ENTERPRISE FINANCE AI COPILOT · 2026

产业金融 AI CoPilot 平台

嵌入银行对公客户经理工作流的
AI 原生操作系统

路演方案 · 致银行管理层作者：高思宇

AGENDA · 议程路线图

5 幕展开 · 从设计思想到落地路径

先讲透"为什么这样设计"，再用 Demo 实体化展示，最后是合作路径

第一幕

问题与思想

RM 工作本质
现有工具认知缺位
RM 真实诉求
RM 受到的真实约束
AI 应用边界 L0-L4
设计哲学三柱纲领
三柱独立详解

7 屏 · 约 14 min

第二幕

实体化 Demo

工作流全景 + 6 CoPilot
Demo 1 · 客户开发
Demo 2 · 拜访营销
其余 4 个 CoPilot 速览

6 屏 · 约 22 min

第三幕

实现框架

三层架构
4 类 24 个 Agent
信号到行动活态演示
11 库 + 6 大行业

4 屏 · 约 9 min

第四幕

落地验证

已验证落地能力
合作路径建议
风险与边界

3 屏 · 约 6 min

第五幕

下一步合作

邀请深度交流
试点机制设计
Q&A

1 屏 · 约 1 min + Q&A

⏱️ 全部演讲约 52 分钟 + Q&A · 建议在每个 Demo 后留 2-3 分钟现场问答

02 / 23

第一幕 · 问题与思想 · 1 / 7

RM 的工作本质：7 个痛点 · 但只有 1 个病灶

业界普遍把 RM 痛点列为 7 大场景——这是症状描述。真正决定产品设计的，是这 7 个痛点背后共同的认知架构问题

业界普遍描述：7 大痛点场景

1客户定位支行半径上千家企业，无系统化筛选能力

2信息收集客户工商/财务/新闻/内部记录散落多处

3拜访准备每次会前 2-4 小时人工拼材料

4方案设计50+ 产品矩阵难全面覆盖与匹配

5尽调工作不同行业要点散落，依赖个人经验

6授信报告3-5 天反复返工，模板散落

7贷后监控周期性人工排查，风险后知后觉

→

但这只是症状
真正的诊断

诊断 1 · 三重身份失衡

数据整合工≈ 60% 时间被占用

行业分析师≈ 被压缩到 25%

客户经理≈ 仅剩 15%

诊断 2 · 三个无人作答的"哪"

哪些客户值得开发？

哪个时点应该出手？

哪种产品最匹配？

💡 7 个痛点只是症状 · 真正的病灶是 RM 工作的认知架构——AI 工具如果只解决"信息检索"这一层，最多只是缓解症状；要根治，必须从工作流认知架构入手

03 / 23

第一幕 · 问题与思想 · 2 / 7

现有工具的"认知缺位"

三类工具各自解决了一部分问题——但都没触及 RM 工作流的真正难点

信息搜索类工具

企查查 / 启信宝 / Wind / 同花顺

✓ 解决了："找数据"——工商信息、财报、新闻整合到位

✗ 没解决："判断"——RM 拿到数据后还是要自己分析、自己排序、自己决定

根因：不理解 RM 工作流的时间结构——把"数据查询"等同于"工作辅助"

银行自建工具

CRM / 授信系统 / 数据看板

✓ 解决了："流程管控"——业务流转、审批合规、KPI 看板

✗ 没解决："业务推理"——系统记录了行为，但不理解业务的"为什么"

根因：把"流程数字化"等同于"工作智能化"——结构化数据不等于业务理解

通用大模型

ChatGPT / Claude / 文心 / 通义

✓ 解决了："语言生成"——写文档、做翻译、回答常识

✗ 没解决："产业语义"——不懂"扩产期客户该推什么产品组合"这类业务知识

根因：缺少垂直行业的"术语-动作"映射——通用语言模型无法替代产业知识本体

💎 真正缺位的是「工作流原生（按 RM 时间结构编排）× 产业语义本体（垂直行业的术语-动作图谱）× 推理决策能力（从信息到判断的逻辑链）」三合一——这才是产业金融 AI 的破局点

04 / 23

第一幕 · 问题与思想 · 3 / 7

RM 的真实诉求：要的不是"更多信息"

从一线 RM 反馈中提炼出来的认知——AI 工具必须按 RM 的认知节奏说话

"我不需要再来一个能搜信息的工具。打开它要等 30 秒，找 5 分钟，还要我自己看完一堆资料再做判断——那我不如直接打电话问行业研究员。

我要的是：现在就告诉我这周该拜访谁、为什么、带什么方案去。"

—— 从一线 RM 反复表达的诉求中归纳

RM 想要的
产品形态这不是随便定的格式——
是 RM 决策认知结构的还原

1

明确结论

1 个清晰决策
少于 1 会失焦

+

3

支撑理由

多源交叉验证
2 个易误判 4 个嫌冗

+

1

推荐动作

可执行动作
无动作 = 半成品

🎯 这是「L3 行动建议」层 AI 应用的核心特征——但要做到这一点，必须先理解 RM 工作中的真实约束（下一屏）

05 / 23

第一幕 · 问题与思想 · 4 / 7

RM 受到的真实约束：四道"看不见的天花板"

RM 不是"想做就能做"——产品设计必须为这四道约束量身定做

⏱️

时间天花板

一位 RM 平均管 50-100 户存量 + 100+ 潜在户。每天工作 10 小时，刨除内部会议、流程审批、合规材料，留给"想清楚"的时间不超过 2 小时。

👉 约束 → 应对 → 工具特性：时间稀缺 → RM 只能在 5 秒内决定看不看 → AI 必须开屏即给判断（而非搜索框）

🤝

信任天花板

RM 与客户的关系是"长期信任经营"——一句不准的判断，可能失去一整个客户。这意味着 RM 对"黑盒推荐"天然抗拒。

👉 约束 → 应对 → 工具特性：信任稀缺 → RM 必须能跟客户解释为什么 → AI 的每条建议必须可下钻溯源到原始信号

📋

合规天花板

银行场景下，所有 AI 推荐都要经得起合规、内审、监管三重审查。客户经理不可能基于"AI 的某个 token 概率"向客户推荐方案。

👉 约束 → 应对 → 工具特性：合规底线 → 决策必须留痕可审 → 人在回路是底层架构（不是可关可开的功能）

🧠

认知带宽天花板

即使 RM 是行业专家，也无法同时精通 6 大行业 200+ 子行业 × 50+ 产品 × 500+ 风险维度的所有组合。认知带宽是物理性的限制。

👉 约束 → 应对 → 工具特性：认知有限 → RM 不可能全能 → 产业语义本体必须沉淀在系统里，按需调用

💡 这四道约束同时存在——只解决其中一两条的产品，本质上还是"AI 包装的搜索工具"。下一屏看 AI 应用的边界

06 / 23

第一幕 · 问题与思想 · 5 / 7

AI 应用的 5 级阶梯 · 我们刻意停在 L3

不是"模型越强越好"——而是"做到正确的层级"。L4 不是终点，是越界

L0
信息检索
给定关键词，返回相关文档与数据
例：搜索引擎 / 企查查
门槛：
数据可得
L1
信息整合
多源信息汇总、去重、结构化呈现
例：通用大模型问答
门槛：
上下文拼接
L2
信息解读
基于行业知识对信息做分析、对比、归因
例：行业研究员的初步分析
门槛：
垂直知识
L3
行动建议
结合业务流程，给出"该做什么 / 何时做 / 如何做"
例：本周三拜访 X · 推项目贷 2 亿
门槛：
工作流嵌入
★ 我们在此
L4
自动执行
AI 代替人完成决策与操作
例：自主决定授信额度并放款
门槛：
问责制
金融场景
越界禁区

💡 L4 真正的门槛不是技术能力，是"问责制"——金融决策错误时，必须有可问责的人类主体；AI 永远是建议者而非决策者，这是 L3 边界的最终论证

07 / 23

第一幕 · 问题与思想 · 6 / 7

三条设计哲学 · 产品的认知主张

这三条哲学不是营销口号——是从前面 5 屏（痛点 → 诉求 → 约束 → AI 边界）一路推导出来的必然结论

01

工作流原生

不做信息搜索的更好版本——做工作流的副驾驶

← 推导自：屏 3「7 个痛点」+ 屏 6「时间天花板」

02

产业语义本体

AI 理解力不来自模型大小——来自底层语义结构

← 推导自：屏 4「产业语义缺位」+ 屏 6「认知带宽天花板」

03

人机协作架构

不替代 RM——是赋能 RM · 关键节点人在回路

← 推导自：屏 6「信任 + 合规天花板」+ 屏 7「L3 边界」

🎯 下一屏：每条哲学独立详解——原则推导 · vs 错误做法 · 产品决策 · 业务后果，把哲学变成可验证的产品决策框架

08 / 23

第一幕 · 问题与思想 · 7 / 7

三柱独立详解 · 从哲学到产品决策

每柱都用统一框架解构：推导链 · vs 错误做法 · 产品决策 · 业务后果——可验证、可质疑、可推翻

01 工作流原生

推导链

RM 时间稀缺（屏 6）→ 决策点散落在 7 段工作流（屏 3）→ AI 必须按工作流时点编排，而非按"功能"编排

vs 错误做法

错误：做一个"全能 AI 助手"让 RM 随时来问 · 后果：变成更好用的搜索框

产品决策

6 段工作流 = 6 个 CoPilot，每个 CoPilot 服务一个具体场景；功能不复用、入口不复用，但底层 24 个 Agent 复用

业务后果

RM 不需要"切换工具"，每个时点打开看到的就是该时点最相关的 AI 输出

02 产业语义本体

推导链

RM 认知带宽有限（屏 6）→ 不可能记住 6 行业 × 200+ 子行业的所有规则 → 必须把垂直知识沉淀进系统

vs 错误做法

错误：直接用通用大模型回答产业问题 · 后果：模型不知道"高镍三元扩产意味着什么"

产品决策

建立 11 库产业金融本体（行业知识图谱 + 营销 playbook + 风险评估标准 + 产品图谱等），作为基模与 Agent 之间的语义层

业务后果

同样的基模 + 不同的本体 = 完全不同的输出质量，这是替代不掉的护城河

03 人机协作架构

推导链

信任 + 合规天花板（屏 6）→ 每条建议都要 RM 解释 + 经得起审查 → 决策权必须留给人 · L3 而非 L4（屏 7）

vs 错误做法

错误：追求"AI 直接对客户输出/直接拍板" · 后果：撞合规红线，被监管叫停

产品决策

CRM 自动回填、风险预警、产品推荐外发——关键节点全部"人在回路审批"，可追溯/可干预/可推翻

业务后果

银行才敢把 AI 嵌入核心工作流——这不是产品功能，是底层架构原则

🎯 接下来第二幕实体化 Demo——你会看到这三条哲学如何落到产品的每一处细节

09 / 23

第二幕 · 实体化 Demo · 1 / 6

6 段工作流 × 6 个 CoPilot · 实体化前的最后地图

从早 8:30 到晚 18:00，RM 真实工作流上每一段都有专门的 AI 副驾驶