新网银行"智擎AI+"战略升级：10类数字员工、77个智能助手如何落地？
阅读时间少于 1 分钟
近日，新网银行发布 2025 年年度报告，最引人注目的并非传统的财务数据，而是其"智擎 AI+“战略的落地成果——10 类数字员工、77 个智能助手、日均百万级 API 调用。这组数据意味着，AI 已经不再只是银行后台的辅助工具，而是直接嵌入到了从客户触达到风险决策的每一个业务环节。
从试点到全员覆盖：AI 能力的三年演进
新网银行的 AI 之路清晰地分为三个阶段：
这种演进路径并非特立独行，但它从试点到全员覆盖的推进速度值得关注。2024 年还只是围绕十余项业务痛点做小范围试点，到了 2025 年，已经形成了覆盖客户触达、风险评估、内部办公等领域的智能化应用矩阵。
算力底座：异构融合的 AI 云基础设施
支撑规模化 AI 应用的，是一套扎实的底层基础设施。新网银行打造了异构融合的 AI 云算力底座，技术选型上选择了容器化 + 算力池化的路线：
如果你关注过 AI Infra 领域，会意识到这背后的技术难度——异构算力的池化管理、热力图监控、动态调度，这些都和 Kubernetes 生态的 GPU 管理能力密切相关。30% 的利用率提升在金融级生产环境中是一个相当不错的成绩。
数字员工矩阵：10 类 + 77 个智能助手
“数字员工"和"智能助手"这两个概念，代表了不同的 AI 应用形态：
智能助手：嵌入具体业务场景的 AI 能力单元，辅助人类员工完成特定操作。
两者构成了一个能力分层体系——数字员工负责流程闭环，智能助手负责能力点支撑。
应用场景覆盖
| 业务领域 | AI 应用形态 | 核心能力 |
|---|---|---|
| 客户服务 | 大小模型结合的智能客服 | 小模型处理标准化问题，大模型处理复杂语义 |
| 风险决策 | 大模型风险特征解析 | 非结构化数据挖掘，隐性关联关系识别 |
| 内部运营 | 10 余个大模型助手 | 编码、测试用例生成、研发提效 |
| 贷后管理 | AI Agent 自动化流程 | 文件识别、信息抽取、系统录入 |
| 安全态势 | 大模型检索分析 | 多源数据融合，风险早发现早预防 |
查冻扣场景的智能体实践
一个值得深入的技术案例是查冻扣文件识别场景。在这个场景中，新网银行构建了由 AI Agent 驱动的完整信息抽取流程：
- 1视觉识别：计算机视觉模型识别保护性止付、涉案止付、财产查询、财产冻结解冻四类文件
- 2语义理解：大模型提取结构化信息，覆盖文书类型、涉案主体、涉及金额、处置方式等 13 类信息
- 3系统录入：AI Agent 将信息录入核心系统，对名单人员进行分级管控
- 4数据同步：信息同步至数仓形成报表，便于统计分析
据新网银行副行长李秀生透露，大模型细分识别查冻扣文件中的嫌疑人、受害人准确率达 100%，而且文件中涉及的非本行客户也会录入系统，确保可在后续服务时提前预判风险。
金融科技人才战略
AI 战略的落地离不开人才。新网银行首席信息官毛航的人才理念很务实：
在具体执行层面，新网银行正开展金融科技及风险专项培训生计划，定向培养兼具金融业务理解与技术研发能力的复合型科技人才，参与人工智能、大模型、大数据等金融场景的落地。
专利与技术储备
2025 年，新网银行围绕 AI 技术申报了 13 件发明专利和 6 件软件著作权，其中几个值得关注：
| 专利名称 | 技术方向 |
|---|---|
| 基于智能体工作流的影像文件信息自动化抽取方法与系统 | AI Agent + 视觉识别 |
| 一种基于大模型的银行智能客服问答方法及系统 | 大模型 + 客服 |
| 一种提高大模型多轮对话可控性和可解释性的方法及系统 | 大模型可控生成 |
其中，“基于智能体工作流的影像文件信息自动化抽取方法与系统"这套方案的技术亮点在于——依托视觉模型的高精度文字识别能力，结合 AI Agent 大模型的知识泛化能力，在无需标注数据的情况下实现高效、准确的信息抽取，同时智能体还能根据任务需求动态优化抽取过程。
写在最后
新网银行的案例展示了一条清晰的路径：算力底座 → 数字员工 → 智能体平台 → 全员覆盖。
日均百万级 API 调用的背后，是 AI 从"锦上添花"到"核心生产力"的角色跃迁。对于同样在探索 AI 转型的金融机构而言，这组数据既是一张成绩单，也是一张路线图。
本文信息来源于新网银行 2025 年年度报告及相关公开报道。
更多内容请访问 jungelife.me