容联云唐兴才：三步打造金融大模型使用“生产力引擎”

在2025年QCon全球软件开发大会上，容联云大模型产品负责人唐兴才以《笔直职业大模型使用从“技能Demo”到“生产力引擎”的跨过》为题，直面当时大模型技能落地卡点，结合银行、稳妥等实战事例，为职业带来一场关于“智能体价值变现”的硬核共享。

AI落地窘境：技能才能≠生产力。

当下，AI 技能正从“产品才能驱动”向“最终用户需求驱动”转型。很多大模型使用智能体却还被困在“技能 Demo”阶段，难以转化为实践生产力。

唐兴才指出，中心对立在于：

·场景挑选窘境：从“什么都能做”到“什么值得做”，不同场景ROI难量化。

·技能适配难题：算力本钱高、模型错觉难控等。

·安排协同断层：事务、技能、数据部分分裂，价值闭环难构成。

他以金融职业为例，着重“ROI思想”的重要性——例如，银行信用卡场景中，AI每提高1%的催收功率，即可带来百万级收益。但是，若技能没有与中心事务场景对齐，或是无法嵌入现有事务流程，投入再高的算力也难见成效，这才是企业真实的落地焦虑。

三步完成“生产力引擎”跨过。

part one。

场景挑选：快速找到高价值场景。

唐兴才着重，回绝为AI而AI，有必要找到企业生命线的中心价值点。

面对当时大模型使用堕入"场景众多"窘境，企业面对资源投入与事务价值的困难选择。他提出高价值场景的挑选模型：高价值场景 = 事务价值密度 x 数据可用性 × 流程嵌入度。。

part two。

技能架构：场景化智能体灵敏开发。

唐兴才展现了容联云“银行AI大模型整体建造结构”，这套结构以“认知+感知双引擎驱动、分层解耦、事务适配”为中心。

他表明，容联云的技能架构不是简略的“模型+算力”堆砌，而是事务价值的翻译器。结合银行职业特性打造分层式、模块化的智能体系统，并引进常识处理工程，保证大模型才能与事务场景深度适配，成功处理了企业级AI落地中“技能堆砌难用、场景碎片难融、数据孤岛难破”三大难题，成为支撑智能体向生产力转化的技能底座。

part three。

落地战略：可规模化仿制的保证。

安排适配方面，要完成 “事务-IT 技能-数据” 三角协同，防止因部分间协作不畅导致项目失利。

本钱操控上，从轻量MVP验证切入（如单场景质检Agent），经过模块化扩展下降试错本钱。继续迭代则经过“用户反应→模型优化→场景扩展→数据沉积”，构成越用越聪明的自增强飞轮。

大模型使用重塑职业生产力。

最终，唐兴才展现了多个标杆事例，印证容联云在金融职业大模型技能落地的实践价值：

某银行x容联云智能语音。

某头部银行信用卡中心面对催收人力本钱高、合规危险大、回款率动摇三大痛点，传统AI语音机器人因话术生硬、目的误判导致客户挂断率超60%。

容联云经过大模型打造超拟人音色克隆+多Agent协呼才能，完成：

·功率提高：单坐席处理10路并发外呼，日均处理量从80通提高至500通。

·本钱优化：回款率从32%提高至47%，人力本钱下降60%。

·合规保证：质检违规率从15%降至2%，客诉率下降80%。

某寿险x容联云坐席署理。

在某头部寿险公司的自助服务场景，传统文本机器人因常识掩盖缺乏导致客户咨询转人工率高达84%。

容联云经过大模型重构常识库与事务流程编列，完成：

·常识加工功率：30万字职业文档常识加工从50人天缩短至7小时。

·服务体会优化：咨询类问答首解率从60%提高至80%，转人工率下降至55%。

·流程自动化：经过流程编列，将保单查询、理赔申请等12类事务处理时长从均匀15分钟紧缩至2分钟，日均削减35次人工介入。

内容来源：https://tongdaidmxanh.com/app-1/barsa,http://chatbotjud.saude.mg.gov.br/app-1/bet-web-sports

本文地址：http://w.21nx.com/new/52972113-88e09499817.html