在人工智能（AI）技术日新月异的今天，其应用场景已远远超越了技术范畴本身，成为了一个集工程能力、产品开发以及技术实力于一体的综合挑战。只有全面应对这一挑战，企业才能在市场上赢得认可，实现商业价值。
近年来，大型语言模型（大模型）的兴起标志着技术驱动的新一波浪潮。然而，随着技术逐渐成熟，应用场景的拓展成为了新的焦点。据行业观察，从今年第一季度和第二季度开始，市场对AI应用的需求显著增长，尤其是金融行业，这一趋势尤为明显。
金融行业作为AI技术的先行者，其大模型的渗透率已超过50%，位居各行业之首。然而，高渗透率并不意味着高效的生产力。过去一年中，金融机构更多地聚焦于基于基座大模型进行专属模型的训练，而现在，他们的核心关注点已经转向了应用层面，特别是在智能客服、坐席辅助、证券质检、数字营销等具体场景中。
孔淼，一位在AI技术应用前沿工作的专家，与容联云团队共同见证了这一变化。他表示，不仅金融行业，各行各业对AI的需求都在从模型层向更具体的应用层转变，这背后是企业对有效产品加持和更高投资回报率（ROI）转化的迫切需求。
然而，在实际操作中，企业面临着如何将大模型嵌入业务系统，以及如何在应用层进行基于自身业务的适配开发的难题。市场上尚未出现标准答案，但已有企业开始探索可行的路径。
去年12月，容联云发布了基于自研赤兔大模型的全新产品品牌及生成式应用，旨在帮助企业进行包括营销、服务等一系列流程的AI改造和重构。这一举措几乎是国内最早被拆解的AI应用路径之一，如今，一年过去，容联云已经交出了新的答卷。
在金融领域，智能化变革的前夕已经到来。一位互联网大厂AI应用负责人透露，金融已成为他们今年及未来KPI中的重中之重。金融行业拥有丰沃的AI落地土壤，用户基数庞大，数字化底层框架建设初步完成，高度线上化和数据化为其提供了坚实的基础。
然而，挑战也随之而来。尽管金融行业在数字化营销平台、智能运营等方面进行了初步部署，但真正成熟应用的场景仍然较少。金融企业需要借助AI手段，实现更精细化的业务搭建和客群运营，涵盖营销、销售、服务的全部场景和节点。
容联云在这一领域取得了显著成果。以质检为例，在容联云质检代理（QM Agent）的加持下，某国内头部证券机构的准确率从90%提升至94%，召回率从67%提升至96%。同时，该机构实现了“10000通会话、300小时时长、8大语义质检项、6.5小时质检完成”的高效成果，而所需部署的仅是一个14B参数的小模型和几张市面上通用的GPU算力卡。
同样，在寿险场景，容联云的坐席代理（Virtual Agent）产品也取得了显著效果。某寿险企业借助该产品实现了超过50人/天的人力节省，咨询问答首解率由60%提升至80%，转人工率由85%降低至55%。这些成果同样基于数量不多的显卡和14B小参数模型的部署。
在刚刚举办的“2024数智金融应用论坛”上，容联云展示了包括容犀质检代理（QM Agent）、容犀坐席代理（Virtual Agent）、容犀坐席助理（Agent Copilot）、洞察代理（Insight Agent）等在内的一系列面向具体业务环节的AI应用产品和实例。
孔淼表示，过去一年中，容联云对大模型的落地场景越来越清晰，能够准确识别出真正的痛点、痒点，以及能产生真正商业价值和增量的环节。这些场景被转化为应用产品，基于真实的AI刚需点，辅助各种AI训练/调优方式，最终实现了显著的成果。
在孔淼看来，相较于大模型在预训练等环节的推进，在具体落地层面，更需要基于工程能力进行需求的满足。容联云采取了灵活的方式，包括大小模型结合、基于Copilot或Agent的方式等，以满足不同企业的需求。截至目前，容联云的相关AI产品已经在金融行业超过几十个场景落地，帮助几十家银行、证券、保险等不同细分领域的金融企业构建了新的智能化营销服务体系。
金融行业作为数字化转型的明珠，其应用路径对其他行业具有重要的借鉴意义。在AI时代，金融行业的实践经验为我们提供了宝贵的启示：真正的AI模型需要转化为企业的市场竞争力和生产力，这要求服务商具备深入的行业理解、数据沉淀、工程落地能力以及特定的推理强化或专属训练能力。
容联云的成功案例证明了这一点。他们基于金融数据的底座赤兔大模型进行训练，聚焦细分场景进行规则增强、推理增强，同时在落地过程中采用大小模型结合和不同模块的解耦方式，以适应金融企业对大模型的真实需求：真实可用，小步迭代。
这一综合命题的解答不仅关乎技术本身，更涉及工程能力、产品开发以及技术实力的全面融合。只有全面应对这一挑战，企业才能在AI浪潮中立于不败之地。
