人工智能在银行的最后一公里：AI赋能与落地实战｜人工智能应用培训课程

适合对象

总行金融科技部、数据管理部、各业务部门（零售、对公、风控、

课程定位与主要问题

AI办公试点、数字化流程优化或团队效率提升项目中，参训团队可以先看清问题所在，再设计可执行动作

课程适配与选型边界

这部分用于判断《人工智能在银行的最后一公里：AI赋能与落地实战》是否适合当前培训需求，重点看对象、场景、模块和讲师匹配度

适合对象

总行金融科技部、数据管理部、各业务部门（零售、对公、风控、

业务问题

正文与课纲结构达到标准课程页候选要求

训练重点

课程内容应围绕人工智能应用相关问题识别、方法训练和案例复盘展开，实际取舍可按企业需求和课时安排确认

选型判断

建议结合参训对象基础、当前业务场景、期望课时、讲师经验，以及江浔楷的授课方向来判断是否匹配

本页承接单门课程的对象、讲师、大纲、收益和咨询转化；如果用户仍在比较人工智能应用主题范围，应优先查看相关主题页；如涉及工具、模板或清单，仅作为需求沟通方向，具体交付形式以确认后的课程方案为准

核心收益

对齐工具场景、输入要求和输出校验，先把训练目标落到真实工作场景
围绕启程——穿越迷雾，感知AI明确判断口径和处理优先级
用棋局——AI全球争霸图安排练习，检查方法、工具和流程是否可用
带走国策——当中国遇见AI相关的复盘问题和跟进清单

课程背景与交付信息

人工智能正以前所未有的力量重塑银行业格局，从风控、营销到运营、服务，AI已成为银行决胜未来的核心引擎。然而，多数银行在AI落地应用中陷入技术概念火热、业务价值模糊、试点项目易做、规模推广困难、模型精度尚可、生产部署滞后的最后一公里困境。政策层面，人工智能+已上升为国家战略；技术层面，大模型与智能体技术飞速迭代；竞争层面，AI能力正迅速分化全能银行与小白银行。如何跨越从拥有AI到用好AI的鸿沟，将技术势能转化为业务动能，成为银行当下最紧迫的命题。本课程直面AI落地最后一公里的挑战，为银行提供从认知到实践、从规划到实施…

《人工智能在银行的最后一公里——AI赋能与落地实战》是一门面向银行中高层管理者、科技与业务骨干的实战课程。课程围绕认知-特色-实践-洞察四大模块，深入剖析AI核心概念、全球格局、国家战略、银行应用场景、落地工艺流程、组织变革以及未来趋势。课程拒绝技术空谈，聚焦业务价值，融合政策解读、案例解析、工具模板与互动研讨，提供从AI战略规划、模型选型、智能体构建、组织适配到文化塑造的全方位指南。旨在帮助银行将AI从概念转化为生产力，真正跑通AI赋能业务的最后一公里

课程时间

2天，12小时

授课方式

讲师面授、案例研讨、实战演练、工具工作坊、互动问答

课程内容重点

01启程——穿越迷雾，感知AI

02棋局——AI全球争霸图

03国策——当中国遇见AI

04沃土——当银行遇见AI

课程大纲

课程总览

内容重点

第一篇：基础认知篇

启程—穿越迷雾，感知AI

一、AI的10个核心概念

二、AI的基本原理：一个核心、两个基础、一个过程

1. 两个基础：数据（燃料）、算力（厨房）
2. 一个核心：算法：AI的菜谱
3. 一个过程：模型训练——AI的学习过程
1. 学习（训练）：基于已有数据（训练集）调整参数
2. 验证：用另一部分数据（验证集）评估模型表现，防止过拟合
3. 测试：用未见过数据（测试集）最终评估模型效果
4. 部署与应用：将训练好的模型嵌入业务系统，处理真实世界任务
——提示词（Prompt）与推理（Inference）

三、AI的十大关系

1. AI与数字化转型
2. AI与金融科技
3. AI与自动化
4. 大模型与小模型
5. AI与人
6. 通用大模型与垂类大模型
7. AI投入与商业价值
8. AI模型大与小
9. AI技术成熟度与业务场景风险容忍度
10. AI开放合作与安全可控

棋局—AI全球争霸图

一、AI成长路径：三起两落，迈向新纪元

1. 起步期（1950s-1970s）
第一次低谷：算力与数据瓶颈，预期破灭
2. 复兴期（1980s-1990s）
第二次低谷：专家系统维护成本高，难以扩展
3. 爆发期（2006年-至今）

二、AI的发展格局

1. 国际格局
1. AI公司的竞争格局：领导者、巨头玩家、垂直领域与芯片巨头
2. AI产品的竞争格局
a操作系统级模型竞争
b模型即服务（MaaS）竞争
AI原生应用竞争
2. 国内格局
1. AI公司的竞争格局
a大厂领跑（名单及特点）
bAI独角兽深耕（名单及特点）

国策—当中国遇见AI

一、国家层面关于AI的整体规划

1. 机构设置
——顶层协调机制、主管与推进机构、国家队
2. 政策文件
1. 2024年政府工作报告
2. 《新一代人工智能发展规划》（2017）
3. 《关于支持建设新一代人工智能示范应用场景的通知》（2022）
4. 《生成式人工智能服务管理暂行办法》（2023）
5. 《关于深入实施人工智能+行动的意见》（2025）
3. 对银行的影响分析
小组

二、AI与地缘政治

1. AI与地缘政治的相互影响情况
1. 技术制高点争夺
2. 供应链安全化
3. 数字规则分化
梳理二、AI与地缘政治的适用场景、输入输出和使用边界
拆解二、AI与地缘政治的工具配置、提示词设计和结果校验步骤
讨论：请列出地缘政治对银行应用AI将产生的影响
1. 技术选型风险
2. 跨境业务合规成本激增
3. 地缘政治风险传导至金融风险

沃土—当银行遇见AI

一、AI对银行的价值

1. 提高效率
2. 增加产能
3. 改善体验
4. 降低风险
5. 降低成本

二、银行是AI的沃土

1. 业务链条长、环节多、规则严谨
2. 大量重复、繁琐、依赖人力判断
3. 数据密度高
4. 准确度要求高

三、AI对银行的影响

互动导入：个人发言-您认为AI对银行最大的影响是？
1. 对客户的影响
1. 用户对银行的服务诉求会发生变化
2. 预期实时智能响应
3. 预期主动式服务
4. 数据主权与隐私交换价值
2. 对产品的影响
1. 产品研发过程被重新定义
2. 产品形态将发生变化
3. 产品与用户的交互方式将改变

四、银行AI发展状况

1. 银行AI投入情况
——战略重视程度、费用投入情况、人力投入情况
2. 银行AI能力建设情况
1. 能力成长类型：外包依赖型、共创成长型、自主研发型
2. 核心能力：模型调优、智能体平台研发、智能体构建、智能体迭代运营
3. 监管要求及能力评价模型
1. Gartner的AI成熟度模型
2. 中国银保监会AI监管指南
4. AI服务商生态图谱
1. AI大模型服务商生态

生根—让AI落地银行

一、AI在银行落地的阶段划分

1. AI应用的两种部署模式
1. 公共平台：特点、限制
2. 本地部署：隔离、安全、制约
2. 银行应用AI的四个阶段
——通用型→智能体→业务系统嵌入→大模型调优
3. AI落地的四个层次
1. 数据层：基础、数据标准、数据标注、数据共享
2. 系统层：承载、基础层、模型层、应用层
3. 业务层：应用、产品新形态、服务新模式、利润新来源
4. 组织层：生产关系、新部门、新岗位、新协同

二、AI在银行落地的条件准备

1. 算力引入
梳理二、AI在银行落地的条件准备的适用场景、输入输出和使用边界
讨论：如果行里只给500万预算启动AI，你会优先选择哪个部署模式？为什么？
1. 算力部署模式：本地化模式、公有云算力、混合云模式
2. 算力部署方案选择：监管要求、财务预算、科技基础、必要性
3. 本地化和云算力优劣比较：合规性、灵活性、节约性
2. 大模型矩阵
1. 银行可选择的大模型分类及特征
2. 大模型尺寸和参数规模
3. 大模型调优

三、AI在银行落地的工艺流程

1. 准备阶段
1. 关键步骤：需求调研、团队组建、算力准备、数据治理、合规审查
2. 实施主体：AI牵头部门、IT部门、业务部门
3. 风险及应对：数据质量差、超预算
4. 交付物：项目需求报告、团队组织图、算力采购合同
2. 模型与平台选择阶段
目标：选型大模型和智能体平台，确保技术匹配银行场景；优先国产模型
2. 关键步骤：大模型选择与接入、智能体平台选择与接入、联调测试
3. 实施主体：AI牵头部门、IT部门
4. 风险及应对：模型黑箱（应对：解释性AI工具如SHAP）、兼容性差（应对：沙箱测试环境）

四、行业案例解析

发芽—构建与AI相适应的生产关系

一、设置与AI相适应的专业机构

1. 基本原则：专业化、敏捷化、生态化
2. 企业级领导小组：一把手行长+分管行长+领域首席或总监
案例：北京银行-金融科技管理委员会；恒丰银行-AI领导小组
3. 部门设置
1. 专属部门模式
2. 二级部门模式
3. 联合团队模式
案例：工商银行、招商银行、北京银行
4. 协作单元

二、打造与AI相适应的岗位能力

1. 新岗位设置
1. AI标注员：业务理解力、工具熟练度、合规意识
2. AI培训师：教学能力、技术敏锐度、跨部门协作
3. AI模型工程师：技术深度、业务融合力、工程能力
4. 语料架构师：知识管理、技术工具、合规风控
5. AI业务分析师：数据分析、业务洞察、沟通能力
6. AI合规官：法规知识、风险评估、审计能力
2. 能力矩阵
1. 组织能力矩阵：数据治理能力、技术实现能力、业务应用能力、组织推动能力
2. 个人能力矩阵：技术素养、业务融合、伦理合规、创新协同

三、形成与AI相适应的制度体系

1. 数据治理与安全制度类
2. 模型治理与风险管理制度类
3. 算力与基础设施规范类
4. 业务与操作规范类
5. 组织与人才管理制度类
6. 监管与合规报告制度类
7. 应急预案与持续改进制度类

四、构建与AI相适应的评价体系

1. 价值效益评价
2. 能力成熟度评价
3. 安全合规评价
4. 创新与进化评价
5. 平衡计分卡综合视角
——将以上维度纳入平衡计分卡体系，形成综合评分，避免单一指标导向
工具：《AI组织架构设置建议》、《AI岗位说明书模板》

开花—十大场景，让AI赋能业务

一、AI赋能

1：AI赋能风控场景
价值：从事后防御到实时预警
1. 建成企业级一体化智能风控中枢
2. 风险交易实现毫秒级识别与拦截
3. 风控模式完成从"规则驱动"到"规则+模型双驱动"的演进
梳理一、AI赋能的适用场景、输入输出和使用边界
基石-构建高质量风险数据仓库与标签体系
核心-建立"业务专家+数据科学家"混编团队
保障-搭建成熟的ModelOps体系

二、速赢项目与战略项目

讲师介绍

江浔楷

金融数字化落地实战专家

22年银行及金融科技实战经验，原工行总行及平安壹账通高管。专注金融数字化转型与AI落地，擅长通过数据与智能工具赋能银行零售业务增长，服务40+中小银行，实现获客成本大幅降低与业务规模突破

银行金融科技互联网金融高等教育

查看讲师主页

课程差异说明

本课程页面围绕《人工智能在银行的最后一公里：，训练AI赋能与落地实战》重点呈现课程定位、适合对象、核心收益和 8 个主要模块，便于快速判断培训匹配度

课程常见问题

企业合规官培训适合哪些企业需求？

企业合规官培训适合围绕课程主题、参训岗位、业务场景和课后落地动作做企业内训设计，具体内容可结合本课程大纲和讲师经验调整

这门《人工智能在银行的最后一公里：AI赋能与落地实战》适合哪些企业或学员？

适合总行金融科技部、数据管理部、各业务部门（零售、对公、风控、。如果需求还停留在主题了解阶段，建议先看相关主题或方案页；如果已经在选具体课程，本页可用于判断讲师、对象、大纲和交付安排

这门课主要解决什么问题？

正文与课纲结构达到标准课程页候选要求。课程页重点说明单门课程的训练重点和适配场景，不替代主题页对人工智能应用的系统解释

课程内容通常会覆盖哪些训练重点？

可重点查看页面中的课程内容重点和课程大纲，并结合人工智能应用相关问题识别、方法训练、案例演练和行动复盘来判断深度是否匹配

如何判断这门课和同主题其他课程怎么选？

优先比较参训对象、行业场景、讲师背景、案例方向、课时长度和大纲深度；同一主题下的多门课应承担不同选课意图，避免只按泛主题词判断

人工智能在银行的最后一公里：AI赋能与落地实战