6月25日，容聯云大模型產品負責人唐興才在愛分析第三屆AI大模型高峰論壇中出席演講，解讀金融智能化服務與營銷中的大模型應用實踐。

在企業營銷與服務場景中，高效的用戶溝通、精準的營銷轉化及優質的售后服務是核心訴求，而傳統模式下，溝通渠道分散、數據價值未充分挖掘、人工流程效率低下等問題日益凸顯。本文將詳細解析容聯云平臺的構建邏輯、技術路徑及多行業實踐，展現如何為企業打通營銷服務全鏈路智能化。

分享嘉賓｜

容聯云大模型產品負責人

唐興才

內容已做精簡，如需獲取專家完整版視頻實錄和課件，請掃碼領取。

01

企業營銷服務智能化路徑

在營銷與服務場景中，企業關注的點主要有用戶的溝通、營銷及成交后的售后服務，希望能夠為以下場景提供智能化、業務辦理及業務運營相關方案。

從業務視角看，涵蓋營銷、銷售轉化及客戶服務；從平臺視角看，分為通訊、數據和智能三大板塊。通訊板塊主要解決企業與用戶的溝通問題，包括電話、短信、在線服務等，且在服務或營銷過程中，針對企業員工的參與提供智能化方案。服務、營銷及業務辦理過程中會產生大量數據，容聯云具備相應數據能力，使數據發揮決策與分析價值。智能化板塊主要解決企業的智能化溝通、服務及營銷需求，分為通訊聯絡中心、SaaS和大客兩條業務線；右側為數據化產品，提供數據決策能力。

在營銷與服務的溝通環節，渠道及方式包括在線服務、語音服務、電話外呼、智能客服問答等，通過提供智能機器人、智能外呼、文本機器人及智能問答等功能。以及可通過AI解決相關問題的產品，例如知識庫能力：相較于以往以文檔檢索為主的知識庫，現在結合RAG或Agent能力，從知識整理、構建及運用等角度發揮作用。

坐席輔助主要提升營銷或業務人員的輔助能力，其助手通過AI實現以下功能：提供優秀話術及營銷策略、輔助填單、總結內容、進行質檢等風控把控。此外企業服務人員能力存在差異，例如頂尖銷售人員營銷能力較強，而新入職員工的服務及營銷能力相對薄弱。對此能夠提供陪練產品，可監測員工服務過程，總結其不足或與頂尖銷售人員的差距，并提供訓練腳本，以提升其服務能力及轉化率。

以下是容聯云平臺的構建邏輯：底層為模型，公司定位為應用廠商而非基礎模型廠商，因此底層可接入多種模型（如DeepSeek、千問及客戶企業內部構建的模型等），并通過模型管理實現不同場景下的模型選擇。

例如知識類場景、文字處理、語音處理、音頻或TTS等不同場景，可選擇不同模型，保留了Bert等NLP小模型能力。由于GPU算力成本較高，所以將大模型與小模型的應用場景區分開：小模型用于解決性價比高的問題，如意圖識別、情緒識別、分類等；語義理解或要求較高的場景則采用大模型。

中間層構建了模型壓縮工具能力平臺，用于節省算力、適配信創及模型管理，以保障模型及平臺充分發揮作用。上層圍繞企業與用戶的營銷及服務場景，構建了多個智能化應用。

除知識庫、輔助外，還具備洞察能力。大模型在語義及文字處理方面能力突出，而企業與客戶溝通產生的大量語料此前未被充分利用，人工抽檢、聽錄音、看記錄的效率有限。目前通過模型構建了目標性的洞察智能體，例如幫助某壽險公司提取保險客戶的咨詢問題、投訴傾向、產品意向等，形成線索池或在服務系統中生成工單。

坐席代理在繼承原有文本機器人及語音機器人服務場景，如在線客戶服務、電話語音機器人的基礎上，進行了大模型升級及場景深化。第五個是大模型質檢，這在金融行業屬于剛需。國家對業務辦理過程有監管要求，且要求日益提高。以往通過關鍵詞檢索即可滿足部分要求，但當前監管更嚴格，例如存在模糊表達銷售保險時隱晦提及贈品，這屬于違規行為，而傳統模型或手段難以識別此類問題。利用大模型的理解能力，可在業務辦理過程中幫助企業規避后續投訴風險及合規監管風險。

02

實踐案例

案例一：某城商行落地知識庫項目

客戶痛點：城商行作為本地化銀行，客戶經理需辦理貸款、授信等業務，而授信條件以文件文檔形式存在。以往客戶經理對授信與否、額度風險存疑時，需致電總行咨詢，總行人員少卻需接聽大量咨詢電話，雙方均耗費大量時間。

解決方案如下：

1.將企業知識&會話數據納入模型：一是國家及當地政府對金融機構的監管條文，經整理形成知識庫；二是總行人員與客戶經理的會話記錄蘊含資深監管人員的經驗，經模型整理后可完善知識庫，最終使知識庫具備授信判斷能力。知識庫不僅服務營業廳業務人員，還需支持客服咨詢?？蛻粼谑谛呕驑I務辦理后多通過在線咨詢，相關業務辦理內容可嵌入原在線客服平臺，從而保證授信標準統一及處理時效。

2.在服務agent中集成了工作流能力，以解決業務辦理需求。以往agent的業務辦理能力較弱，現在通過模型可快速構建具備工作流的agent辦理能力，滿足業務需求。

3.知識體系形成后可實現多項功能：一是前文提到的咨詢與診斷能力；二是對日常大量客戶分析、話術陳列及針對用戶的話術策略，可在事后分析整理并通過知識體系輸出。例如，客戶咨詢貸款但未辦理，其咨詢過程會被留存，據此可整理形成話術及策略。

案例二：某券商大模型全量質檢項目

客戶痛點：以往需投入大量人力質檢大量會話，卻因人力有限只能質檢部分內容；現在借助大模型的高覆蓋度，可實現100%質檢。此前小模型無法做到這一點，因小模型的質檢項依賴大量數據訓練，輸入數據決定其能力范圍。

解決方案如下：大模型的應用有效解決了質檢項維護成本高和準確率低的問題，通過提升質檢項的準確率和覆蓋度，既節省了人力成本，又滿足了監管要求，保障了業務的順利開展。以回訪場景為例，業務流程存在前后邏輯一致性要求，如券商開戶不得涉及非法交易或洗錢行為，若客戶表述前后矛盾，則屬于監管不合規情況。傳統模型難以檢測此類風險，而現在大模型基于通篇理解能力可有效識別。

案例三：某壽險大模型會話洞察項目

1.會話洞察功能基于存量數據挖掘商機和客戶意向，實現會話數據的價值轉化。例如，在客服過程中，系統可識別客戶對產品的興趣點或不滿之處，將潛在需求信息推送至銷售部門，將投訴風險預警傳達至客服部門，以便及時處理。

2.智能體通過持續分析會話內容，自動生成結論并分發至相應部門。如上圖所示，左側為實際歷史會話，右側為模型整理的分類結果（如退保意愿、投訴傾向、產品需求等），支持用戶分類及后續跟進處理。

案例四：某政企大模型知識庫&文檔智能審核助手建設

知識庫及模型的另一應用場景，國家能源機構等存在大量國家級政策法規，各地部門也會出臺相應條款，以往需人工審核，但人工審核大量公文耗時耗力且準確性不足?，F在可通過模型逐條對照國家法規及上層集團要求進行核查，判斷是否違背制度、是否符合要求，從而節省專家人力，使其投入其他工作。模型可高亮標明所有不符合條款的內容，并在左側匹配對應的條款文件——例如條款文件有明確要求，而相關內容不符合時，能找到對應的匹配依據。該能力也可應用于營銷場景，如審查發布的海報或推文是否存在違規內容。

大模型領域資深技術專家，擁有超10年AI研發與行業經驗。作為技術負責人，主導多個商業產品從0到億級規模的全周期研發，深諳技術落地與產品商業化邏輯。擅長融合AI技術與行業場景，具備技術戰略規劃至工程化落地全鏈條把控能力，在金融、零售等領域積累豐富大模型產品化經驗，持續驅動AI技術在業務場景的規模化應用與價值轉化。