容联云唐兴才亮相 QCon，揭秘金融行业智能体如何成为「生产力引擎」

在 2025 年 QCon 全球软件开发大会上，容联云大模型产品负责人唐兴才以《垂直行业大模型应用从“技术 Demo”到“生产力引擎”的跨越》为题，直面当前大模型技术落地卡点，结合银行、保险等实战案例，为行业带来一场关于“智能体价值变现”的硬核分享。

AI 落地困境：技术能力≠生产力

当下，AI 技术正从“产品能力驱动”向“最终用户需求驱动”转型。很多大模型应用智能体却还被困在“技术 Demo”阶段，难以转化为实际生产力。

唐兴才指出，核心矛盾在于：

• 场景选择困境​​：从“什么都能做”到“什么值得做”，不同场景 ROI 难量化。

• 技术适配难题​​：算力成本高、模型幻觉难控等。

• 组织协同断层​​：业务、技术、数据部门割裂，价值闭环难形成。

他以金融行业为例，强调“ROI 思维”的重要性——例如，银行信用卡场景中，AI 每提升 1%的催收效率，即可带来百万级收益。然而，若技术没有与核心业务场景对齐，或是无法嵌入现有业务流程，投入再高的算力也难见成效，这才是企业真正的落地焦虑。

破局之道：三步实现“生产力引擎”跨越​

1、场景选择：快速找到高价值场景

​​​唐兴才强调，拒绝为 AI 而 AI，必须找到企业生命线的核心价值点。

面对当前大模型应用陷入"场景泛滥"困境，企业面临资源投入与业务价值的艰难抉择。他提出高价值场景的筛选模型：高价值场景= 业务价值密度 × 数据可用性 × 流程嵌入度。

2、技术架构：场景化智能体敏捷开发

唐兴才展示了容联云“银行 AI 大模型总体建设框架”，这套框架以​​“认知+感知双引擎驱动、分层解耦、业务适配”​​为核心。

他表示，容联云的技术架构不是简单的“模型+算力”堆砌，而是业务价值的翻译器。结合银行行业特性打造分层式、模块化的智能体体系，并引入知识治理工程，确保大模型能力与业务场景深度适配，成功解决了企业级 AI 落地中“技术堆砌难用、场景碎片难融、数据孤岛难破”三大难题，成为支撑智能体向生产力转化的技术底座。

3、落地策略：可规模化复制的保障

​​组织适配方面，要实现“业务-IT 技术-数据”三角协同，避免因部门间协作不畅导致项目失败。

成本控制上，从轻量 MVP 验证切入（如单场景质检 Agent），通过模块化扩展降低试错成本。持续迭代则通过“用户反馈→模型优化→场景扩展→数据沉淀”，形成越用越聪明的自增强飞轮。

行业验证：容联云大模型应用重塑行业生产力

最后，唐兴才展示了多个标杆案例，印证容联云在金融行业大模型技术落地的实际价值：

某银行 x 容联云智能语音

某头部银行信用卡中心面临催收人力成本高、合规风险大、回款率波动三大痛点，传统 AI 语音机器人因话术僵硬、意图误判导致客户挂断率超 60%。

容联云通过大模型打造超拟人音色克隆+多 Agent 协呼能力，实现：

• 效率提升：单坐席管理 10 路并发外呼，日均处理量从 80 通提升至 500 通。

• 成本优化：回款率从 32%提升至 47%，人力成本下降 60%。

• 合规保障：质检违规率从 15%降至 2%，客诉率下降 80%。

某寿险 x 容联云坐席代理

在某头部寿险公司的自助服务场景，传统文本机器人因知识覆盖不足导致客户咨询转人工率高达 84%。

容联云通过大模型重构知识库与业务流程编排，实现：

• 知识加工效率：30 万字行业文档知识加工从 50 人天缩短至 7 小时。

• 服务体验优化：咨询类问答首解率从 60%提升至 80%，转人工率下降至 55%。

• 流程自动化：通过流程编排，将保单查询、理赔申请等 12 类业务办理时长从平均 15 分钟压缩至 2 分钟，日均减少 35 次人工介入。