单点突破，而需要全链条、全要素的协同优化，数据驱动的指标体系成为实现这一目标的核心抓手。在数据治理端，企 业需要注重实时技术与规范管理的深度融合，让流动的数据焕发出更大价值。在瞬息万变的市场环境中，数据的时效性 往往决定着决策的有效性。从数据产生到洞察生成，每一秒的缩短都可能转化为真实的商业价值。 在应用开发端，AI 技术正将零代码平台推向全新高度。从简单的轻量化工具演进为强大的创新引擎，AI 让零代码真正 做到 " 让零代码更“零”& 先进制造落地 AI 决策应用 解析如何通过实时技术和规范管理让流动的数据更有价值 分享“FAST”新型数智化组织能力以及新兴数智人才建设路径 01 02 03 04 05 目录 CATALOGUE 16 企业数智应用关键落地路径 02 17 23 26 30 42 44 47 52 57 59 69 74 BI 平台：释放决策与执行效率，增加可信度 BI 助力提升决策效率，减少错误决策 还原数据分析过程，让结果更加可信 应用场景复用让分析成果“即取即用” 智能 BI 将数据消费范式转向“数助人” 数智时代指标体系驱动业管协同 企业自身指标体系建设常见误区 指标平台建设，促进数据消费 典型案例实践：某专精特新企业 零代码从轻量工具到创新引擎 AI 时代，以用促建，以用促准 数据实时将“事后分析”升级为“实时决策” 资源治理提升数据

潜在影响分析 ◎姚泽宇 苏杭 作者简介 ：姚泽宇，中国国际金融股份有限公司研究部执行总经理 ；苏杭，中国国际金融股份有限公司研究部分析师。 摘要：当前，金融机构主要将大模型应用于业 务场景简单的非决策类环节。本文从展业流程角度 和业务场景角度系统梳理 AI 大模型在金融行业的 应用现状，并从应用趋势、赋能空间、产业格局三 个方面对大模型在金融行业应用趋势展开探讨，动 态、辩证分析大模型对金融体系的整体影响。本文 当前，金融机构主要将大模型应用于业务场景 简单的非决策类环节，而在核心决策环节应用大模 型仍面临较大挑战。从业务流程角度，大模型已开 始赋能前台营销运营、信息搜集整理，以及中后台 运营支持等环节；从业务场景角度，各类金融机构 已开始尝试将大模型应用于支付、信贷、投顾、投研、 保险等细分领域。 （一）落地应用现状 ：当前大模型在金融 行业主要应用于业务场景简单的非决策类环节 目前，国内外各类金融机构正在积极探索大 于业务场景简单的非决策类环节（见图 1）。大模型 在支付、信贷、保险、财富管理等场景均有应用落地， 但主要赋能对客服务、数据挖掘、业务助手等环节。 而在对金融领域专业能力要求较高、涉及提供强金 融投资建议、需要承担核心分析决策任务的业务场 景和业务环节中，大模型的落地应用仍然面临较大 约束和挑战，难以直接替代专业人员完成分析决策 任务，更多作为辅助核心决策人员展业的助手。具 体

检验商业计划的思路并着手实施 • 鼓励运营机构加强自身能力 • 促成交流合作 / 扩大优势 3 操作者 • 开发并引导大部分投资和发展项目 • 按月检查每个财务 / 运营指标，做出重要决策 • 购买和转移被低估的业务 • 确保全球目标的实现 • 在最佳的时机 / 价格将业务出 售 资料来源 : 咨询公司 审核者 审核者 汇总年度经营计 划及预算 高层决策 委员会 提出年度目标 和预算纲要 制定年度经营计划 及年度预算草案 批准年度经营 计划和预算 修改年度经营 计划及年度预算 建议年度目标 和预算纲要 批准年度目标 和预算纲要 战略管理部 执行者 执行者 执行者 决策者 决策者 I 项目投资 • 发掘并筛选投资项目 • 监督投资项目的经营管理， 对其进行业绩考核， 定期审核审计的工作 • 对已投资项目经营管理改革， 项目权益转让， 重组或退出提出建议及解决 方案 • 对投资项目及行业进行分析研究，为领导决策提供投资管理工作建议 投资咨询 • 研究海外资本市场及国家相关产业政策和行业动态，考察筛选客户，提供 中 国企业海外发展与上市和国外企业来华投资发展咨询服务 • 提供国内企业并构重组咨询服务

是指面向产品的全生命周期， 基于云计算、 大数据 、 物联网、移动互联网等新一代信息技术， 贯穿设 计、 生产、 管理、 服务等制造活动各个环节， 具有 信 息深度 自 感知、 智慧优化自决策、精准控制自执 行 等功能的先进制造过程、系统与模式的总称。 一、企业发展与智能化改造——智能化改造的定义 提供基础 • 14 智能制造的起源与演变 一、企业发展与智能化改造——智能化改造的定义 等新兴技术为重要支撑 。 新 一代信息技术的应用是推动 数字化制造演变为智能制造 的使能器。 过程 关键制造环节或过程具 有一定自主感知 、 学习 、 分析 、 决策 、 通讯与 协调控制能力， 能动态 地适应制造环境变化 。 这也是智能制造与自动 化制造和数字化制造的 本质性区别。 智能优化 实现产品制造结果的优化 为目标， 任何企业或个人都可以参与产品设计、制造 与服务过程， 企业、个人和物料流、信息流、价值流等各方面都将发 生联系， 大量数据将被采集并导入云网络。 全流程闭环特征 运用新一代信息技术手段， 将能够构建“感知、分析、决策、执行 、 反馈”的完整工作回路。 具有系统进化和自学习能力 智能制造系统的结构应该是不断进化的， 从车间与工厂的重构， 到企 业的重组整合， 再到创新研发设计、分工生产制造以及市场营销和售

确保会员满意度 Consumer Business 高标准、严要求：总部 / 系统制定高标准生意决策，一线员巟严格按照标准落实，相信数据，而非直觉。 顾客 品类管理 商品管理 订货与配送 门店运营 §跨职能 SRD 推劢商 品 / 品类策略在门店落 地 §品类管理明细到中类 §第三方巟具优化选品 §基亍顾客决策树优化品 类结构及陈列 §全球商品寻源 §基亍顾客洞察分析的商 品管理 §商品全生命周期闭环管 推行一致性 管理共享 商品全生命周 期管理（基 础） 商品计划与 优化 供应链计 划 供应链执行 门店运营管理 业态与发 展 数字化 渠道 核心营运 商业智能 战略管理 运营决策支持 风险管理 财务 人力资源 其他后勤支持 全面预算 税务管理 财务核算 资金管理 人力资源管理（基 础） 人力资源管理（高 阶） 主数据管理 投资管理 项目管理 知识管理系统 终用户，系统延迟也会降低。 现有核心系统效能最大化。 通过更新系统，重新调 整解决方案来提高性能，拓展基础设施，从而提供 新的产品和服务。目前 80% 的时间、精力和预算都 用在对现有技术的维护 智能放大决策效果。 企业利用机器进行学习和预测，应 对大规模和复杂的数据群。智能机器不会取代人类的工作， 是提高能力。通过网络医疗自动分析以预防病毒传播。通 过实战士兵感官和环境数据分析，研发武器控制系统。 新生代

推进 IT 基础设施建设与提升，采用全新 的架构设计理念，建成组件化、集中 化、服务化、协同化的统一云平台，提 供高质量、可重用的平台服务，营造安 全、高效、敏捷的创新 IT 环境。 纵向管控， 决策支持 横向协同， 高效运营 具体 目标 1 2 模板迭代， 快速推广 4 智能互联， 敏捷安全 3 整合内部上下游信息资源与业务流程，事 务性工作自动化，财务业务一体化，促进 部门横向协同，提高资产运营效率，促进 对新产业及新建生产基地的整合，快速迭 代、输出标准化管理。 建立统一共享的信息平台，集团总部能实 时监控下属单位的库存、产量、成本、资 金流等关键信息，有效利用大数据技术平 台为管理层提供全面、及时、准确的决策 信息支持。 确保 XXX 集团数字驾驶舱建设的统一、规范、有序，提升数字驾驶舱服务的质量、效率和水平，提高数 字驾驶舱效用和效益，推进整个集团数字驾驶舱建设的健康有序发展。 建立健全自主可控的信息安全体系和 流程的 有效集成与衔接；  信息集成：未来 XXX 集团通过建设业务综合决策分析系统和生产调度 指挥平台等系统，从生产经营线一直到管理决策的信息能够在合适授权 的前提下得到充分的集中、集成、共享和分析利用。 决策支持层 以大数据综合分析为核心，完善绩效管理体系，提 高决策支持能力，辅助领导和管理者进行决策、绩效管 理、全面预算管理、经营监控、业务创新 经营管理层 以财务与业务一体化为核心，辅助管理者和业

，形成可持续发展竞争能力的 过程。 [GB/T 23020-2013,3.1，有修改] 3.5 数据驱动 data driven 通过业务场景中自然流动的数据，形成从状态感知、实时分析，到科学决策和准确执行的螺旋上升 的智能闭环，实现数据驱动的融合应用；或者通过将数字化的资源、知识、能力等进行模块化封装并转 化为服务，实现内外部数据价值的开发和资产化运营，充分运用数字资源、数字知识、数字能力，形成 门之间建立集成 DB FORMTEXT 31 FORMTEXT XXXX — FORMTEXT XXXX 4 共享机制，促进内部数据的互联互通。 5.2.6 智联能力应评估企业数据开发和智能决策的情况。通过全要素、全价值链和全产业链的连接、 解耦和重构，实现对企业成本、质量、效益的优化和新技术、新产品、新模式的培育。从 5G、人工智 能到工业/产业互联网，构成数据采集、传输、计算、分析、应用的数据闭环。 数字化发展 明确价值主张和价值体系 明确战略可持续竞争合作优势 与战略匹配的数字化转型架构 数字化导向 产品/服务创新数字化 运营管理智能化 用户服务敏捷化 产业体系生态化 管理决策数字化 组织保障 治理体系 用户/生态合作伙伴连接与赋能 与数字化新型能力一致的组织文化 与数字化新型能力一致的组织机制与管理方式 数字化资源 数字化资金 数字化转型管理层 首席数字官/首席信息官设置

群：AI或对长尾C端/小B领域 带来更大的颠覆性影响，但对高净值及机构业务更多是提效赋能及渐进式 的变化；3）应用场景：目前的探索集中在业务场景简单的非决策类环节， 而较难直接应用在对金融领域专业能力要求较高、涉及提供强投资建议、 涉及核心分析决策任务的业务环节，但未来随着AI大模型学习能力逐步加 强、我们预计其将展现出一定的预测能力；4）潜在风险：重点关注金融消 费者权益保护、数字鸿沟、以及顺周期性/羊群效应等领域。 B 用户的影响或更大 ............................................................... 9 维度三：应用场景上，或从简单的非决策类任务向复杂的决策类任务迈进 ........................................................... 9 AI 如何影响财富及资管行业格局？ ....... ►提升投顾专业能力 投研及投资 ►数据收集、数据整理、 数据分析、数据呈现、数 据复用 ►投资决策、组合监控 ►信息类型繁杂 ►大量数据噪音 ►数据高度分散 ►生成效率较低 ►沉淀机制欠缺 ►投资理论缺失 ►高效信息收集 ►信息整合提炼 ►信息分析加工 ►投研材料生成 ►知识再次调用 ►辅助投资决策 风险管理 ►合规审核 ►用户财务诊断、产品风 险评估 ►风险种类繁杂 ►不确定因素繁多

，推动模式创新。 理赔与后服务：全流程赋能理赔环节 ，提升效率、降低成本， 同时在后服务环节实现客户保全、服务 升级等 ，创造新的价值增长点。 办公助手：优化内部流程、整合信息资源、辅助决策制定 ，提升运营效率、管理效能 ，优化用户体验。 趋势 1 ：保险业 AI 应用从单点工具性应用向集中化智能体中台转变 ，将从“效率工具 ”向“战略中枢 ” 升级。 趋势 2 ： AI 驱动保险产品与服务深度融合 技术的应用现状及未来趋势，特别聚焦生成式 AI 对保险业数智化转型的推动。 AI 在保险领域是以数据驱动为核心、算法模型为工具的 新 型技术体系，通过机器学习（ ML ）、大语言模型（ LLM ）等技术，实现保险业务流程的自动化、决策的智能化与服务的个性化。其应用覆盖核保、理赔、风控、 客户 服务等保险全价值链 ，具备短周期、轻量化、强适配的特征，是保险业应对效率瓶颈与客户体验升级需求的关键技术路径。 AI 技术赋能保险行业诸多场景 二、“保险 +AI” 应用场景 Insight 当前 ，保险行业的 AI 应用已从概念验证转向规模化落地 ， 其 核心价值聚焦于降本增效的业务闭环构建。通过技术对传统 流程的重构、数据驱动的决策优化以及智能化工具的部署， AI 正在重塑保险价值链的每个环节 ， 显著降低运营成本、提 升服务效率 ，并为行业高质量发展注入动能。 AI 助力保险行业在投资与负债端 降 本增效 AI 助力

面向客户成效 ，满足客 户不断提升的期望 第 1 章 简化商业模式 第 2 章 洞察客户价值 第 3 章 精益切片转型 第 4 章 度量与决策 第 5 章 工作与度量标准对 齐 第 6 章 透明与可视化 主要内容 第二部分 数据驱动决策 ，打造高响 应力组织 第 7 章 组织约 束 第 8 章 职能约 束 第 9 章 数据决 策 PART 0 1 面向客户成效 ， 满足客户不断提升的期望 致 采用渐进式的方法来推动 成效实现 建立透明且可视化的系统 明确度量的对象和目的 要点一 简化业务战略 ，以客户价值 为中心而不是内部利益为中心 ，将通过提高透明度和可视化 来 改进决策 要点二 关注五个相关联的领域 ，逐步 调整组织和业务架构 ，使其更 加以客户为中心 2 关键点 1 - 通过聚焦客户 ，简化 商 业模式 ：讨论简化商业 模式涉及的五个领域 ， 以及这些领域在组织内 所 创造的文化、新的规范或工作方式 ，不是要实施的项目工作。 有预设 的实施 路线图 全方位 该方法很少全盘考虑。 本应所有部门同时改 变 ，但部门总找借口 ， 创建很多变通的方法 决策为了证明现状而 不是挑战现状 ，为了 适应现有的权力结构 而不是改 变它 简单照搬成功组织或行 业数字化领袖的做法 瀑布方法给 数字化转型 带来的挑战 模仿别人 精益切片贯穿业务的各个部分