尽管数字技术发展以及银行所做的努力，客户服务仍然继续是主要的改进领域之一。在满意度调查中，“个性化”和“客户服务速度”仍被评为偏低1，这为银行与金融服务组织提供了提升质量的充足机会。对于财富管理客户，差距进一步扩大：在这里，个性化和专业知识的需求最为关键，从而建立信任与忠诚度。正是在这里，具备专业领域知识的 AI 代理（AI Agents）能够推动更具吸引力且更智能的客户互动。客户服务处于业务互动的最前沿，不仅推动满意度水平，还推动长期忠诚度与终身业务价值。
由多个专业化代理组成的 Agentic AI 网格（mesh）可以同时执行各项活动，例如拉取客户互动历史、情绪分析（sentiment analysis）、生活事件（life events）、分析产品与费用的竞争格局、分析市场趋势等，并为客户提供信息性指导。借助启用 NLP 和语音的技术，互动可以以直观的方式匹配客户偏好的风格，语言不受限制，并支持全渠道（omni channel）能力。GenAI 的优势是真实存在的，部分银行近期的实施正在显示积极成果。体验方面的改进是主要受益者之一。
生成式 AI（Generative AI）进一步推进这一能力：通过为人类代理生成建议来增强客户体验与参与度。个人理财顾问（Personal Financial Advisors），曾经是超高净值客户的特权，如今可以通过 AI 代理进行民主化，并提供给更广泛的客户群体。
银行掌握大量客户的个人信息与交易历史，因此可以提供一站式( concierge )服务，从税务规划到投资咨询，甚至充当个人助理。随着 AI 代理逐步获得处理复杂且个人化任务的能力，银行与金融服务组织可以提供更优的客户体验，从而带来更强的忠诚度与终身价值。
Agentic AI 及其相关热潮
Gartner 的 2025 年技术趋势将 Agentic AI 评为 2025 年的首要趋势。MITSMR 2025 AI & 数据领导力高管基准调查（AI & Data Leadership Executive benchmark Survey）也同样预测了类似结果。
什么是 Agentic AI？它指的是：“能够在无需持续人工指导的情况下自主行动以实现目标的 AI 系统与模型”，HBR 表示。它理解用户的目标与目的，以及他们试图解决的问题的上下文。它是一种自我学习系统，利用 GenAI 模型的复杂推理与创造能力来解决多步骤的复杂问题。Agentic 网格（mess）是由多个代理组成的团队，它们可以在与单一目标一致的情况下同时执行任务。
“Agentic AI 系统凭借其超强的推理与执行能力，有望改变人类-机器协作的许多方面。它们可以独立规划并做出决策，为人类劳动力带来更高的生产力、更强的创新能力以及洞察力”
– HBR，Dec 2024
Agentic AI 客户服务系统的示例表示
所有这些代理会并发执行各自任务，并向管理代理（manager agent）汇报；而在实习（intern）阶段，管理代理会响应客户查询。精选的领域知识与训练使这些代理在其各自领域成为专家。庞大的财富管理研究与数据点组织型资料库（organizational library）是资源，可用于训练 AI 代理。
客户服务中的一些关键用例包括：
* 虚拟理财顾问
* 客户画像
* 实时欺诈监控
* 执行例行任务
* 报告
客户画像（Customer Profiling）是了解客户的第一步，也是推动客户参与度的另一个关键用例。银行越了解其客户，就越能更好地为他们服务并建立持久的关系。这是一个艰难的过程。尽管技术取得了进步，这个过程仍然耗时，并且仍有很大的改进空间。多年来，在不同阶段使用 OCR 技术以及各类自动化水平，已显著改进了捕获、处理和利用客户信息的流程。自主 AI 代理为进一步变革该流程带来了许多希望与可能性，使其无缝化并能执行多项并发活动。
AI 代理利用其 AI 驱动工具的生态系统，例如生物特征验证（biometric validation）、人脸识别（facial recognition）、启用 API 的文档验证（API enabled document verification）等，可以在并行状态下同时执行多项验证，同时捕获数据。
* 该方法超越了基础的“查询解决”——它确保完整的问题归属（full problem ownership）与端到端（end-to-end）的解决。
供行业领袖的行动号召（Call to Actions for Industry Leaders）：
现在来了一个战略性问题：行业领袖应该做什么，才能不仅进行试验（experiment），而是把 agentic AI 落地为可转化的收益？首先，他们必须摆脱试点疲劳，并选择高影响力的客户参与用例，在“copilot mode”（协作/伴随模式）下进行测试。
这不是取代人类代理，而是对其进行增强（augment）。第二，对一线团队进行培训投入，让他们能够与 AI 并肩工作，而不是围绕 AI 工作。AI 应当是他们的伙伴，而不是并行的流程。第三，将预算模型从“按座位（per-seat）”的软件采购转向“按结果”的服务即软件（service-as-a-software）合同；按解决（resolution）付费，而不是按许可证（license）付费。第四，领袖必须在营销、服务、运营等各个数据孤岛（silos）之间整合数据，以便为这些系统提供它们赖以生存的上下文。
Agentic AI - 提升金融服务中的客户参与度
发现顶级金融科技新闻与活动！
订阅 FinTech Weekly 的通讯简报
由摩根大通、Coinbase、Blackrock、Klarna 等高管阅读
“预计金融科技行业的收入增长速度将在 2022 年至 2028 年间几乎是传统银行业的三倍” – 麦肯锡，Oct24，2023。
“预计全球金融科技市场在 2025 年将达到 394.88 billion 美元，并到 2032 年达到 1,126.64 billion 美元” – Fortune business insights，June 09，2025
客户参与度是传统银行与金融服务机构和金融科技之间的关键差异化因素之一。从无缝的客户入驻（onboarding）到验证，再到执行交易，以及后续的服务与投诉救济（grievance redressal），金融科技在卓越地满足这些需求。随着时间的推移，金融科技一直在努力弥合差距，并在客户参与度方面表现出色。研究表明，这个因素是推动最终利润（bottom line）改善的最重要单一因素。
尽管数字技术发展以及银行所做的努力，客户服务仍然继续是主要的改进领域之一。在满意度调查中，“个性化”和“客户服务速度”仍被评为偏低1，这为银行与金融服务组织提供了提升质量的充足机会。对于财富管理客户，差距进一步扩大：在这里，个性化和专业知识的需求最为关键，从而建立信任与忠诚度。正是在这里，具备专业领域知识的 AI 代理（AI Agents）能够推动更具吸引力且更智能的客户互动。客户服务处于业务互动的最前沿，不仅推动满意度水平，还推动长期忠诚度与终身业务价值。
由多个专业化代理组成的 Agentic AI 网格（mesh）可以同时执行各项活动，例如拉取客户互动历史、情绪分析（sentiment analysis）、生活事件（life events）、分析产品与费用的竞争格局、分析市场趋势等，并为客户提供信息性指导。借助启用 NLP 和语音的技术，互动可以以直观的方式匹配客户偏好的风格，语言不受限制，并支持全渠道（omni channel）能力。GenAI 的优势是真实存在的，部分银行近期的实施正在显示积极成果。体验方面的改进是主要受益者之一。
AI-人协作（AI-Human collaboration）是近期技术发展中最互利的成果之一。人工智能系统在处理海量数据方面展现出卓越的熟练度，能够以准确性与速度识别趋势与模式。
生成式 AI（Generative AI）进一步推进这一能力：通过为人类代理生成建议来增强客户体验与参与度。个人理财顾问（Personal Financial Advisors），曾经是超高净值客户的特权，如今可以通过 AI 代理进行民主化，并提供给更广泛的客户群体。
银行掌握大量客户的个人信息与交易历史，因此可以提供一站式( concierge )服务，从税务规划到投资咨询，甚至充当个人助理。随着 AI 代理逐步获得处理复杂且个人化任务的能力，银行与金融服务组织可以提供更优的客户体验，从而带来更强的忠诚度与终身价值。
Agentic AI 及其相关热潮
Gartner 的 2025 年技术趋势将 Agentic AI 评为 2025 年的首要趋势。MITSMR 2025 AI & 数据领导力高管基准调查（AI & Data Leadership Executive benchmark Survey）也同样预测了类似结果。
什么是 Agentic AI？它指的是：“能够在无需持续人工指导的情况下自主行动以实现目标的 AI 系统与模型”，HBR 表示。它理解用户的目标与目的，以及他们试图解决的问题的上下文。它是一种自我学习系统，利用 GenAI 模型的复杂推理与创造能力来解决多步骤的复杂问题。Agentic 网格（mess）是由多个代理组成的团队，它们可以在与单一目标一致的情况下同时执行任务。
“Agentic AI 系统凭借其超强的推理与执行能力，有望改变人类-机器协作的许多方面。它们可以独立规划并做出决策，为人类劳动力带来更高的生产力、更强的创新能力以及洞察力”
– HBR，Dec 2024
Agentic AI 客户服务系统的示例表示
所有这些代理会并发执行各自任务，并向管理代理（manager agent）汇报；而在实习（intern）阶段，管理代理会响应客户查询。精选的领域知识与训练使这些代理在其各自领域成为专家。庞大的财富管理研究与数据点组织型资料库（organizational library）是资源，可用于训练 AI 代理。
客户服务中的一些关键用例包括：
客户画像（Customer Profiling）是了解客户的第一步，也是推动客户参与度的另一个关键用例。银行越了解其客户，就越能更好地为他们服务并建立持久的关系。这是一个艰难的过程。尽管技术取得了进步，这个过程仍然耗时，并且仍有很大的改进空间。多年来，在不同阶段使用 OCR 技术以及各类自动化水平，已显著改进了捕获、处理和利用客户信息的流程。自主 AI 代理为进一步变革该流程带来了许多希望与可能性，使其无缝化并能执行多项并发活动。
AI 代理利用其 AI 驱动工具的生态系统，例如生物特征验证（biometric validation）、人脸识别（facial recognition）、启用 API 的文档验证（API enabled document verification）等，可以在并行状态下同时执行多项验证，同时捕获数据。
证据表明，当前流程容易被欺诈者利用，他们可能绕过诸如活体检测（liveliness test）等验证机制。AI 代理具备使该流程更稳健的能力，通过分析诸如设备角度（device angle）等上下文信号，或在后台运行任何未经授权的软件等。此外，AI 代理处理非结构化数据的能力，结合情绪分析（sentiment analysis），可以实现对客户更稳健的风险画像（risk profiling），从而生成更准确的“画像”。将这种更深层次的审查与实时并发验证相结合，会增强安全等级，并有助于阻止不法分子发起复杂的欺诈尝试，使系统更安全。这将带来更高的信任、更强的客户参与度与忠诚度。
收获/启示（Learnings）：
不需要持续人工介入即可行动的自主性。
面向目标的智能，用于追求并实现特定结果。
具备实时推理能力，以进行动态决策。
理解细微且自然的人类语言。
在长而复杂的对话中保持上下文一致性。
使用诸如 CRM、ERP 以及内部知识库（internal knowledge bases）之类的工具来整合并编排任务。
24/7 的支持，能够模拟人类互动。
可扩展地处理复杂且分层的客户问题。
借助由微型代理（micro-agents）构成的网络来实现个性化、流畅的对话；每个微型代理专注于特定的客户需求。
供行业领袖的行动号召（Call to Actions for Industry Leaders）：
现在来了一个战略性问题：行业领袖应该做什么，才能不仅进行试验（experiment），而是把 agentic AI 落地为可转化的收益？首先，他们必须摆脱试点疲劳，并选择高影响力的客户参与用例，在“copilot mode”（协作/伴随模式）下进行测试。
这不是取代人类代理，而是对其进行增强（augment）。第二，对一线团队进行培训投入，让他们能够与 AI 并肩工作，而不是围绕 AI 工作。AI 应当是他们的伙伴，而不是并行的流程。第三，将预算模型从“按座位（per-seat）”的软件采购转向“按结果”的服务即软件（service-as-a-software）合同；按解决（resolution）付费，而不是按许可证（license）付费。第四，领袖必须在营销、服务、运营等各个数据孤岛（silos）之间整合数据，以便为这些系统提供它们赖以生存的上下文。
最后，要以信任为先；部署符合伦理的安全护栏（ethical guardrails），透明地衡量绩效，并让客户知道：尽管机器可能处理查询，但人类始终在流程中参与并把控。在这个新时代，获胜不在于构建技术，而在于让人和流程来放大技术的影响。
参考文献：
金融科技增长的未来 | McKinsey