机构研究报告-数字金融行业市场前景及投资研究报告：DeepSeek加速金融业数字化转型

证

券研究报告

行业深度DeepSeek如何加速金融业数字化转型？——数字金融系列深度之一发布日期：2025年02月23日本报告的核心逻辑

如何理解DeepSeek的出现对于国内金融业数字化转型的价值与意义？

一、低成本、高性能。DeepSeek通用及推理模型在性能不输头部同类大模型的基础上，成本相较于头部大模型下降至数十分之一以下，同时开源、本地化部署特性和蒸馏技术使金融机构无需重资本投入底层模型研发，降低试错成本和二次开发难度，对创新更加友好。

二、适配国产GPU。为金融机构基础设施信创改造提供了可落地的AI改造路径。

三、推动生态重构。通过技术普惠加速AI落地，将竞争焦点从技术壁垒转向金融数据价值挖掘，推动AI能力与金融场景深度融合，以数据闭环体系巩固金融领域的场景化优势。

金融机构如何应用好大模型？

不断动态沉淀的本地数据及业务逻辑是金融机构利用大模型加速数字化转型的核心胜负手；

“AI+金融”竞争力将取决于能否持续积累吸收高质量业务数据、深化垂直场景认知，并通过迭代形成“数据-模型-业务”的正向循环，不断提升金融服务水平。

围绕金融五篇大文章，大模型本身即是数字金融的工具，而科技金融、养老金融、普惠金融、绿色金融恰是应用场景。

中信建投非银金融&前瞻研究团队数字金融系列报告思路：中信建投非银金融&前瞻研究团队将围绕数字金融与大模型在金融领域的应用撰写系列深度，围绕大模型应用于金融业各类子行业的痛点、案例、未来展望等维度进一步展开。

本文作为第一篇综述，第一部分从金融机构数字化转型的核心痛点出发，第二、三部分以数字营销、海外投顾及保险数字化三个场景为例探讨大模型赋能金融业务的模式，第四部分归纳总结DeepSeek推动金融机构数字化转型的核心逻辑，最后一部分对券商、保险、信贷、供应链金融及其他金融科技机构业务逻辑的痛点和数字化价值进行深入探讨，以期对金融行业的智能化和数字化转型提供参考。核心观点：

Deepseek的出现将加速金融机构的数字化转型

Deepseek的出现将加速金融机构的数字化转型，核心在于可以更高效地论证数字化转型的阶段性效果，继而批量复制。

传统金融机构的数字化转型面临三大核心矛盾：——矛盾1：顶层设计层面自上而下“以客户中心+数字化转型”的长期战略目标，与一线人员层面自下而上短期业绩KPI考核的矛盾；——矛盾2：公司数字化战略转型的长期价值，与短期财报压力的矛盾；——矛盾3：成熟金融机构优势业务体量巨大但增速放缓，与创新业务增速虽快但占比太小的结构性矛盾。

针对以上矛盾，我们认为DeepSeek赋能金融行业的背后有八大逻辑&观点：

结论1：数字化转型是金融机构的组织转型+业务重构，技术只是催化剂，Deepseek的出现有助于加速量化论证转型的阶段性效果；

结论2：

AI不是岗位替代者，而是能力放大镜，更多取代的是“脑力活中的体力活”，将复杂业务流程不断标准化，分部迭代；

结论3：金融从业者借力AI

AGENT的目标是努力从“信息处理”中解放出来，更多参与“价值判断”与“价值分发”；

结论4：人机协同的本质是认知能力再分配，并非效率叠加，人类与AI认为的“困难”各不相同；

结论5：“电力+算力+数据”是大模型本身的关键，但对于金融应用不断动态沉淀下来的数据和模式创新才是核心胜负手；

结论6：智能客服的价值不只是24小时在线及拟人化的服务，而在于比客户早半步看见需求；

结论7：理解业务与理解技术同样重要：AI是认知杠杆，不是流程替代，金融机构业务端的“产品经理”或成为稀缺人才；

结论8：金融市场的复杂性与反身性、金融数据的隐私性与安全性等特殊性促使金融业的数字化转型需要渐进式创新；

最后，本文对券商、保险、信贷、供应链金融及其他金融科技机构业务逻辑的痛点和数字化价值进行深入的分析和探讨，以期对金融行业的智能化和数字化转型提供参考。提纲01

金融机构数字化转型核心痛点与思考02.

从金融机构的数字营销场景谈起03.

GenAI赋能买方投顾和保险业的数字化04.

DeepSeek如何推动金融行业数字化转型？05.

券商、保险、信贷、供应链金融及金融科技机构的业务逻辑痛点和数字化价值核心观点

中信建投非银金融&前瞻研究团队将围绕数字金融与大模型在金融领域的应用撰写系列深度，围绕大模型应用于金融业各类子行业的痛点、案例、未来展望等维度进一步展开。

本文作为第一篇综述，第一部分从金融机构数字化转型的核心痛点出发，第二、三部分以数字营销、海外投顾及保险数字化三个场景为例探讨大模型赋能金融业务的模式，第四部分归纳总结DeepSeek推动金融机构数字化转型的核心逻辑，最后一部分对券商、保险、信贷、供应链金融及其他金融科技机构业务逻辑的痛点和数字化价值进行深入探讨，以期对金融行业的智能化和数字化转型提供参考。内容摘要

如何理解DeepSeek的出现对于国内金融业数字化转型的价值与意义？

一、低成本、高性能。DeepSeek通用及推理模型在性能不输头部同类大模型的基础上，成本相较于头部大模型下降至数十分之一以下，同时开源、本地化部署特性和蒸馏技术使金融机构无需重资本投入底层模型研发，降低试错成本和二次开发难度，对创新更加友好。

二、适配国产GPU。为金融机构基础设施信创改造提供了可落地的AI改造路径。

三、推动生态重构。通过技术普惠加速AI落地，将竞争焦点从技术壁垒转向金融数据价值挖掘，推动AI能力与金融场景深度融合，以数据闭环体系巩固金融领域的场景化优势。

金融机构如何应用好大模型？

不断动态沉淀的本地数据及业务逻辑是金融机构利用大模型加速数字化转型的核心胜负手；

“AI+金融”竞争力将取决于能否持续积累吸收高质量业务数据、深化垂直场景认知，并通过迭代形成“数据-模型-业务”的正向循环，不断提升金融服务水平。

围绕金融五篇大文章，大模型本身即是数字金融的工具，而科技金融、养老金融、普惠金融、绿色金融恰是应用场景。

中信建投非银金融&前瞻研究团队数字金融系列报告思路：中信建投非银金融&前瞻研究团队将围绕数字金融与大模型在金融领域的应用撰写系列深度，围绕大模型应用于金融业各类子行业的痛点、案例、未来展望等维度进一步展开。

本文作为第一篇综述，第一部分从金融机构数字化转型的核心痛点出发，第二、三部分以数字营销、海外投顾及保险数字化三个场景为例探讨大模型赋能金融业务的模式，第四部分归纳总结DeepSeek推动金融机构数字化转型的核心逻辑，最后一部分对券商、保险、信贷、供应链金融及其他金融科技机构业务逻辑的痛点和数字化价值进行深入探讨，以期对金融行业的智能化和数字化转型提供参考。金融机构数字化转型核心痛点与思考1.1

金融机构数字化转型的核心矛盾数字金融发展的核心矛盾与痛点

顶层设计层面自上而下“客户中心+数字化转型”的长期战略目标，与一线人员自下而上短期业绩KPI考核的矛盾；

公司数字化战略转型的长期价值，与短期财报压力的矛盾；

成熟金融机构优势业务体量巨大但增速放缓，与创新业务增速虽快但占比太小的结构性矛盾。

业务侧的数字化转型需求零散但技术侧的开发需要统一规划与系统化思维；IT原生创新偏向基础设施，但业务感知零散；业务感受需求，但工具学习成本高昂；数字化转型应由业务部门，还是IT部门发起？数字金融的核心要点数字金融的基础设施

数字化运营体系：产业数字化需要高瞻远瞩的顶层设

金融科技基础设施建设快速更新迭代；计和敏捷高效的组织架构；

云原生分布式架构、API串联的微服务、容器化、敏捷开发、DevOps

等；

数据资产沉淀：实现业务场景数字化，将业务流程中产生的数据沉淀下来，形成公司的数据资产；

业务与技术应深度融合，通过“产品+运营”让“系统”在业务

数字化转型目标：

构建以用户为核心，以业务为导向，部门“用起来”；数据驱动决策的商业模式。

总部—分支机构财富管理赋能体系、投资顾问赋能平台（TAMP）、业务流程管理系统、客户服务系统等。结论：数字化转型是金融机构的组织转型+业务重构，技术只是催化剂

传统金融机构考核方式为层层分润考核短期结果的代理人模式

金融业的数字化转型需要层层分工考核短期过程的部落制模式；

建议优化方向融合以上两种模式的优点，相互融合：不改变前台业务的KPI体系，局部建立业务中台，分发业务线索，为一线业务人员赋能，单点业务场景跑通盈利模式再批量复制。Deepseek出现的意义恰恰是加速

单点业务场景跑通盈利模式

的时间，大幅降低转型成本

主观层面：战略层面数字化转型目标与具体岗位层面价值目标存在差异，拉平不同的部门的认知与节奏成本太高，使得数字化转型难以推进。

客观层面：各细分业务数字化从0到1的成本较高而回报不定，ROI导向注重业绩结果的考核模式亦使数字化转型难以进行。1.2

解决思路：数字化赋能，从

产品销售

转向

用户运营

转变产品销售逻辑客户思维•

以“客户”为中心：“客户”的需求是多元的；•

以“我”为中心：“我”的服务和产品是标准化的；•

销售思维：搞定客户，关注结果；•

客户思维：

“我”能做的我来做，“我”做不到的，分发给最优秀的“供应商“，关注客户体验；•

KPI是目标：终极目标是为了短期“成交”结果；•

KPI是过程：终极目标是为了获得客户信任，承接更多客户需求；资料：数字化转型之道，中信建投从金融机构的数字营销场景谈起2.1

金融机构传统营销模式存在的痛点

营销是金融业务中最强调KPI考核场景，也是数字化转型的重要场景之一；

传统营销模式以产品销售为中心，市场是波动的，但考核是连续的，业务加速竞争，但搭建体系需要时间；

一线业务人员视角：个人产能有限，优先实现单一客户服务闭环，再考虑服务更多客户；

金融机构视角：人数扩张面临瓶颈的背景下，如何指数级提高代理人人均产能的上限？

金融产品同质化，单纯依靠低价竞争无法形成比较优势，需要提高服务价值；图表1：传统营销vs数字营销

金融服务模式非标准化，批量复制难度大，需要设计服务体系；

数字营销体系需要多部门配合，需要组织的敏捷转型+数字化能力建设；因此，需要通过“场景创新+数据驱动+组织敏捷”建立营销体系；资料：中信建投整理2.2

分析框架：营销生产力提升

依据复旦&明略&秒针联合发布2024《生成式营销产业研究蓝皮书》，营销生产力=洞察×创意×媒介

洞察能力，包括消费者需求、市场环境、行业趋势、竞争态势数据和信息的采集与分析，以及最终获得分析结果的能力和效率；

创意能力，包括创造和生成文字、图片、视频、音频、设计网站甚至新产品的创新能力和生产效率；

媒介沟通能力，使用媒介渠道进行营销的能力和效率，渠道包括移动设备、电视、社交媒体、搜索引擎、电商、线下等各种用于营销传播的媒体平台。

而金融行业金融产品收益前置而风险后置，信任=（可靠+可信+专业）/利益冲突，或亦是推动营销生产力和客户生命周期价值提升的核心要素。图表2：营销生产力组成要素资料：复旦&明略&秒针2024《生成式营销产业研究蓝皮书》

，中信建投2.2

分析框架：营销生产力提升

据BCG，通过使用AI工具，可以减少最多25%的间接销售活动，新增客户触点，同时提升客户满意度。图表3：AI助理提高销售效率资料：BCG，中信建投2.2

分析框架：营销生产关系转型

据《生成式营销产业研究蓝皮书》，生成式营销应用前沿的生成式AI能力赋能生产工具，在营销领域的业务流程中，实现营销生产力效率的全面提升，影响并重构营销组织的生产关系，进而形成的新型市场营销产业运行模式。

在金融领域，生产关系转型则体现为由产品销售到客户中心，由部门壁垒到对内协同的转型等。图表4：营销生产力提升推动营销生产关系转型资料：复旦&明略&秒针2024《生成式营销产业研究蓝皮书》

，中信建投2.3

解决之道：从产品销售到买方投顾资料：变秒针营销学院，中信建投现传统的营销过程分为从“认知、兴趣、购买到忠诚”的过程：“客户关系”更强调快速实现“购买过程”，是为“变现”；“合伙伙伴关系”更注重建立深度的信任的“认知和兴趣”过程，盈利不是商业的起点，盈利是终点。2.3

解决之道：数字营销体系建设公域到私域的获客及数据采集沉淀

采集每一个触点、每一次用户互动数据；

创造更多触点；数据中台&营销中台的打造

打破数据孤岛、形成以用户中心的数据数据标签体系；

不断利用AI进行决策优化，通过A/B

TEST，不断寻找最优路径；

线下拜访/会议/策略会运营中台的构建

官网/APP/小程序/H5上每一个行为

社交媒体、自媒体平台上的阅读、点赞、转发

电邮、App消息、SMS链接点击

集中运营是“中央厨房“，为前线”打仗“的同事输送”弹药“；

强运营能力需要过程KPI的正确引导；内容的创造与运营

大V具有超强的带量能力；

市场缺少的不是专业的投教内容，而是有趣的陪伴；

内容需要持续的分发，体系化的呈现、高频的更新；

合规第一，但过于晦涩的内容缺乏传播价值；数据：枝兰，中信建投2.3

解决之道：GenAI赋能

据麦肯锡研究，GenAI的潜在价值（约75%）主要是四个方面：客户运营、营销和销售、软件工程、产品研发。

GenAI赋能内容营销，解决“脑力活中的体力活”图表5：GenAI赋能内容营销帮助市场部门快速总结趋势、提出观点、启发研究、策划方向敏捷化自动化智能化假设生成•

自动化生成问卷、对话式AI访谈•

结合更多元的数据范围信息收集•

大批次分析非结构化数据（量化分析）•

将复杂数据分析过程可视化为图表和图形产出洞察•

Agency产出Big

Idea高质海量千人千面更好转化BGC

（几周-几个月）PUGC

（几天-几周）AIGC

（几分钟-几小时）•

70%案头工作+30%头脑风暴•

KOL和KOC等创作者，众筹式生成大量内容•

AI生成内容，极大提升内容产出效率资料：《人工智能与营销新纪元》

，中信建投2.3

解决之道：GenAI赋能

市场是波动的，客户情绪是波动的，客户需求是多元的，金融服务的场景是复杂的；

最容易被替代的：标准化的金融产品、金融服务流程工作；

最不可替代的是：

人与人之间的交互和信任；图表6：GenAI赋能信任交互在大规模的一对多用户服务和运营等场景，帮助人工客服和社群运营预生成符合场景和客户需求的大量的个性化内容范围更广随时随地效率提升专业积累基于大模型，可回答知识库中超出预设流程的问题，拓宽Chatbot应用场景，更好地分发和解决客户问题可生成不同风格的对话内容，其较为灵活的语言风格可更好地协助人工客服个性化服务体验升级资料：《人工智能与营销新纪元》，中信建投结论：智能客服价值不仅在全天候拟人化服务，更在于比客户早半步看见需求；

如何理解营销数字化的组织变革？

图表7：GenAI赋能营销不仅在内容生成，还包括需求洞察等多元可能性

产品销售以产品为驱动，以交易为导向，强调产品功能参数与性价比以促进成交；

而客户中心则以需求为起点，以信任为导向，注重深度理解客户痛点和长期目标，追求客户生命周期价值的最大化。

以智能客服为例分析，智能客服的数字化组织变革，即在于“早半步”的洞察，将客户需求感知从应答升级为预判，从被动响应转为主动挖掘。资料：《生成式营销产业研究蓝皮书》

，中信建投资料：秒针营销科学院，中信建投

金融服务场景，如投顾业务与消费场景有巨大差异。由于投顾的专业性要求更高，特别是金融市场资产价格波动性，使得在投资者适当性合规要求下，更需要体系化的服务模式。GenAI赋能买方投顾和保险业的数字化3.1

复盘海外投顾行业转型历程

从美国财富管理行业经历由卖方销售向买方投顾的转型，TAM

P、RIA托管等To

A平台的赋能是其中重要一环：

1）20世纪30至50年代美国财富管理规则确立，《投资顾问法》等法案出台；

2）20世纪60至90年代间行业逐步向买方投顾模式转型，期间1975年取消固定佣金制、1980推出12b-1规则、1977年以Vanguard为代表的直销及免佣基金崛起、1984年以嘉信理财为代表的基金超市模式出现加剧渠道竞争；

3）20世纪90年代以来，以嘉信理财为代表的TAMP及RIA托管等To

A平台涌现，降低了投顾在客户账户管理及其他非专业领域如文件管理、合规管理等方面的难度和准入成本，推动行业买方转型；

4）经历1980-1992年的多轮牛熊，以及1993-2000年的7年长牛和随之而来2001年互联网金融泡沫破灭，以信任主导的买方投顾模式则在陪伴投资者持续穿越周期的过程中最终实现规模的稳健增长。图表8：美国财富管理行业发展历程一览资料：维基百科，嘉信理财官网，先锋集团官网，彭博，中信建投3.2

传统投顾面临痛点及数字化转型的核心逻辑

投顾业务流程复杂，营销、获客、开户、账户管理、交易、托管、结算、配置，投前、投中、投后……

投顾面临痛点：时间分配困境（传统投顾仅少部分精力用于客户沟通与服务）；服务普惠性难题（人工成本高昂而人效有限使传统投顾更聚焦高净值客户市场）

TAM

P的本质是通过技术重构生产关系——将投顾从重复劳动中释放，转而聚焦于客户关系维护与信任构建。图表9：顾问在使用TAMP平台前后的时间分配情况图表10：投顾使用TAMP主要是为了有更多时间服务客户拥有更多时间满足客户需求优化投资管理保持灵活的成本结构以应对低迷市场环境节省运营成本并提升效率获得对其他竞争公司的竞争优势提升公司价值使公司符合行业潮流0%10%20%30%资料：LPL2022Q3业绩推介会材料，中信建投资料：WealthAdvisor

TAMP

Survey，中信建投3.3

TAMP案例：利普乐金融(LPL)

利普乐金融主要依靠六大平台为顾问提供咨询服务：

根据提供咨询服务的方式，六大平台可分为集中管理（Centrally

managed）与定制化（Open

Architecture）两大类。集中管理平台包括GWP、OMP、MWP和PWP，通常提供深度、专一的研究支持；定制化平台包括SAM和MS，能够根据客户的需求为其提供相应的咨询服务，服务的种类繁多。图表11：利普乐各咨询平台简介及账户收费情况定制化集中管理Optimum

Market

Personal

WealthModel

Wealthportfolio平台名称Strategic

AssetManagerGuided

Wealth

PortfoliosPortfoliosPortfolios（PWP）Management

SAM（）Select

MS（）GWP（

）（OMP）(MW

P)一个开放架构投资平台，能为顾问提供创一个集中管理的、基于独立账户平

算法的投资计划。GWP专共同基金打包计划，提供包含多位经理人共同基金的提供完全多样化建自定义投资组合的

台，以极低的

有的自动化算法，根据利能力，能够同时将客

账户要求提供

普乐构建的模型组合生成户的多种投资打包封

多种机构经理

投资建议，将数字投资平统一管理帐户，

的共同基金和ETF平台简介为顾问提供框架

模型，由第三方以投资组合，超过10性的投资策略及利普乐金融的投资组合策略师指导个以上的次级顾问提供支持装在一个帐户和一个

投资服务报表中台与顾问的监督、审查和建议相结合最低投资金额25,000美元50,000美元5,000美元10,000美元25,000美元250,000美元每年账户费用最低:0.50%最高:2.50%最低:0.50%最高:2.50%最低:0.00%最高:1.00%最低:0.50%最高:2.50%最低:0.00%最高:2.00%最低:取决于MS最高:2.50%资料：公司年报，中信建投3.4

中美财富管理产业链概况对比资金服务服务海外企业我国企业C端参与者：个人居民端参与者：企业/金融机构A端参与者：投资顾问B资金资金服务服务上游：社会财富机构资金中游：持牌金融机构中/下游：第三方财富管理服务商底层：标的资产银行信托TAMP平台

/投

资顾问投

资组合

管理标准化资产Morgan

Chase、BNY

MELLO、LPLFinancial、Betterment、SEI……工商银行、中国银行、建设银行……华润信托、五矿信托、光大信托……盈米啟明、先锋领航、blueleaf、

BlackDiamond……金融机构资金企业资金Citi

Bank、NORTHERN待发展货币市场工具上市交易股票标准化债券场内衍生品……盈米且慢……HSBC……TRUST……特

殊场景

理财规

划风

险监控

分析券商私募基金高毅资产、景林资Bucket

Bliss、RetireUp、W

ealth2K……Riskalyze、TOLERISK、finmason……政府资金LAZARD、MorganStanley、EVERCORE……Blackstone、Warburg百融云、京东科技、金中信证券、中信建投、中金公司……待发展产、淡水泉投资……融壹账通……Pincus……养老金委托资金外资投

研数据

、行情CRM、

数字营

销保险公司私人银行MorningStar、FACTSET、Bloomberg……W

ind、同花顺、东方财富Choice……W

ealthbox、Practifi、中电文思海辉、泛微软件、宇信科技……Vontobel、bordier、Coutts……SKIENCE……AIA、Metlife、AIG、Allianz……中国人寿、中国平安、中国人保……招行私行、工行私行、中国银行……个人资金非标准化资产交

易平台

/系

统投

顾商业

分析高净值客户财富客户SS&C、3Xequity、AdvisorClarity、AdvisorMetric……未上市企业股权房地产恒生电子、金证股份、基金公司家族办公室/财富管理AdvisorEngine、RobustW

ealth……待发展金仕达……Schroders、BlackRock、Fidelity……Bessemer

Trust、Stone

HageFleming易方达、

广发基

金、汇添富基金……诺亚财富、海银财富、恒天财富……B2B

服务第三方产品代销Jemstep、DRIVEW

EALTHSIGFIC……蚂蚁基金、天天基金、腾安基金……大众零售客户、待发展……待发展上交所、深交所、港交所……毕马威、德勤、金杜律师事务所……大公国际、中诚信国际、中金信用……基础设施供应商交易所鉴证中介评级机构Nasdaq、London

Stock

Exchange……KPMG、Weil,

Gotshal

&

Manges

LLP……、、S&P

Global

MSCI

MooDy’s……3.5

保险科技：从单点工具升级为系统性能力

全球各国寿险行业的渠道结构呈现出差异化特征：美国、英国以独立代理人/保险经纪人渠道为主，法国、意大利以银保渠道为主，日本、韩国以专属代理人为主。

以美国为例，随着万能、变额和指数型等投资属性较强的新型产品发展壮大，保险产品与居民资产配置体系的融合程度逐渐加深，对代理人的金融知识、财务能力和利益一致性提出了更高要求，独立代理人渠道自20世纪80年代开始逐渐兴起，至2000年已成为美国个人寿险和个人年金市场的第一大渠道。【独立代理人主导地位持续强化，险企控费意愿提升成本优化，技术赋能加速渠道分化】

来自多方主体的赋能支持推动了美国独立代理人渠道的兴起，包括保险科技公司和以独立营销组织（Independent

MarketingOrganization，IMO）和经纪总代理（Brokerage

General

Agencie，BGA）为代表的中介机构等。图表12：美国个人寿险渠道结构（按年化保费计）图表13：美国个人年金渠道结构（按年化保费计）独立代理人专属代理人直销其他独立代理人与经纪人专属代理人直银行与券商直销及其他60%50%40%30%20%10%0%70%60%50%40%30%20%10%0%1997

2000

2003

2006

2009

2012

2015

2018

2019

2020资料：LIMRA，中信建投证券资料：LIMRA，中信建投证券3.6

保险公司：通过销售线索推荐助力潜客开发，提供多种展业工具

以美国领先保险公司保德信金融（Prudential

Financial）为例，其拥有自有全国销售组织Prudential

Advisors，也是其自有销售渠道，与Prudential

Advisors关联的投资顾问在保德信金融的分销渠道体系中占据重要地位。

Prudential

Advisors为代理人等金融专业人士提供全流程赋能：

客户获取：提供15种以上潜在客户线索推荐计划，提供优质销售线索，助力投资顾问的潜在客户开发。

技术赋能：提供多种效率提升工具，如Clientlink、eMoney、Morningstar、Envestnet资金管理平台、电邮和社交媒体营销工具等。

培训提升：与业内顶尖专家合作，拥有线上培训库，通过营销、销售技巧和其他基本技能来赋能展业，可提供数十种按需培训。

业务转移：合格且经批准金融专家可将其未来佣金流出售给另一名经公司批准的金融专家，使其能放心做大业务。图表14：2023年Prudential

Advisors线索推荐项目成果图表15：Prudential

Advisors通过多个项目为代理人对接资源资料：Prudential

Advisors，中信建投证券资料：

Prudential

Advisors

，中信建投证券283.7保险科技公司：提供涵盖客户互动、销售、中后台全价值链解决方案

作为专注于为各类保险业务主体提供科技赋能的机构，保险科技公司对保险价值链的赋能更为全面，不仅通过提升代理人展业效率来赋能获客和销售环节，还通过提供合规、财务等中后台技术赋能使代理人提升管理效率并够将更多精力用于业务拓展，进而间接促进业务规模增长。

获客&销售赋能：利用技术系统帮助代理人与客户进行自动化、大规模的个性化互动，提升客户留存和忠诚度；持续跟踪销售线索和潜在客户；分解不同潜客的成功率，提供销售线索分析报告，助力提升销售绩效······

中后台赋能：保单全生命周期管理系统；自动化生成票据，节省支付跟踪和账户对账的时间；通过定期报告跟踪经营情况；数据驱动经营决策；工作流程自动化；电子认证；各地区的业务资质申请、续期和管理······图表16：代理人通过技术平台可实现大规模个性化客户互动图表17：代理人通过技术平台可持续跟踪各销售线索的转化流程资料：

Vertafore，中信建投证券资料：

Vertafore

，中信建投证券29结论：金融从业者借力AI

AGENT的目标是努力从“信息处理”中解放出来，更多参与“价值判断”与“价值分发”；图表18：GenAI如何赋能财富管理

买方投顾（尤其是高净值投顾）信任密集、时间密集，人与人的交互和信任不可缺失；

由TAM

P到AI赋能：是从流程优化到认知升级；

如摩根士丹利推出GenAI工具AI

@MorganStanley

Debrief，帮助顾问从客户对话中提取洞察，生成个性化建议并规划后续行动；

摩根士丹利财富管理客户细分主管

VinceLumia提到，“AI

@Morgan

Stanley

Debrief极大地提高了顾问的日常工作效率，让更多时间花在与客户进行有意义的互动上。因为归根结底，顾问的服务、建议和与客户的关系——人与人的交互（the

human

touch）仍然是根本。”资料：UBS，中信建投DeepSeek如何推动金融行业数字化转型？4.1

大模型金融核心应用场景？业务场景简单的非决策类环节

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，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。图表19：大模型在金融领域赋能的各细分场景及业务细分环节资料：《AI大模型在金融行业的应用前景及潜在影响分析》，中信建投4.1

大模型金融核心应用场景？业务场景简单的非决策类环节

据英伟达调研，43%的金融机构已开始使用大模型，主要用于报告生成（37%）、客户体验及活跃度优化（34%）、合成数据生成（33%）和营销（32%）；

行业影响方面，据埃森哲，GenAI对美国银行、保险、软件及资本市场相关行业的影响处于最前沿；

工作场景方面，办公与行政、销售相关、计算机与数学、商业与金融业务等受GenAI影响最大。图表20：GenAI对美国各行业的影响（左图）及对各工作的影响（右图）资料：埃森哲，UBS，中信建投结论

：GenAI解决了什么？——“脑力活中的体力活”

Gen

AI不是岗位替代者，而是能力放大镜，更多取代的是脑力活中的体力活；

倘若将现实世界数字抽象概括成数据、信息、认知、知识、决策、智慧等要素，GenAI用于数据的采集处理、信息的整合提炼，辅助认知的推理构建、知识的理解生成；图表21：金融行业生成式AI机会点图谱资料：度小满、沙利文，中信建投结论：人机协同的本质是认知能力再分配，并非效率简单叠加

人机协同不是简单重复性任务的叠加，而是对人类与AI的核心认知能力进行结构性重组，两者优势区间各不相同；

人类与AI认知差异形成双向赋能通道，1（人）+1（AI）＞2，真正价值产生于能力矩阵的乘数效应

结论：理解业务与理解技术同样重要：AI是认知杠杆，不是流程替代，金融机构业务端的“产品经理”或成为稀缺人才；图表22：财富管理领域的认知能力坐标系维度人类认知困难AI认知困难人机协同价值突破点AI生成360°客户画像初稿；碎片化数据整合（如跨平台交易、消费等）非结构化信息解读（如面谈微表情、家族传承理念）客户画像"顾问通过深度访谈补充

情感地图"人类设定战略配置框架；AI动态调整千种资产的非线性相关性理解政策突变对客户心理账户的影响资产配置风险控制长期陪伴实时优化战术调整（平衡）T+1再AI跟踪预警市场风险；人类跟踪客户需求漂移（动态KYC更新）同时监测200+组合的尾部风

捕捉客户风险承受力的隐性险变化（如生育计划调整）人类制定10年规划框架；AI提供事件触发式提醒（如税务适配等）客户全生命周期需求跨周期连续性追踪价值观变迁的咨询服务（如从财富增值到遗产规划）资料：中信建投整理4.2

DeepSeek核心优势？——低成本，高性价比

通过MoE架构、本地化部署、适配国产GPU、规则奖励机制、开源生态等策略，DeepSeek在推理能力不输OpenAI

GPT-o1的同时，实现显著的成本节省。

简单对比：

训练成本：DeepSeek-V3（558万美元）

vs

OpenAI

Gpt-4（10亿美元）；图表23：DeepSeek及GPT输入&输出成本对比模型类别模型名称输入价格（元/百万tokens)输出价格（元/百万tokens）推理模型deepseek-r14166

输入费用：缓存未命中下，DeepSeek（0.14美元/百万tokens）

vs

Gpt-4o（2.5美元/百万tokens）

输出费用：DeepSeek（0.28

美元/百万

tokens）

vs

Gpt-4o（10

美元/百万

tokens）

商业化定价：DeepSeek（API

0.48美元/百万

tokens，支持消费级硬件，开源）

vs

GPT-4（API

18美元/百万tokens，昂贵云服务&大规模GPU集群）deepseek-

1.5r1-32Bgpt-o1109.543832.18gpt-o3-mini

8.1生成模型deepseek-V32gpt-4o18.2573gpt-4o-mini

1.14.4资料：公开资料整理，中信建投4.3

DeepSeek如何推动金融机构数字化转型？

核心逻辑在于：DeepSeek通过“信息平权”重构“人效杠杆”，组织转型高成本且面临短期考核矛盾下，以低成本、高人效的个体数字化闭环自下而上撬动系统性变革。体现为：

1）人机协同实现个体生产力跃迁，绕过组织层面转型的高摩擦成本；

2）低学习和使用成本而显著提升人效，用业绩增量消解变革阻力；

3）沉淀个人数字化数据，反向驱动中台迭代敏捷升级；图表24：AI赋能，助力提升金融业务全价值链生产效率（以资产管理为例）资料：BCG，中信建投4.4

未来金融应用大模型的核心胜负手？——数据

电力、算力、算法、数据是人工智能发展的四大核心要素，哪一个才是金融应用大模型竞争的核心胜负手？

1）算法或因DeepSeek开源模式推进而大众化；

2）电力、算力虽是大模型本身发展的核心，或因“杰文斯悖论”激发需求增长，但作为基础设施，或并非金融机构AI竞争的核心壁垒；

3）DeepSeek的高性能凸显高质量数据的重要性。如V3模型训练时使用了14.8

万亿涵盖多种领域和语言的token；R1通过精心筛选和处理的冷启动数据提升了模型性能和可读性。

4）展望未来，

“AI+金融”竞争力将取决于能否持续积累吸收高质量私域业务数据、深化垂直场景认知，并通过迭代形成“数据-模型-业务”的正向循环。

结论：“电力+算力+数据”是大模型本身的关键，但对于金融应用不断动态沉淀下来的数据和模式创新才是核心胜负手；图表25：杰文斯悖论（算力使用效率提升反而带来算力需求增长）的发生与否取决于需求弹性弹性需求：效率提高20％，导致旅行增加40％。

燃料消耗增加，杰文斯悖论发生。无弹性需求：效率提高20％，导致旅行增加10％。

杰文斯悖论不会发生。资料：微观经济学，中信建投券商、保险、信贷、供应链金融及金融科技机构的业务逻辑痛点和数字化价值金融大模型生态代表参与主体一览（根据公司官网&新闻整理）图表26：海内外金融大模型生态代表参与主体生态层级参与主体典型机构（国内）典型机构（国际）合规与监管层金融监管科技公司监管机构金信网银…Chainalysis、ComplyAdvantage…中国人民银行、国家金融监督管理总局、证监会…

SEC（美国证监会）、FCA（英国金融行为监管局）…生态支持层中国人工智能学会、中国互联网金融协会、北京金融科技产业联盟…清华大学金融科技研究院、北京大学数字金融研究中心…行业协会与联盟科研机构与高校FINRA、Global

Financial

Innovation

Network…MIT

Media

Lab、Stanford

ComputationalFinance...创投与孵化机构红杉中国、IDG资本、创新工场、模速空间…Sequoia

Capital、Andreessen

Horowitz、Accel…………应用场景层智能投研通联数据、熵简科技、慧博科技、讯兔科技…Kensho、AlphaSense…智能投顾招商银行、平安科技、蚂蚁财富、陆金所…Betterment、Wealthfront…风险管理智能客服量化交易...百融云创、同盾科技、冰鉴科技…阿里云（智能客服）、宇信科技…幻方量化、九坤投资、启林投资……SAS、Moody'sAnalytics、FICO…Salesforce（Einstein）、IBM

Watson、LivePerson…Two

Sigma、Citadel、Renaissance

Technologies……数据与工具层大模型开发层金融数据服务商数据处理与标注开发工具与框架万得（Wind）、同花顺、东方财富…海天瑞声、数据堂、标贝科技…Bloomberg、Refinitiv（路透）、S&P

Global…Scale

AI、Appen…TensorFlow、PyTorch、Hugging

Face…百度飞桨（PaddlePaddle）、MindSpore…（盘古）、星环（无涯）、拓尔斯（拓天）、奇富（奇富GPT）、同花顺（问财）、东方财富（妙想）、蚂蚁集团（贞仪）、恒生电子（LightGPT）、文因互联、腾讯（FinGPT）

京东科技（言犀百晓）、度小满（轩辕）、马上消费（天镜）…深度求索（DeepSeek）、百度（文心一言）、科大讯飞（星火）、商汤（日日新）、字节跳动（云雀/豆包）、智谱AI（GLM）…Bloomberg（BloombergGPT）、JP

Morgan（LLM

Suite）、GoldmanSachs（Alloy）、Morgan

Stanley（AI@

MorganStanley）、CapitalOne（Eno

AI）、BlackRock（Aladdin

AI）、S&P

Global（KenshoNLP）、CapitalOne（Eno）…金融垂直大模型通用大模型OpenAI（GPT）、Google（PaLM）、Google

DeepMind（Gemini）、Meta（LLaMA）、Anthropic（Claude）、…基础设施层云计算平台阿里云、腾讯云、云、百度智能云…AWS、Microsoft

Azure、Google

Cloud…算力芯片厂商：各公司官网，中信建投寒武纪、

昇腾、天数智芯、壁仞科技…NVIDIA（GPU）、AMD、Inte、Graphcorel…资料金融大模型生态代表参与主体一览图表27：中国人工智能产业链图谱资料：艾瑞咨询，中信建投5.1

AI及大模型对证券业务的赋能逻辑

短期：聚焦单点业务，迅速提升客户体验•短期内，AI着重赋能以个人为单元的规范性业务环节，优化业务流程，显著提升业务效率与客户体验。例如借助智能客服与顾问，能够快速校验客户信息，大幅缩短开户时间，凭借强大的语义理解能力，快速响应客户疑问，实现7×24小时不间断服务，客户回访时，AI

能依据预设话术与客户高效沟通，记录关键信息并进行初步分析。

中期：助力前中后台协同，释放人员生产力•中期视角，AI对前中后台业务协同发挥关键赋能作用，全方位释放前中后台人员的生产力。例如通过智能风控、内容生成等工具，提升中后台运营效率；部署大模型能够快速读取和初步分析数据，使客户经理等前台人员从繁琐的数据处理工作中解脱出来，将更多精力投入到客户关系维护与业务拓展上。

长期：驱动敏捷转型，塑造差异化竞争力•长期积累下，AI促使证券机构实现敏捷转型，形成区别于同行的差异化竞争力，在不断变化的市场环境中占据优势地位。AI

能够整合和梳理企业内外部各类数据，打破数据孤岛，为企业决策提供坚实的数据基础。同时，AI

助力打破传统协同壁垒，以项目或业务线条为导向，构建矩阵式组织架构。图表28：证券行业AI应用设计架构42资料：上海证券交易所（证券信息技术研究发展中心）5.1金融科技公司的商业模式及AI应用情况公司核心商业模式AI应用2023年推出，“妙想”金融大模型；2024年，东方财富Choice8.0问答、研报总结、文档助手、资讯摘要、债券资讯、债券交易助手等多场景AI应用。流量聚集：以东方财富网、股吧、天天基金网等互联网平台为基础，提供全面的财经资讯、互动社区和基金信息等内容，吸引大量的投资者用户，聚集丰富的流量资源。东方财富版本发布，集搜索、牌照变现：拥有基金销售牌照和证券牌照等金融牌照。通过天天基金网开展基金代销业务，利用平台流量优势，将用户转化为基金购买客户；借助东方财富证券开展证券经纪、融资融券等业务，把平台用户引流到证券业务中，赚取经纪业务佣金及两融利息收入。2024年，金融对话大模型问财HithinkGPT；分别在i问财和流量变现：通过PC版和同花顺app两大平台积累大量用户。基于庞大的流量，开展增值电信服务，向用户提供付费资讯、数据服务、软件功能等；同时为国内绝大多数券商提供广告及互联网推广服务，赚取开户提成及广告收入。技术服务：为证券公司等金融机构提供网上行情交易系统综合解决方案等软件技术服务，收取软件销售及维护费用。凭借技术优势和系统稳定性，服务超90%的证券公司，在金融科技领域树立了专业形象。同花顺指南针应用大模型能力，面向个人iFind和机构客户提供AI智能服务，提升客户体验。在公司披露的业绩会答投资者问精准定位金融信息服务：以自主研发的证券工具型软件终端为载体，为投资者提供专业金融数据分析和证券投资咨询服务，通

中，公司表示将始终关注行业前过直销模式销售软件。虽整体流量弱于同行，但专注垂直流量精准运营，依靠对客户的深入理解，满足差异化需求。推动证券业务转化：2022年收购网信证券（后更名为麦高证券），积极推动金融信息服务与证券服务深度融合，围绕中小投资者，以财富管理和金融科技为特色发展互联网证券业务，加速C端用户流量转化。沿技术。公司将围绕用户体验和实际业务需求，积极探索与研究相关前沿技术，以提升自身业务水平。2023年6月，专门组建数据标注团队，聚焦模型效果评测和

AI应用效果评估工作。2025年2月，旗下投顾服务平台且慢宣布成功接入DeepSeek-R1深度推理模型基金投顾：依托且慢平台，针对个人理财提供基金投顾，从2020年提出“三分投、七分顾”投顾服务理念，到2022年的“教、盈米基金投、顾一体化”服务体系，再到

年提出基于客户账户的投顾

服务，不断迭代升级服务模式。2023

2.0多元化布局：围绕财富管理业态完善业务体系，启明平台专注于赋能一线投顾团队和金融机构，蜂鸟系统针对专业资管机构提供数字化解决方案等，5.2

保险公司资负两端痛点及大模型技术应用价值

在保险业新“国十条”的指引下，保险行业要切实转变发展方式，加快由追求速度和规模向以价值和效益为中心转变，加快数字化转型，坚持内涵式发展、特色化经营和精细化管理推动实现降本增效。

当前负债端面临的痛点及大模型技术在相关场景的应用价值包括：

报行合一政策的实施助力险企改善盈利能力，但也对费用管理的精细化水平提出了更高要求，尤其是代理人渠道的报行合一，涉及到的数据更为丰富、实施复杂度更大。大模型技术有望助力保险公司更好地动态监测费用构成，更加精细化地分析各项费用，帮助保险公司更好管理费差表现。

预定利率与市场利率挂钩及动态调整机制已正式落地，保险公司需要强化对预定利率的趋势性分析和前瞻性研判，确保预定利率调整过程中产品开发、切换、停售、销售管理、客户服务等各项工作平稳有序进行。大模型技术的应用有助于提高产品切换相关的的客户沟通、营销材料制作等流程效率。

新保险合同准则的实施对保险公司的数据和信息系统都提出了更高要求，一方面需要保险公司提升数据质量、数据一致性、数据提取/处理的效率和数据管理能力，另一方面新准则要求的大量复杂运算也需要保险公司持续改进业务/精算/会计核算系统，并实现各个系统之间的有效联动。保险公司可以应用大模型技术优化对未来现金流、合同服务边际等指标的预测，提高相关报表的生成效率。

当前资产端面临的痛点及大模型技术在相关场景的应用价值包括：

低利率环境下，资产负债匹配对保险公司的重要性更加凸显，保险公司可以通过大模型技术基于更丰富的数据以更高的频率对自身的资产负债匹配情况进行动态深度跟踪，提升经营稳健性。

在长端利率下行和优质非标资产供给收缩的背景下，亟需挖掘与保险资金属性相契合的创新性投资机会，以此来增厚投资收益和提升组合分散化程度，这对保险公司投资能力的深度和广度都提出更高要求。大模型技术有助于提升投研效率，并可通过整合内部数据和研究成果推动实现高效的知识管理和共享，助力对海外资产、另类资产的投资能力建设，为优化资产配置结构奠定基础。

长端利率下行背景下，保险资金投资安全垫逐步变薄，对风险的全面评估和动态监测尤为重要。保险公司可以通过大模型技术打造AI风险预警系统，从海量市场信息中识别市场不稳定迹象，并据此对投资组合进行动态调整优化，助力实现稳健回报表现。445.2

海外保险科技应用场景较为丰富，涵盖不同领域的不同应用

近年来在新技术的不断推动下，海外保险科技平台的应用场景逐渐丰富丰富，目前在垂直细分领域已发展出一系列保险科技解决方案服务商，提供从业务管理系统到产品开发、理赔、营销及售后的全流程服务；同时众多采用新技术和新商业模式的互联网/新型保险公司和保险中介平台亦不断涌现。图表29：海外保险科技行业图谱资料：麦肯锡，中资料：TheDigital

Insurer，麦肯锡，中信建投5.2

保险科技应用影响深远：表层渠道变革、中层模式优化、基层架构演变

海外保险科技行业应用层次和应用场景多样，目前已对行业生态产生了深远影响。概括而言随着海外保险科技的服务范围和形式得到进一步拓展，目前已在表层渠道变革、中层模式优化、基层架构演变等多个方面和众多领域对海外保险行业产生了深远的影响。图表30：美国保险科技行业图谱及影响分析资麦资料：公司官网，麦肯锡，中信建投5.2

国内保险科技积极探索客服、理赔、营销、承保等多个应用场景

国内外众多保险公司和保险科技公司，如众安、阳光、平安、太保、华农保险和中科万国等，纷纷投身于大模型技术的研发与应用，积极探索其在保险业务中的巨大潜力，探索方向涵盖了客户服务、理赔定损、营销推广、承保核保等多个方面，它们充分证明了大模型技术在提升服务效率、优化客户体验、降低运营成本、增强风险管理能力等方面的巨大潜力，为保险行业的数字化转型提供了有力的实践支撑。图表31：国内保险科技行业图谱及影响分析运营管理•众安在线利用AIGC技术快速生成交叉销售智能理赔各类营销素材：例如制作文案内•

平安人寿代理人Askbob：2024年焕新升级，上线以来已为超20容、视觉设计和优化推文效果等Askbob万代理人AI生成个性化建议书，集成•

众安科技“CIREO挖掘鲸”4：识别客户意图与情绪，挖掘客服会话中的潜在商机、风险点及热门舆情平安内业内容、培训课程、工具资讯等海量数据••健康险理赔审核数字劳动力：24年5月底正式上线。在试点业务中，整案判定准确率达到93%，明细费用判定准确率经过多轮迭代达到80%，审核案件量达到1万件/月•

企微运维机器人：融合图像/文本大模型、图数据库与RPA机器人技术，实现了自动问题识别、知识库智能匹配与回答等•智能客服机器人：当前已覆盖车险报案、产险保单查询、寿险保单查询、寿险续期回访等重要场景大模型：帮助保险公司实现小额的低风险案件的自动化审核、快速赔付；对于大额复杂理赔案件实现智能判责和对于涉残案件的智能伤残判定等资料：阳光保险，清华大学五道口金融学院，中国保险学会，科大讯飞，，中信建投证券5.2

以DeepSeek为代表的大模型技术有望为保险价值链各个环节赋能图表32：大模型技术在保险公司资负两端均有广阔应用场景保险领域

代理人渠道与营销：从层层分润到精准营销

产品设计与定价：从静态定价到动态定价

核保与理赔：从智能决策到自动执行

客户服务：从被动响应到主动关怀

风险管理：从事后赔付到事前预防通用领域资产端负债端投研●投研报告助手●资管知识检索●投资研究与客户洞察●投资风险识别与合规管理产品设计与定价●客户分析与产品定制●优化定价模型营销●车险全线上销售机器人●产险智能外呼机器人●代理人赋能●代理人Ask-bob机器人承保●核保助手●财产风险评估●风险建模分析●承保助手理赔●人伤理赔机器人●车险智能定损与定责●理赔计算书信息抽取服务●智能客服机器人●养老陪伴机器人●会员服务小助手办公●员工服务机器人●代码开发助手●知识搜索●企微运维机器人资料：

阳光保险，清华大学五道口金融学院，中国保险学会，科大讯飞，中信建投证券485.2

以DeepSeek为代表的大模型技术有望为保险价值链各个环节赋能图表33：大模型技术赋能保险价值链各环节场景梳理应用场景应用描述非结构化、半结提高非结构化、半结构化数据的处理速度，对新场景下的新格式的数据完成特定信息抽取、格式转化等任务，降低对人工标注数构化数据处理

据的依赖数据收集保险产品文档等产品设计完成之后，基于产品的结构化属性，例如责任、费率表等条款，通过AIGC模型可以快速生成对应的文档、图像宣传物料，和预处理物料生产大大简化产品设计过程中较为繁琐、重复的过程，加速产品从设计开发到上线的过程。结果可视化和解帮助保险精算人员将复杂的数据信息和模型结果进行可视化和解释，更好地支持商业决策和产品设计，以便管理层和业务决策者释更好地理解和应用模型结果，推动产品设计和业务决策的优化。保险产品设计分析大量的健康险相关数据，包括历史赔付数据、人口统计和医疗资料等，从中识别出潜在的风险因素，有助于产品精算人员更好地理解不同客户的风险特征，并制定相应的保险策略。风险因素识别风险评估和预测根据个人医疗历史和风险因素，为产品精算人员提供个性化的保险建议和方案，这有助于产品精算人员更好地理解客户需求，并提供更符合实际需要的保险产品。个性化建议风险模拟与压力测试使用历史数据和模拟技术来进行风险模拟和压力测试，以评估产品设计的可靠程度和稳定性。可以通过对海量数据的处理和分析，发现不同因素对于客户需求的影响，从而为保险公司提供更准确的市场研究结果。可以利用保险产品方案设计客户需求分析

自然语言处理技术分析客户反馈和社交媒体信息，识别出客户对于不同健康问题的关注点和优先考虑的保险覆盖范围等，以此来确定客户需求。帮助保险代理人通过自然语言交互，智能化地分析客户的需求、偏好、风险承受能力等信息，了解客户的真正需求和偏好，从而智能化需求分析智能化产品推荐智能化客户服务精准地为客户提供符合其需求的保险产品。保险市

代理人销场营销

售辅助帮助保险代理人构建智能化的保险产品推荐机器人，通过自然语言交互，为客户提供个性化的保险产品推荐和购买建议。机器人可以根据客户的需求和情况，智能化地推荐适合客户的保险产品，提高保险销售效率和客户满意度。帮助保险代理人构建智能化的客户服务机器人，通过自然语言交互，为客户提供快速、便捷的保险产品咨询和客户服务。机器人可以回答客户的各种问题，包括保险种类、保险期限、保险条款、保费等，提高客户满意度和保险销售效率。资料：

众安保险，众安科技，中信建投证券495.2

以DeepSeek为代表的大模型技术有望为保险价值链各个环节赋能图表34：大模型技术赋能保险价值链各环节场景梳理（续）应用场景代理人销应用描述帮助保险代理人分析海量的数据，从中挖掘出有价值的信息，为代理人提供更加精准的客户洞察和预测，以便代理人更好地制定保险产品营销策略和行动计划，提高保险销售效率和客户满意度。数据分析和预测售辅助营销素材文案、图片、视提供快速生成文案，比如广告语、口号、邮件、短信、微信公众号文章等，也可以与类似MidJourney等AI工具相结合，自动生成设计频生成宣传海报、宣传视频等视觉内容，提升营销素材的生成效率。保险市场营销保险产品推荐通过分析客户的需求、兴趣、行为等数据，生成个性化的保险产品推荐方案。这种个性化推荐能够提高客户对于保险产品的认知度和满意度，同时也可以提高产品的转化率。个性化推荐保险产品咨询对客户提出的问题进行智能化解答和服务。通过AIGC的自然语言理解和生成技术，客户可以与机器人进行自然、流畅的对话，机智能客服自动核保风险评估决策支持器人可以根据客户的需求和问题，自动生成相应的解答和服务方案。通过学习保险公司的核保规则和策略，自动对客户提交的保单进行核保。它可以快速地处理大量保单，并根据不同的核保规则和策略进行精准判断，提高核保效率和准确率。根据客户提交的保单信息，结合外部数据源和模型，对保单的风险进行评估。它可以快速识别保单风险信息，帮助核保人员更准确地判断保单是否可以承保，以及应该承保的金额和保险费。核保根据保险公司的历史数据和分析结果，提供决策支持和建议。它可以通过分析保险产品的销售情况、客户的反馈和投诉等信息，为保险公司提供优化核保策略和产品设计的建议，帮助保险公司提高核保效率和客户满意度。保险运营管理自动化理赔申请自动处理理赔申请，包括收集并整理理赔文件、核实文件信息的真实性、审核理赔申请的准确性等。这样可以大大减少人工处理处理理赔申请的时间和成本，同时也避免了人工处理过程中的误差和不一致性。自动评估理赔金额，通过机器学习和数据分析技术，根据保险条款、索赔信息和历史数据等因素，自动计算理赔金额，从而提高理赔效率和准确性。理赔

自动化理赔评估自动化理赔结算自动结算理赔款项，包括将理赔款项转账到客户账户、生成理赔结算单据等。通过自动化结算，可以大大减少人工结算的时间和成本，并提高结算的准确性和效率。资料：

众安保险，众安科技，中信建投证券505.2

以DeepSeek为代表的大模型技术有望为保险价值链各个环节赋能

安永2023年调研结果显示，保险业内各类机构对于生成式AI技术的应用重点呈现出一定差异化特征：

对于寿险&年金公司来说，加强承保、个性化产品推荐、预测性风险评估和新客户识别是生成式AI

的首要应用场景，52%的受访者认为加强承保是主要的应用场景。

对于经纪人或代理商来说，增加创收机会、实时数据输入和报告生成、新客户识别是生成式AI的首要应用场景，超过50%

的受访者认为新的收入机会和实时数据输入是主要应用场景。

对于保险科技公司来说，50%的受访者认为预测性风险评估是生成式AI的首要应用场景。图表35：寿险和年金公司期望优先投资的领域图表36：经纪或代理机构期望优先投资的领域图表37：保险科技公司期望优先投资的领域0%

10%

20%

30%

40%

50%

60%

70%0%

10%

20%

30%

40%

50%

60%

70%受访者占比识别新的收入机会（例如，交叉…实时数据录入和报告生成新客户识别与细分识别新的收入机会（例如，交叉…实时数据录入和报告生成新客户识别与细分0%

10%

20%

30%

40%

50%

60%增强承保能力为客户提供个性化产品推荐预测性风险评估增强承保能力增强承保能力新客户识别与细分预测性风险评估预测性风险评估客户旅程映射与模拟针对性的财富与储蓄建议客户旅程映射与模拟针对性的财富与储蓄建议客户旅程映射与模拟自动化投保与客户入门针对性的财富与储蓄建议自动生成定制教育内容实时数据录入与报告生成主动发出防止损失风险的行动通知主动发出防止损失风险的行动通知通过使用远程信息处理或传感器…利用客户数据自动预测未来需求主动发出防止损失风险的行动通知通过使用远程信息处理或传感器…利用客户数据自动预测未来需求资料：安永，中信建投证券资料：安永，中信建投证券资料：安永，中信建投证券515.2

DeepSeek赋能保险业务的长期展望及实施建议

保险科技的长期目标在于数据闭环构建（采集-分析-决策-反馈）与技术-场景-监管的动态平衡。未来竞争将聚焦于生态整合能力，例如健康险与医疗数据平台、车险与自动驾驶系统的相互协同与数据共享定价。

Deepseek赋能保险科技场景的优先级逻辑与实施建议：

短期聚焦核心价值链：优先落地核保、理赔、营销场景，直接提升业务效率与客户体验；

中期深化运营优化：通过RPA、智能客服释放中后台产能，支持规模化扩张；

长期构建生态壁垒：布局风险预防体系、数据共享带来跨界产品从而形成差异化竞争力图表38：长期来看保险公司应将AI技术与其业务生态进行深度整合，实现数据闭环构建与技术-场景-监管的动态平衡支付方：保险产品+增值服务服务方：养老/医疗服务机构AI深度赋能的家庭医生&养老管家保险+健康管理保险+医疗服务保险+养老服务居家养老服务社区养老服务机构养老服务个人客户养老服务委托基金+员工健管补充保险+员工健管企业员工健管计划医院就医协助优质诊疗资源全天候线上问诊企业客户医疗服务数据驱动AI迭代康养生态资料：

中信建投证券525.3AI赋能下的信贷科技：从效率提升到生态重构的三阶段跃迁

核心观点（一）：以业务价值密度和技术成熟度为标准，在

“高频刚需、高

ROI、低实施门槛”

的场景中，AI

技术落地优先级要看其对业务价值链的直接影响。从具体场景看，发生质变的优先级排序为：风险控制（降低逾期率、违约率）＞客户获取（大幅提升效率、提高转化率、降低流量依赖）＞审批效率（缩短周期、实现多元数据组合）＞贷后管理（降低坏账率、提高回收率）

。因此，AI

赋能消费金融产业的先后顺序是：基础设施

>

供给主体

核心观点（二）：AI平权时代中信贷科技将进入“双螺旋进化”阶段，技术维度上，大模型轻量化推动AI普惠化；业务维度上，从单一信贷服务向“金融+产业”生态延伸。因此，对于消费金融产业有三阶段转型机会：在效率优化期打造技术优势，在生态构建期抢占场景入口，最终从成本中心转变为价值引擎。

核心观点（三）：AI+时代中，消费金融产业

“三阶段跃迁”

的发展趋势会经历短期优化、中期进化、长期革命三个阶段。具体来看，（1）在短期聚焦核心价值链，重点围绕效率革命与体验升级展开，战略重点是在获客、风控、服务三大环节实现

“量-质-效”

突破；（2）在信贷科技平台转型的中期阶段，流程自动化与决策智能化成为关键，通过技术迭代突破人力限制，最终释放组织能力、构建规模效应与生态壁垒；（3）长期革命后的

“终局”，或将是信贷科技平台建立“业务-数据-算法”三角协同机制，打造“数据+场景+技术”三位一体的护城河，三者动态适配、相互增强。5.3

AI赋能消费金融产业图谱①提出信贷申请，授权个人信息③提供贷款/联合贷款资金端资产端（需求：资金需求方、消费供给方）（供给：资金方、消费金融服务供给主体）②初步风控、征信信息等其他数据自有资金、银行存款、同业拆借、金融债、AB