变：过去由科技部门主导，现在业务部门直接参与，AI相关预算进一步扩充[3] Deepseek一体机情况 - 公司布局：一体机是新概念，之前认为不太成熟，现在因模型开源成本降低且有多个算力版本，可提供小算力一体机给客户试点，特别是小银行有相关提问[5][6] - 银行需求差异：大行前两年采购算力有富裕，对一体机需求不强烈，更多从业务端推进场景应用；股份制银行部分有算力但不充足，提出一体机用于低端模型场景探索；小行前两年算力投入成本高，对一体机需求旺盛，希望一体机有业务场景创新和生态落地，而非单纯采购硬件[6][7][10] AI对银行IT预算的影响 - 与信创对比：信创未结束，大行核心系统信创接近尾声，但仍有近50%系统未完成；AI与信创叠加效果大于两者简单相加，AI带来的业务需求大幅增加，对产业拉动可能更大[11][14][15] - 预算构成及变化：银行IT投入包括固定预算和因创新增加的预算，整体资金使用在银行收入占比未下降，银行收入增加时IT支出也增加，但投入更有重点，追求投入产出比，部分项目投入缩减，创新项目投入大幅增加[12][14] 银行AI采购模式 - 大行：与公司签框架协议，年后以订单形式合作预研，预研成功后以大订单形式落地实施[17] - 股份制银行：部分采用大行方式；部分预研验证可行性后启动招投标[17] - 无框架协议银行：希望公司先做分享和简单预研，同时启动招投标，按业务落地场景采购，中标后一边落地一边确认研发内容[18] - 趋势：大型完整系统订单减少，落地的生态订单增多，银行将AI应用输出细分多个领域和模块，有落地先后顺序[18][19] 京北方AI业务能力及合作情况 - 能力展示：按生态与行方合作，展示已落地案例，如反欺诈、智能投顾、智能助手、智能运维等；说明有长期积累但未完全成型的解决方案；主要在投顾、营销、风控、信贷、运维、客服、运营等方面合作[21] - 合作模式：有成熟落地案例，客户直接采购框架下订单；有积累但未成熟，客户启动预研，验证可行后以大订单或招投标形式招采；小行希望快速提供解决方案，简单论证后快速招标实施，招投标和订单下达时间缩短[20][21][22] AI对人员结构和业务的影响 - 人员需求：AI提高研发效率，降低对初级程序员需求，但数据清洗、模型调优、数据标注需要人员，预计AI需求集中爆发后人员先增长，后初级人员转型到相关岗位，人员结构变化[25][26][27] - BPO业务：试点智能客服，引入AI后单人单件处理时间缩短，处理成功率提高，人员处理效率提升，培训时间缩短，业务发展空间增大[28] 公司AI应用案例 - 反欺诈：去年年初试用大模型，经过半年调优，模型命中率从20%提升到超过55%（三个月前数据）[29] - 智能投顾：在某保险公司落地三个场景，业务人员反馈业务轻松；用AI模型做简单推理，将推理切分后命中率较好，后续调优使用效率有望提高[30][31] - 智能客服：应用模型分析客户接听电话时间点等维度，接听率和成功率上升；通过知识积累和问题反馈推断可靠话术，让专家判定，初级人员标注，提升BPO效率[32] 其他重要但是可能被忽略的内容 - 京北方考虑在24年年报梳理新的信息口径，展示与AI相关（包括数据类及其他创新解决方案）的收入规模[23] - 银行从项目立项到招标投标中标需要一定时间周期，目前处于先导阶段，业务机会增多，但转化为订单和收入还需时间[24]