培训对象

公司中高层管理者；营销、风控、运营、客服、合规、科技等条线核心骨干；规模约30人。

培训时长

1天。建议采用“上午趋势与方法论+下午工作坊与治理落地”的紧凑结构。

培训目标

统一认知、明确边界；挖掘适配公司业务的AIGC场景；提升岗位实操能力；形成首批可推进场景清单及落地路径。

培训方式

主题讲授、案例拆解、工具演示、分组工作坊、成果路演、专家点评。

核心产出

AIGC业务场景机会清单、重点场景卡、场景优先级矩阵、岗位工作流样例、治理与合规检查清单。

模型能力持续增强

文本、语音、图像、代码、表格等多模态能力提升，复杂任务可拆解为人机协同流程。

培训应覆盖工具能力边界、提示词设计、工作流重构，而非只讲概念。

应用从试点走向规模化

头部机构已将AIGC嵌入投研、财富管理、客户沟通、风控运营等场景。

需要帮助管理者判断哪些场景值得做、如何做、由谁负责。

监管与治理要求同步提升

数据安全、个人信息保护、模型风险、内容准确性、第三方外包等成为重点约束。

培训应将治理和合规嵌入场景设计全过程。

组织能力成为竞争关键

同样的工具在不同组织中产生的价值差异，取决于场景挖掘、数据基础、流程改造和员工使用能力。

应通过工作坊形成公司自己的场景资产和方法论。

业务理解能力

能够从业务流程、指标、客户旅程和岗位任务中识别AI切入点。

流程拆解、痛点诊断、场景卡填写。

能说清楚“解决什么问题、影响哪个指标”。

AIGC认知能力

理解大模型基本原理、能力边界、幻觉风险、数据依赖和人机协同方式。

趋势讲授、案例拆解、风险讨论。

能判断适用与不适用场景。

工具实操能力

掌握提示词结构、角色设定、上下文提供、结果校验和迭代优化。

现场演示、任务练习、模板套用。

能完成岗位文档、分析、摘要和问答任务。

工作流设计能力

将AI嵌入“输入—处理—审核—输出—留痕”的闭环流程。

岗位工作流重构、分组共创。

能设计可执行的人机协同流程。

治理合规能力

识别数据、模型、内容、客户权益和第三方工具风险。

合规框架讲授、清单化评估。

能对场景提出管控措施和上线条件。

项目化落地能力

具备将场景转化为PoC、试点、推广和运营机制的能力。

路线图设计、成果路演、专家点评。

能形成初步项目计划和评估指标。

认知统一

AIGC对金融业带来哪些变化？头部机构如何应用？

趋势讲授、案例拆解、互动问答。

共同语言与机会地图。

方法输入

如何从业务流程中系统挖掘AI场景？

方法论讲解、模板演示。

场景识别框架与评分方法。

场景共创

公司优先做哪些场景？每个场景如何设计？

分组工作坊、专家辅导。

场景清单、重点场景卡、优先级矩阵。

治理落地

如何从试点走向上线和规模化？风险如何控制？

落地路径讲授、合规框架讲解。

项目路线图与治理清单。

成果沉淀

如何把培训成果转化为后续行动？

小组路演、专家点评、行动计划。

后续推进建议与责任分工。

09:00—09:15

开场与目标对齐

培训目标、组织背景、问题导入；明确当天输出要求。

主持导入

09:15—10:30

模块1：AIGC与金融业变革趋势

AIGC发展逻辑、金融业典型应用图谱、头部机构实践、机会与边界。

讲授+案例

10:30—10:45

课间休息

—

—

10:45—12:00

模块1延展：关键条线案例拆解

营销、风控、运营、客服、合规、IT研发等场景拆解；组织级AI能力建设要点。

讲授+互动

12:00—13:30

午餐与分组准备

按业务条线或混编方式分组，建议5组，每组5—6人。

分组

13:30—14:30

模块2：场景挖掘方法论

流程拆解、任务颗粒化、AI适配性判断、价值/风险/可行性评分、场景卡模板。

讲授+演示

14:30—15:50

模块2：场景共创工作坊

分组完成痛点梳理、场景清单、重点场景卡、优先级矩阵。

工作坊

15:50—16:05

课间休息

—

—

16:05—16:55

模块3：项目落地与治理合规

PoC路径、上线门槛、数据与模型风险、内容审核、人机责任、第三方工具管理。

讲授+清单

16:55—17:25

小组路演与专家点评

每组汇报1—2个重点场景，专家从价值、可行性、风险与落地路径点评。

路演+点评

17:25—17:30

总结与后续行动

明确后续场景评审、试点立项和牵头部门建议。

总结

AIGC技术与能力边界

大模型、生成式AI、智能体、RAG知识库、工作流编排的基本概念；幻觉、上下文窗口、数据依赖、可解释性等边界。

讲授+示例

形成统一概念框架。

金融业应用图谱

营销获客、客户经营、智能客服、投研辅助、授信尽调、风险预警、合规审查、运营文案、IT研发等典型场景。

应用图谱讲解

识别可迁移场景。

头部机构实践

建行、工商银行、招商银行等机构在知识检索、客户会议摘要、内部生产力平台、金融分析、翻译、营销个性化、风控反洗钱等方向的实践。

案例拆解

形成对标样本。

组织级能力建设

从个人工具到企业平台：数据治理、知识库、模型接入、权限体系、审计留痕、业务流程再造、AI素养培训。

框架讲授

明确公司推进方向。

金融风险与边界

客户信息与商业秘密保护、生成内容准确性、投资/信贷建议边界、算法偏见、模型滥用、第三方工具风险。

风险讨论

形成红线意识。

招商银行

面向投行、销售交易与研究团队，基于研究报告库进行检索、洞察提炼和摘要生成。

金融机构应优先连接高质量内部知识资产，提升专业人员检索与分析效率。

建设银行

在客户同意前提下，为财务顾问生成会议纪要、行动项、可编辑邮件草稿，并沉淀到CRM。

客户交互类场景要强调授权、人工确认、系统留痕和客户关系管理闭环。

工商银行

面向员工提供安全环境中的大模型能力，支持创意生成、内容起草，并向AI工作流和智能体演进。

企业级AIGC平台应关注安全接入、统一入口、员工普及和内部数据连接。

农业银行

推进生成式AI在内部生产力、复杂金融分析、翻译、营销个性化、开发提效、客户准入、信贷、欺诈与反洗钱等领域应用。

大型金融机构倾向于通过内部系统承载模型能力，同时强调透明度、数据隐私和负责任AI。

1. 业务流程选择

选择营销、客服、风控、运营、合规、科技等高频/高痛点流程。

流程选择清单

待分析流程清单。

2. 任务颗粒化

将流程拆分为信息收集、分析判断、文本生成、客户沟通、复核审批、系统录入等任务。

岗位任务拆解表

任务级痛点清单。

3. AI适配判断

识别适合AI处理的任务：信息提取、总结归纳、草稿生成、规则比对、问答检索、代码辅助等。

AI适配性判断表

候选AI任务。

4. 价值/风险评分

从业务价值、数据可用、技术可行、风险可控、推广潜力五个维度评分。

优先级评分矩阵

场景优先级排序。

5. 场景卡设计

明确业务目标、用户角色、输入输出、数据要求、流程变化、管控措施、指标和里程碑。

AIGC场景卡

重点场景方案。

6. 路演与点评

小组汇报重点场景，专家从落地价值、风险和推进条件给出建议。

路演模板

行动计划建议。

项目落地路径

机会识别、PoC验证、试点运行、上线评审、规模推广、持续运营。

设置分阶段门槛，避免一开始追求大而全。

数据与知识治理

数据分级分类、客户信息脱敏、知识库来源审核、版本管理、权限控制。

优先建设可控知识库和敏感信息过滤机制。

模型与工具管理

模型选型、私有化/专有环境/API接入、供应商评估、性能与安全测试。

建立工具白名单和场景准入制度。

内容与流程控制

生成内容标识、人工复核、审批留痕、错误纠偏、客户沟通边界。

高风险内容必须坚持“AI生成、人工负责”。

风险与合规框架

个人信息保护、数据安全、商业秘密、知识产权、算法偏见、消费者权益保护。

在场景卡阶段同步填写合规检查清单。

价值评估

效率、质量、风险、客户体验、员工采纳率、成本收益等指标。

建立试点前后对比，形成可量化复盘。

营销与客户经营组

零售/公司/渠道/产品/数据人员

客群洞察、营销文案、客户经理助手、企微触达、活动复盘。

客服与运营组

客服、运营、流程管理、质检人员

知识库问答、工单摘要、坐席辅助、投诉分析、运营文档。

风控与合规组

风控、合规、法务、审计、业务审批人员

授信材料摘要、政策制度比对、风险提示、合规审查、异常解释。

科技与数据组

IT研发、数据、架构、运维、安全人员

需求文档、代码辅助、测试用例、故障知识库、数据分析助手。

管理与综合组

管理部门、人力、财务、办公室等

会议纪要、制度解读、经营分析、培训材料、内部问答。

痛点发散

15分钟

每组列出本条线高频、耗时、易错、依赖经验的岗位任务。

避免直接说“做个机器人”，先说清业务痛点。

任务拆解

20分钟

选择1—2个重点流程，拆解输入、处理、输出、复核、系统动作。

识别AI可介入的任务颗粒。

场景筛选

20分钟

用评分矩阵筛选3—5个候选场景。

控制过高风险和过低价值场景。

场景卡填写

30分钟

完成1—2张重点场景卡。

明确业务目标、数据要求、流程变化和管控措施。

路演准备

10分钟

形成3分钟汇报材料。

聚焦价值、可行性、风险和下一步。

汇报点评

30分钟

每组展示重点场景，专家点评并给出优先级建议。

形成后续项目储备。

业务价值

对效率、收入、成本、质量、风险或客户体验的影响。

直接影响核心指标，收益可量化。

只是锦上添花，指标不清。

任务适配性

任务是否以文本、知识检索、摘要、生成、规则比对为主。

任务重复、高频、规则明确或知识密集。

依赖复杂主观判断且无法复核。

数据可用性

是否有合规、完整、可授权使用的数据或知识材料。

内部知识库/制度/样本文档可用且权属清晰。

涉及大量敏感信息且难以脱敏。

技术可行性

现有工具、系统接口、模型能力是否支持。

可通过现有工具或轻量集成验证。

需大规模系统改造或数据重构。

风险可控性

数据、模型、内容、客户权益、监管合规风险。

可通过人审、权限、脱敏、留痕控制。

可能产生自动决策、误导销售或客户权益风险。

推广潜力

是否可跨团队、跨条线复制。

模板化、标准化程度高。

仅适合个别人员一次性使用。

营销

客户经理营销素材与话术助手

提升触达效率与内容一致性，支持个性化沟通。

防止夸大收益、误导宣传；需合规话术库和人工确认。

营销

客群经营分析报告初稿

提升活动复盘、客群洞察和策略建议效率。

数据口径需统一；输出必须标注数据来源和分析假设。

客服

客服知识库问答与坐席辅助

降低查询时间，提升响应一致性。

须建立标准知识库、置信度提示和人工兜底。

客服

投诉工单摘要与归因分析

提升投诉处理效率，发现共性问题。

涉及客户信息，需脱敏、权限控制和留痕。

风控

授信资料摘要与风险点提示

提高审阅效率，辅助识别缺失材料和异常信息。

不能替代审批判断；需保留人工审查责任。

合规

制度条款比对与合规审校助手

提升制度查找、条款匹配和文案审查效率。

需要权威制度库，防止旧版本制度误用。

运营

运营通知、制度解读与培训材料生成

降低重复文档编写成本，提升标准化。

输出需部门复核，避免不准确解释。

科技

需求文档、测试用例和代码审查辅助

提升研发交付效率和文档质量。

需控制代码安全、开源合规和敏感信息输入。

阶段0：准备

明确牵头部门、工具范围、数据边界、培训对象和场景征集机制。

是否具备基本治理规则与责任人。

推进机制、工具白名单、培训计划。

阶段1：场景池

收集各条线候选场景，按价值/风险/可行性评分。

是否有业务负责人和可衡量目标。

场景池、优先级矩阵。

阶段2：PoC验证

选择低风险、高价值场景，使用脱敏样本或模拟数据进行验证。

准确率、效率、风险控制是否达到预设门槛。

PoC报告、问题清单、优化建议。

阶段3：试点运行

在限定部门、限定人员、限定流程中试运行。

是否满足稳定性、安全性、合规性和用户采纳要求。

试点复盘、SOP、培训材料。

阶段4：上线推广

纳入正式流程，完善权限、审计、运营和应急机制。

上线评审通过，业务、科技、合规共同确认。

上线方案、运维机制、评估指标。

阶段5：持续运营

监控效果、质量、风险事件、模型表现和知识库更新。

是否持续创造价值且风险可控。

月度评估、场景迭代、经验复用。

战略与组织治理

明确AIGC应用边界、责任分工、审批机制和资源投入。

设立跨部门工作组；重大场景纳入管理层评审；形成场景台账。

数据治理

对客户信息、交易数据、经营数据、制度文档等进行分类分级和授权管理。

敏感信息脱敏；最小必要原则；输入输出日志；数据来源合法合规。

模型与工具治理

对模型、插件、第三方工具、API接入进行准入、测试和持续监控。

工具白名单；供应商尽调；模型版本管理；安全测试。

应用流程治理

将AIGC嵌入业务流程时明确人机边界、复核责任和异常处置。

高风险输出人工复核；重要材料留痕；客户沟通需可追溯。

内容与客户权益保护

防止错误、误导、歧视、夸大收益、侵犯隐私或商业秘密。

内容审校；合规话术库；禁用词/红线提示；客户授权。

审计与持续改进

定期评估应用效果、风险事件、投诉反馈和模型表现。

指标监测；问题闭环；知识库更新；复盘报告。

自动决策

完全自动化授信审批、投资建议、客户评级、拒贷决策。

涉及客户权益和监管敏感领域，应以人工决策为主，AI仅作辅助。

客户沟通

未经审校直接向客户发送产品收益、风险承诺、销售话术。

存在误导销售和消费者权益风险，必须合规审查和人工确认。

敏感数据

直接将客户身份、账户、交易、征信等敏感数据输入外部工具。

可能违反数据安全和个人信息保护要求，应使用脱敏或专有环境。

核心系统操作

由AI直接执行资金划转、参数调整、权限变更等操作。

操作风险高，必须设置多级审批和人工确认。

法律合规结论

让AI直接给出最终法律意见、监管定性或合规结论。

AI可辅助检索和初步比对，最终结论由专业人员负责。

效率类

文档起草时间降低比例、知识检索时间降低比例、工单处理时长、研发交付周期。

试点前后对比、系统日志、人员抽样记录。

质量类

文档一次通过率、合规退回率、客服答复一致性、材料缺漏识别率。

质检抽样、专家复核、流程结果。

风险类

敏感信息误输入次数、生成内容纠错率、误导性内容拦截次数、异常事件数量。

审计日志、合规检查、异常工单。

采纳类

活跃用户数、使用频次、模板复用率、满意度、培训通过率。

平台统计、问卷、部门反馈。

价值类

节约人时、成本下降、客户体验提升、风险识别前置、业务转化支持。

经营指标结合财务/业务数据评估。

培训课件

AIGC趋势、金融案例、场景方法论、项目落地、治理合规框架。

培训当天。

工具与模板包

提示词模板、岗位工作流模板、场景卡、优先级评分矩阵、治理检查清单。

培训当天。

工作坊成果包

各组候选场景清单、重点场景卡、优先级矩阵、路演点评意见。

培训后3—5个工作日内整理。

培训评估结果

签到、满意度、学习反馈、场景产出质量、后续行动建议。

培训后。

后续推进建议

首批试点场景建议、牵头部门建议、PoC路线图、风险控制要点。

培训后。

反应层

学员对课程内容、师资、案例和工作坊的满意度。

满意度≥90%；课程实用性评分≥4.5/5。

学习层

学员对AIGC概念、应用边界、方法论和合规要求的掌握程度。

课后测评或问卷正确率≥80%。

行为层

学员是否能够在岗位中使用提示词模板、场景卡和工作流方法。

培训后1个月内形成部门场景清单或试点方案。

结果层

培训是否推动公司形成可落地的AIGC试点项目。

形成不少于10个候选场景、3—5个优先试点场景。

场景名称

使用“业务对象+AI能力+任务结果”的方式命名，如“授信资料AI摘要与风险点提示”。

业务痛点

说明当前流程耗时、易错、体验差、成本高或风险识别不充分的问题。

使用对象

明确使用者角色，如客户经理、审批人员、客服坐席、合规人员、研发人员。

输入材料

说明需要的制度、知识库、客户材料、表格、文本、系统数据等，并标注是否敏感。

AI处理任务

摘要、问答、比对、生成、分类、提取、检查、代码辅助等。

输出结果

报告初稿、风险提示、问答结果、工单摘要、邮件草稿、测试用例等。

人机协同流程

明确AI生成后由谁复核、谁确认、谁对外发布、如何留痕。

风险与控制

列出数据、模型、内容、合规、客户权益等风险及控制措施。

价值指标

效率、质量、风险、体验、成本等可衡量指标。

落地条件

数据、系统、权限、人员、制度、预算、供应商等条件。

是否明确业务负责人、技术负责人和合规负责人？

是否明确使用对象、使用范围和禁止用途？

是否完成数据分类分级和敏感信息识别？

是否避免将客户敏感信息输入未经批准的外部工具？

是否建立生成内容人工复核机制？

是否保留输入、输出、审核、发布的必要日志？

是否对模型输出准确性、稳定性和偏差进行测试？

是否对客户沟通、销售宣传、授信审批等高风险内容设置红线？

是否完成第三方工具或供应商安全评估？

是否建立上线后监控、问题纠偏和知识库更新机制？