数字人目前已广泛运用于各行各业，其具有可控性高、可编程性强、边际规模成本等方面优势。在金融场景中，数字人替代了许多重复性的工作，看似其广泛运用于银行场景，但实际上其对于银行业务的参与度并不“深”，出于技术安全合规等多角度考虑，数字人大多用于辅助作用。未来，在政策和市场双导向下，银行业数字人将与大模型进行结合，赋予数字人“灵魂”，让它们具有和人类一样的语言理解能力成为了市场下一阶段目标。

近年来，伴随人工智能技术的突飞猛进，数字人产业得到了快速发展，其应用场景涵盖了娱乐、金融、医疗等多个领域。根据钛媒体APP了解，市场数据显示，2022年中国虚拟人核心市场规模为120.8亿元，预计2025年将达到480.6亿元，2030年将达到950亿元；2022年虚拟人带动周边市场规模为1866.1亿元，预计2025年为6402.7亿元。3023年9月，IDC中国副总裁兼首席分析师武连峰发布的《银行数字科技五大趋势》中预测，截止2025年，超过80%的银行都将部署数字人，承担90%的客服和理财咨询服务。

银行业数字人处于起步的“探寻阶段”

2019年浦发银行研发的“AI驱动的3D金融数字人”小浦第一次出现； 2020年7月，德意志银行迎来全球首个虚拟数字员工“Blue Bot Yi”并入驻中国； 2020年12月，光大银行推出数字人小璇，构建了线上线下全行一体化经营体系；2021年年底，百信银行推出首位作为“AI虚拟品牌官”的数字员工AIYA；2021年12月，江南农商银行与京东智能客服言犀共同合作推出VTM数字员工可协助进行前、中、后台的工作；2022年，平安银行推出虚拟数字人“苏小妹”；2023年12月，上海银行推出AI数字员工“海小智”和“海小慧”协助手机银行APP、e事通、线下旗舰网点、元宇宙银行等多种渠道运营……据2023年11月29日，中国银行业协会发布的《远程银行虚拟数字人应用报告》显示，一共有11家落地应用虚拟数字人，另有5家正在筹建，这些银行根据自身经营模式与战略定位将虚拟数字人应用于对客服务、风险控制、新媒体运营、内部赋能四大领域。

图片来源@中国电子银行网

银行业数字人运用现状：真人员工的辅助

市面上主流划分方式将银行领域的数字人区分为服务型和身份型，又或者可以理解为固定形态和不定形态的。服务型虚拟数字人类似于银行前台人员，这类数字人是有固定“美丽外表”的，客户可以与之进行交流，它们主要提供客服、咨询、引导等服务，目的是提高银行的服务效率和质量。身份型虚拟数字人包含的范畴更广，它们从事中后台的工作，甚至可以“替代”公司高管级别的员工，这类数字人主要用于后台内容处理、交易监控、风控等技术性服务，它们进行了大量的机器学习，具有高效文件处理和数据处理能力，从而给前台更多的技术服务支持，还有一部分数字人承担品牌官、形象代言等角色，它们旨在提升银行的品牌影响力和市场竞争力，给客户提供更新型的服务体验。　

数字人的运用是市场趋势所在，它主要受以下两个因素影响——降本和增效。据钛媒体APP了解，银行虚拟数字人秉承“无眠无休”的工作模式，在工作时长上碾压“007”，它们发挥集约服务的优势，为客户提供全流程陪伴式服务，且24小时不间断工作，更能服务到海外地区的时差用户，能降低重复性工作所带来的人员占用问题，同时一定程度上避免了“排队等客服”的问题，对银行和用户都达到了降本增效的效果。

除了最基础的“大堂经理”和“银行柜员”工作外，数字人已广泛运用到财富管理方面，数字人与真人理财经理的“强强组合”是从数据和服务两个方面的提升。在传统的理财经理模式上，数字人实现了对客户财务状况和所持资产的动态监控和实时分析，增加了理财经理计算分析的能力和效率，同时为客户增加了更多可视化的安全感。

银行部分大额业务需要进行视频验证，虚拟数字人依托语音接收、语义理解、多轮交互、生物识别等综合技术手段逐步替代该项服务所需的人工，目前，光大银行和平安银行已初步将其运用在远程交易面部识别、远程合同审核等场景。

此外，数字人还包含了一些“慈善社会性服务”，它们的出现为老年人及部分特殊群体提供了更多的帮助与支持，据钛媒体APP了解，数字人具有加大字幕、手语播报等功能应用，在提高金融服务效率的同时也为银行争取了潜在客户群体。

银行业数字人的挑战：面对最新技术只有眼馋的份？

银行已经从最初的人人交互到人机交互再到如今的人“人”交互，什么时候能将双引号去掉呢？这便是银行业落实虚拟数字人的第一大挑战。从技术层面上看，AIGC仍处发展阶段，银行数字人还无法完全复刻人类，例如表情处理上无法完全拟人，感知上缺少亲和力，对话内容存在重复性和非个性化等缺点。对于业内所担忧的问题“数字人会代替真人员工”，其实必要性不高，真人员工更具机动灵活性，能“变通”得帮助客户解决问题，相比起数字人，如果问题超出了数字员工的“学习范围”，数字员工则可能出现宕机或者“已读乱回”的现象，从而给客户造成不好的服务体验。

第二个挑战是银行业的数字人技术相对落后。从安全性上看，银行作为为客户储存和管理资金的地方，对于安全性的监管要求远高于其他行业，因此对于网络、算法、内容等安全性的高级别设定是银行虚拟数字人所要克服的最大难关，这也导致了目前银行业虚拟数字人的“生产工厂”主要来源于各家银行内部技术团队，因此每家银行数字人技术之间存在一定的壁垒，数字人研发后也需要进行长期的内部试用才能发布。此外，目前市面上最新的虚拟数字人技术在缺乏百分百确认安全的情况下是无法运用到银行业中的，业内人士表示，银行业所运用的虚拟数字人技术在行业中是很“落后”的。这便形成了一个悖论，明知最新的技术可以解决现阶段问题但出于安全性的考虑无法运用，这便是现阶段银行业数字人所面临的一大挑战。　　

第三个挑战是银行数据私密性强、整合难度大。对于大多数银行或集团性银行而言，不同部门之间或者集团下不同子公司之间存在数据或系统独立性，导致客户的数据信息分散且无法集中管理，从而导致客户在不同部门进行业务时需要提供重复性的资料、数据等，不但给客户带来了麻烦和数据采集的重复性，还不便于银行或集团进行统一数据管理。在《万事达卡推出智能订阅服务，探路开放银行｜钛媒体金融》一文中所提及的万事达智能订阅服务以及开放银行模式便是探索解决这一问题的方案。在这样非统一管理的模式下，数据的质量有所降低，从而增加数字人分析处理难度，进一步影响到数字人的准确性。

第四个挑战是人机交互不灵活，运维成本昂贵。数字人基于预设的“答案”检测关键词进行响应，因此输出的答案统一且不具有针对性，对于超出数据库的答案，数字人可能无法处理这些非标询问，这便是人工具有数字人不具备的灵活性。人工咨询是“有问必答”，即使是不了解此服务和需求的人员也会转接至了解的员工进行处理，相比之下，数字人传回的答案可能是根据问题中输入的某个关键词匹配数据库中的答案，或者表示该问题超出认知无法进行作答。因此为了与时俱进，后台技术人员需要定期迭代无法回答的问题，进行筛选、加工、录入，从而扩大数据库的“知识”，匹配对应的“答案”，这导致数据库的建设需要耗费大量时间和资源进行定期更迭和维护，从而产生高额成本。

“大模型+数字人”增强数字人独立性的可实现性

银行数字人仍旧是依托于真人员工之下的辅助员工，什么时候它才能实现“自主”？伴随大模型的引入，“自主”数字人看到了希望，因为它们开始得到了“自我学习”的能力。植入大模型的数字人比传统AI模型做出来的数字人更具智慧性和拟人性。大模型是具有巨大参数的深度学习模型，它可以处理各种复杂的任务，且可以自行通过大量数据进行训练从而认知到人类语言表达上的区别。大模型能解决数字人学习过程中需要处理的数据质量问题，根据数据的特性进行数据清洗，从而输出完整且准确的“答案”。

大模型是在AI基础上进行的升级，因此和现有的数字人进行结合不存在过多“相斥”现象，结合后甚至能发挥“1+1>2”的效果，进行仿生交互，更好地应对用户的需求，真正的将数字人训练成为数字员工。

目前市场上主流的银行业实践大模型和数字人结合的应用主要分为以下四种：第一、智能风控领域，数字人可以利用更强大的模型对大量历史数据进行提取和自动生成，更好拟合和识别潜在风险敞口，并做出对应的提示和应对方案，这有助于降低客户风险事件的发生概率，降低银行对此类风险事件的赔付准备以及可能损失的声誉。第二、智能客服领域，相比传统AI数字人，大模型允许数字人可以对银行账户、产品的常见问题，甚至涉及更深的人际交流进行答复，从而给客户提供更加优质且个性化的服务。第三、智能营销领域，结合了大模型的数字人“更懂得“客户的需求，在深度分析客户的交易和行为数据后，使用大模型为客户推荐合适的金融产品，并以不令人反感的营销策略展示，一定程度上提高销售转化率。第四、智能运营领域，数字人已学会处理设定好的标准化后台操作流程，目前主要用于数据审核、身份识别等，确保客户所开展业务的高效性和准确性。

数字人下阶段目标——拥有“灵魂”

数字化程度成为评判一家金融机构好坏的标准之一，因此依托大模型构建数字员工成为银行业主流选择。

大模型使得数字人更“真”，它对于数字人的改善不仅仅是降低了3D数字人的制作难度，更为数字人注入了灵魂。据钛媒体APP了解，过去3D建模依赖传统CG技术，动作捕捉需要采集真人大量数据，现在依托视频大模型的数字人工具平台，算法可以高效生成3D模型，处理面部细节也更加逼真，最重要的是大模型提升了数字人对语言的理解能力，使数字人可以运用到更多维的业态中。

中国银行研究院研究员吴丹表示，“大模型应用使生成式AI技术赋予银行数字人强大的对话与创造能力，甚至自主学习能力。拥有AI大脑的银行数字员工业务能力与服务水平将得到大幅提升。同时，大模型应用也让数字员工有‘灵魂’，该类数字员工可以有效助力相关后台专业岗位人员优化工作流程，大幅提升工作效率。因此，未来银行在各个业务条线应用拥有AI大脑的数字员工，将成为主流选择。”

在中国推进数字化进程中，大模型率先赋能金融行业是有据可依的。银行天生就是处理数据的企业，大模型的建设不仅帮银行理清多年来的数据，还将一些待解决的问题和存在的风险一并暴露解决，与其说银行构建大模型为了抢占市场份额，不如说大模型帮助银行从内至外进行革新，提高其内在竞争力。

数字人是时代更替的产物，但仍有技术难关需攻克

总体来看，数字人具有以下三种价值升级。一是代替人工，数字人是“不知疲倦”的，它们可以代替人工进行24小时值守，减少重复劳动带来的人工占用和人工成本耗损，同时加快对客户的服务速度，做到“1对1”专门“专人”服务，适应银行业降本增效的潮流。二是升级服务体验，大模型的介入给数字人增加了强大的搜索引擎，允许数据人探寻数据库以外的答案，从而解决了统一话术无法解决差异性提问的问题，此外大模型给数据人增强了“感知力”，通过客户的预期和微表情捕捉客户当前的情绪状态，从而分析出最具适用性的话术。三是数据沉淀，对于金融、银行业而言，经验为王，这也是客户习惯性选择年纪大、看起来资深的客户经理，“大模型+数据人”可以不断积累金融数据、案例，不断收集和挖掘客户的需求和偏好，再叠加拟人的分析手段，它们将在短时间内学习和积累无数成功和失败案例，从而短时间内形成最符合客户需求的方案，并规避大部分情况所带来的风险，逐渐成为“最懂客户”的专家，并将客户的信息形成数字化资料，包括感知数据、反馈数据等，不仅仅能转化为企业数据库的积累，还能增加私人订制所带来的客户粘性。

吴丹表示：“目前AI能力及大模型应用还处于探索发展阶段，银行业落实虚拟数字人还需要克服诸多挑战，例如避免同质化、内容安全治理、违规行为监管等，才能为客户提供更加智能化、高体验感的优质金融服务。”

大模型赋予了数字人更强的储存和学习能力，同样也存在着不少问题限制这项技术的发展。第一追责性，在数据不完善的阶段甚至在数据完善阶段也难免会出现特殊案例，一旦数字人服务发生事故，应该如何进行追责和后续事项的处理，目前法律上尚未做出明确规定，这也会导致一部分用户因为惧怕不可追责性而选择传统的人工服务。第二安全性，一旦数据上传至云端、联网，便不可避免的存在“黑客”风险，客户处于对自身信息和资金的安全考虑可能会拒绝接受这样的数字化更新服务。第三道德性，由于数字人不是真人，难免会导致部分心怀不轨之人对数字人进行“轻浮”甚至触碰道德底线，在模型建立时应该对该类事情进行设定和规避，以免助长不良风气。第四歧视性，由于现实生活中的偏见、歧视、地域文化差异等，导致“大模型+数字人”在学习中难免会建立一些“不良习惯”，一旦服务时触及客户的敏感话题，客户又应该把问题追责至谁，银行又该如何规避此类风险也是业界目前一大难题。第五不稳定性，由于“bug”的存在，大模型技术生成的部分内容可能存在质量不稳定的情况，在保证数字人进行准确回答的前提下，又要保证回答内容完全符合金融监管要求，银行需要对大模型进行大量的数据训练以及各方面审核，这对于银行金融科技部门前期生产投入的资金量和工作量要求很高。

展望未来，伴随生成式AI的飞速发展，数字人将拥有强大功能和自主学习能力，“大模型+数字人”将逐渐迈入“智人”时代，在这一时代结晶的助力下，银行将有望实现人机协同智能化、经营决策智能化、业务流程智能化，从而加快实现数字化转型，为客户带来更优质、更丰富的数字化体验。（本文首发于钛媒体APP，作者｜李婧滢，编辑｜刘洋雪）

更多宏观研究干货，请关注钛媒体国际智库公众号：