摩根资产管理有限公司,智合远见私募基金,平安资产管理,生命保险资产管理,上海明河投资,中国人保资产管理,青岛星元投资,鹏华基金,上海煜德投资,广州市玄元投资,誉辉资本管理,上海君禾投资,上海阿杏投资,上海筌笠资产管理,东方证券资产管理,上海磐厚投资,中信保诚基金,中信建投证券,建信基金,北京暖逸欣私募基金,名禹资产,诺安基金,北京遵道资产,上海域秀资产管理,诚通基金,摩根基金,寓隆资产,国联基金,万家基金,大家资产管理,上海鑫垣私募基金,易方达基金,新华基金,宝盈基金,上海秦兵投资,上海喜世润投资,华夏久盈资产管理,安信基金,景顺长城基金,浙商证券,新华资产管理,上海驯致投资,东吴基金,五地投资,宁波勤朴私募基金,华夏基金,摩根资产管理,北京金百镕投资,泰信基金,国投瑞银基金,工银瑞信基金,上海彤源投资,中银基金,深圳市前海道明投资,西部利得基金,富国基金,杭州红骅投资,百嘉基金,德邦基金,上海极灏私募基金,交银施罗德基金,天弘基金,太平基金,国海富兰克林基金,上海彬元资产管理,天惠投资,博时基金,深圳正圆投资,中加基金,富安达基金,深圳市乾图私募证券基金,财通证券资产管理,贝寅资产,平安养老保险,民生证券,深圳瑞信致远私募证券基金,浙江景和资产管理,上海复胜资产,南方基金,国金证券,上海高毅资产管理,上海南土资产管理,长江养老保险,上海原泽私募基金,Brilliance,南银理财,国泰君安证券,中再资产管理,国泰基金,华创证券,深圳市金之灏基金,上海玖鹏资产管理,深圳市景泰利丰投资,英大保险资产管理,中国人民健康保险,宏利基金,上海冲积资产,Pinpoint Asset Management Limited,国融基金,银华基金,上海博道投资,汇丰晋信基金,上海赋格投资,华商基金,前海联合基金,宁银理财,中达投资,上海混沌投资,广发基金,禾永投资,长信基金,君阳基金,北京澄明私募基金,重庆德睿恒丰资产管理,鑫元基金

一、DeepSeek对金融行业AI应用整体影响及公司相应发展机遇情况介绍

对于大模型的应用,金融机构出于数据安全与合规性的考量,更倾向于进行私有化部署。DeepSeek大模型凭借其高性能、低成本且开源的优势,显著推动了金融行业AI应用的进程。京北方作为国内领先的数字化转型综合服务提供商,自成立以来始终深耕银行业,国有大型银行一直是公司的核心客户。作为金融科技领域的先行者,大型银行在前沿技术的探索和应用方面具有示范作用。在AI领域,公司已与大型银行展开共研、共建合作,积累了丰富的交付经验和案例验证。此外,基于与大型银行建立的广泛服务合作关系,公司深入理解银行的各项业务流程,能够迅速识别适用AI的业务场景并开展相关探索。去年上半年,公司发布了AI大模型服务平台、智能测试助手、智能资管业务助理、企业知识助手等多款大模型系列产品,未来公司将进一步加大在AI领域的探索力度。

二、问答环节主要提问

1、公司目前在AI领域的布局,以及此次DeepSeek能够带来的IT架构变革是怎样的?

回复:DeepSeek将带来三大主要变化,即开源的趋势、私有化部署线下闭环及应用效果提升,将从两个维度拓宽金融IT特别是银行应用大模型的空间。纵向来看,效果提升使每个银行的业务在纵向的业务场景中,不同业务节点增加AI赋能的可能性;横向来看,不同银行的不同业务使用AI的场景会拓展,涉及银行运营、信贷、风控、营销、渠道等不同业务板块。此前受成本和模型部署限制,很多应用场景无法实现,现在空间拓展能释放银行需求,且银行需求会从科技部门驱动转向业务部门驱动。对于IT软件及服务供应商,以大行合作为主的模式下,公司在客户卡位以及对客户行业业务理解上有优势。

2、下游客户对于DeepSeek部署的需求变化,尤其是私有化部分如何看待,以及未来的商机如何看待?

回复:过去金融行业主要基于私有化部署接入开源大模型,如阿里的千问、智谱清言等,进行模型应用的探索工作。银行对数据自主可控的要求极为严格,采用API方式接入闭源大模型并将银行端数据输入至闭源厂商模型,难免引发数据安全的担忧。因此,支持开源的潮流将促使更多银行选择性价比更高的私有化部署方案。但是私有化部署存在一定算力投入门槛,银行以效果为导向,不会盲目进行大批量部署。大行可能更多采用集中的大平台提供算力,内部接入大平台算力平台;中小行更灵活,会平衡模型研发时间、训练时间和算力投入,可能选择缩小模型、接受相对小的算力和长一点的训练过程。公司作为合作早的厂商,可以和银行探索不同方式,如在私有化部署加上软件的应用层集成开发调优等,未来也有可能探索软硬件一体化的方式。

3、公司在BPO场景上关于AIagent的布局是怎样的?

回复:公司除给银行提供IT系统外,还帮助银行做专家型集中化管理和作业,这使公司能够深入银行的业务流程,了解可通过AI赋能和优化的后台业务环节。公司会继续拥抱行业趋势,我们认为用AIagent方式解决银行客户作业流中各节点问题是很大的机遇,会带来银行运营体系转型以及公司业务转型机会。

4、公司跟模型厂商在银行端或业务侧落地的商业合作模式是怎样的?

回复:过去与大厂合作时,大厂会自主集中布署算力、进行私有化部署模型平台,并接入不同开源大模型厂商。公司主要参与后端应用开发和模型调优工作,部署完后在银行内部使用。未来随着中小行业进入市场、应用铺开,可能会出现不同商业模式,这取决于客户诉求,大行和中小行需求差异较大,可能会有打包大模型服务等创新方式。目前已有客户在探索让公司接过一些调优工作。打包模式有可能会成为一种主流。

5、公司银行及其他行业呼叫中心业务与AI结合有什么规划,能否实现降本增效?

回复:呼叫中心业务很适合做AI化,公司有自己的呼叫系统,早期已用人工智能做了一些探索,大模型会进一步提升智能客服、智能外呼、智能营销的效果。公司会积极拥抱技术进步,根据客户需求提供技术支持。对于公司自身非金融领域的呼叫中心服务业务,根据过往经验,用AI替代后有降本增效的效果。未来随着AI技术走向成熟,效果会更加明显。

6、如果AI发展较好,银行及大型企业的呼叫中心会继续外包给公司,还是会选择自己内部上系统?

回复:银行对合规和安全要求较严格,从公司过去的发展经验来看,ITO和BPO是同步增长的。在使用先进AI技术过程中,会衍生出很多新的服务型业务需求,并非简单的替代关系。公司作为IT厂商,能获得IT业务和衍生服务业务两部分的市场机遇。

7、为金融行业客户做模型调优工作的价值量如何,公司做这项工作有何优势,同行是否也能做同样的事?

回复:根据过往案例,一个模型布置初始命中率为25%,经过6个月的调优,命中率提升至55%-60%,因此调优工作具有较高价值。同时,调优具有一定门槛,首先要对模型有一定理解,需在多个场合应用过该模型;其次,调优的模型分推理型和数据类,推理型模型调优要对业务有深刻理解,数据类模型调优关键在于数据清理,也要求对数据有深刻理解。随着使用时间增长,调优工作的护城河会越来越深。

8、金融行业客户使用AI落地主要基于哪些考虑?

回复:银行使用AI前期主要目的为降本增效,即降低单件工作成本,提高人均产出,用AI替代常规辅助性工作以降低风险。此外,在个别银行的营销试点中发现,使用AI后客户粘性增加,客户在手机银行、网上银行或大堂看相关资讯时的停留时间增加。因此金融机构一方面在加大AI内部场景使用以持续降低单件处理成本,另一方面在营销方面通过AI辅助增加客户粘性。

9、大行、中小行等下游客户在IT支出方面的行业增速如何,2025年整体规划怎样,是否会在AI方面有更侧重的投入?

回复:整个银行IT过去几年主要依靠数字化转型以及信创驱动。目前银行金融机构有信创的明确要求,所以满足信创要求是基本盘。一些信创节奏较快的大行、股份制银行,可能逐渐转向拥抱新技术投入,将之前积压的需求通过新技术手段应用落地,投入重心会向AI或数据等方面调整。银行一般在年初形成初步预算,年中可能根据技术应用进展和变化,对重点方向再次调整。在行方交流需求和落地应用需求都有较大提升的情况下,AI方面的投入资源预期会有一定倾斜。