DeepSeek替代不了银行人
一件对于业内人士来说非常“恐怖”的事是，作为一线的基层员工，其实有不少银行人对科技创新这件事儿并不是特别感冒，甚至是排斥。
无他，两个原因。一是担心技术的升级，会导致自己被“替代”；二是出于学习成本，认为自己就“应该”干简单重复的事。
当然，每次出现这种“AI是否会替代人类”的争论时，我都会给出自己的观点：
AI替代不了“社会属性”如此之强的银行人。
图：大模型技术在银行前中后台应用
众所周知，银行业在整个社会内的行业属性是服务业。无论是一线业务岗位还是核心管理岗位，都少不了和人打交道，这其中的一些原则和尺度，并不是看起来懂“人情世故”的DeepSeek们所能解决的。
而换个思路，如果把这个问题抛给DeepSeek本身呢？
它是这么回答的：“与其说AI会取代人类，不如说会推动金融从业者向“AI增强型人才”进化。掌握人机协作能力、具备业务与技术跨界视野的专业人士，将获得更大的职业发展空间。”
多家银行接入DeepSeek
作为数据密集型的银行业，此前就是大模型落地的优先行业，如今DeepSeek出现，诸多银行也纷纷加码赋能。
工商银行践行科技自立自强战略，积极拥抱新技术变革，基于自主研发、全栈自主可控的大模型平台——工银智涌，在同业中率先引入DeepSeek系列开源大模型底座，并面向全行开放使用，全面提升智能化服务能力，为全行业务高质量发展注入新动能。
图：中国工商银行
2024年上半年，工商银行开始在行内部署并试点应用DeepSeek系列开源大模型，本次引入的DeepSeek 最新开源大模型具备行业领先的复杂推理能力，进一步丰富了工商银行大模型矩阵，以工银智涌为统一入口，为全行员工提供更加高效、便捷、安全的AI生产力工具，实现了AI技术在全行的普及应用。
邮储银行通过集成DeepSeek-V3和轻量DeepSeek-R1模型，进一步增强了其自有大模型“邮智”的多模态处理能力和算力效率。在反欺诈、案件分析等领域，DeepSeek的高效推理能力帮助邮储银行提升了风险识别的准确性和效率，同时拓展了数字柜员的服务场景。
北京银行与华为合作，率先实现了DeepSeek系列模型的全栈国产化金融应用。通过引入DeepSeek-R1和DeepSeek-V3模型，北京银行在多个关键业务场景中试点应用，大幅提升了服务质量和效率。
图：北京银行
重庆农商行宣布借助腾讯云大模型知识引擎的能力，在企业微信上线基于DeepSeek模型的智能助手应用“AI小渝”，搭建分钟级响应的智能客服系统，实现个性化财富管理建议，优化信贷评估与市场策略。
重庆银行基于前期的深厚积累，迅速利用DeepSeek大模型对智能客服知识库进行深度解析，实现了更加精准的语义理解、逻辑推理和多轮对话能力，验证了大模型对业务一线服务专业度与服务响应速度提升的有效性。
图：重庆银行
苏商银行在2024年引入DeepSeek系列技术，结合原有大模型能力，在模型轻量化与高效推理方面取得显著突破，推动了数字金融服务的智能化升级。通过DeepSeek-VL2多模态模型，成功解决了非标材料处理难题，信贷审核全流程效率提升20%。
江苏银行：依托“智慧小苏”大语言模型服务平台，本地化部署微调DeepSeek - VL2多模态模型、轻量DeepSeek - R1推理模型，分别运用于智能合同质检和自动化估值对账场景中。
图：江苏银行”智慧小苏“方案架构图
海安农商银行：将DeepSeek用于营销场景，如让DeepSeek从资本实力、市场份额、服务质量、风险管理、金融产品、社会责任等维度对海安农商银行进行分析和总结。
除了银行外，包括广发证券、国泰君安证券、国金证券、汇添富基金、景顺长城基金等多家证券基金公司，也都于近日官宣已完成DeepSeek本地化部署。
“不可替代”不等于铁饭碗
然而，必要的危机意识是需要的。
科技的进步，使得银行的智能化设备日新月异，从最早的ATM机、手机银行、网银，到移动银行、智能柜台等，越来越先进。
这些技术在推动银行业务迈向智能化的同时，也给客户提供了更多便利。但这么多年过去了，银行的员工人数和岗位变化似乎并不是特别明显。
银行也确实因为科技的发展，解放了一些柜台服务窗口和人力，但更多的是做了岗位优化和调整，越来越多的银行人担任起了营销的职能，而不是直接被淘汰。因为银行的盈利模式和经营方式也在发生着变化。
图：部分头部银行大模型应用场景
虽然人工智能强大的学习能力和数据分析能力是人类无法比拟的，但在创新以及应变能力上，程序化设置的流程始终不够人性化。从这些层面上来讲，人工智能还有很长一段路要走，特别是在情感和创新方面。所以，居安思危是对的，但也不必过分担忧。况且，当前的技术一日千里，时代向前发展是谁也无法阻挡的，现在担心也没有用。真的到了那一天，估计没有哪个行业可以幸免。
DeepSeek能为银行人做点什么
对于金融行业而言，DeepSeek并非颠覆者，而是赋能者。金融业，尤其是银行业对安全合规要求比较高，而大模型输出依旧存在不可控性，如果直接面对客户仍存在隐患。当前阶段的应用场景依旧是大模型负责生成内容，人工进行复核。
图：基于AIGC的抵押贷款风控
而对于传统金融机构来说，拥抱AI变革将是必选项，预计核心价值包括：一是降本增效，减少重复性人力投入，释放员工专注高价值任务；二是风险可控，实时监控市场与操作风险，避免重大损失；三是体验升级，提供个性化、即时化服务，增强客户粘性；四是创新驱动，通过AI技术打造差异化竞争优势，抢占市场先机。
以DeepSeek-R1为例，其具备高性能推理、强化学习驱动、长链推理支持等特点，特别在数学、编程、科学领域有突出表现。这些特点对于银行涉及大量的数据处理和决策分析的场景更为适用。
比如，在风险评估领域，DeepSeek-R1可以更好地整合客户多维数据，构建更精准的风险评估模型，对客户的信用风险、市场风险等进行更为全面和精准的评估。在智能客服和营销领域，利用DeepSeek-R1强大的自然语音处理和高性能推理能力，可以更精准理解客户意图，更全面评估挖掘潜在需求，智能推荐适合的金融产品。
图：银行业AIGC落地策略
当然，DeepSeek在现阶段也并非是十全十美。比如，尽管DeepSeek“看上去“已经像是一名能够提供相对完整解决方案的专家，但随着人们对其应用场景的增多，也逐渐发现了它存在诸多“不靠谱”的时候。
目前已有用户发现DeepSeek存在一本正经地“胡说八道”的情况。例如，在生成学术论文材料时，DeepSeek会生成不存在的材料，或指向无关的论文。这样的情况下，如果直接应用于严谨的银行业，将会产生不可控的后果，比如AI生成了失真的市场分析，客户基于AI的错误信息作出投资决策等。
图：人类与AIGC工具的协作模式
另外，金融由于行业的特殊性，往往对于数据的安全性要求高于其他行业，本地部署大模型或将成为金融机构的普遍选择。DeepSeek-R1发布后，金融机构用相对较低的成本即可在本地部署一流能力的大模型，可以将本地数据与大模型结合，打造企业专有模型，更有针对性赋能各个场景。
结束语
从历史发展来看，提高人力的产出效率是技术进步的一个重要方向。人工智能作为新兴技术，有效应用可以提高银行人的产出效率。当然，这中间也可能形成人工智能技术对人力的替代。
只有涉及复杂决策、人际沟通或创造性思维的职位，例如高级投资经理、合规顾问和客户关系维护，仍依赖于人类的经验和判断力，才难以被大模型们所替代。
当然，新的技术也创造了新的岗位需求， 在未来，可能只有能完全驾驭AIGC的银行人，才不会被AIGC所替代。
本文来自微信公众号“楼卓昊Fintech”，作者：楼卓昊，36氪经授权发布。
