第28届北京科博会-未来产业推介会于2026年5月8日-9日在北京举行。Datatist画龙科技创始人兼董事长宋碧莲出席并演讲。
以下为演讲实录：
宋碧莲：各位嘉宾，下午好。我来给大家分享商业决策大模型，以银行为例，讲一下新质生产力的构建和对大家的价值。画龙科技主要聚焦商业决策人工智能模型，在这个赛道上，我们是最早的开拓者，也是最积极的产品化推广者。
我们的核心团队来自美国国家自然科学基金会的博士专家团队，在机器学习算法领域曾荣获5次世界冠军，在决策人工智能的底层算法方面积累了深厚的研发实力。团队中还有来自eBay、LinkedIn等美国顶尖互联网公司商业化变现领域最早期、技术最精湛的骨干成员。作为第三代技术的推广者，我们帮助众多以数字化营销为主的企业成功升级为智能营销——转化率从最初的万分之几提升到千分之几，最终实现十分之几的突破，即1万人中从仅转化3人提升至转化3000人。ROI方面，从最初无法承诺，到后来能够承诺1：2、1：3，最高达到1：2000。技术的升级为企业带来了巨大的商业价值。这项技术同样适用于金融行业，我们还拥有一支在银行及各金融赛道深耕二三十年的专业团队。该技术已被美国沃顿商学院选为经典案例，在全美范围内推广。
2016年通过国家高层次人才引进回国后，我们致力于将海外最前沿的技术进行产品化。我们定位为Adobe+Salesforce+AppLovin+GPT的混合体，覆盖To C运营、To B运营、获客拉新三大赛道，并叠加自动化能力。在这一过程中，我们始终坚持唯一以结果为导向的商业决策路线。
公司获得了诸多荣誉，由于时间关系在此不展开。从发展历程来看，我们自2018年起便全面深耕金融赛道，服务了包括广发证券、光大银行、平安保险在内的众多头部金融客户，并已发展出广泛的合作伙伴生态。在持续为客户创造显著效益与效率提升的过程中，多位合作伙伴也成为了我们的战略投资人。
当前，数字化转型已被讨论多年，新质生产力的打造绝非易事。实际上，绝大多数企业在这方面都面临巨大挑战。要做好这件事，需要从四个维度协同发力：第一，必须拥有如前所述的商业决策AI这一新质生产力，能够快速拉动经营效果；第二，需要围绕新质生产力构建一整套生产工具体系；第三，生产关系必须调整——即组织架构需要优化；第四，劳动者的培训理念和整体思路需要变革。只有从这四个维度同时推进，才能真正实现以用户为中心的战略转型。
我们的最终目标是大幅提升生产效率和经营效果，核心考核指标是能否在短时间内实现降本增效、提升ROI。我们在客户现场的平均见效周期为两到三个月。以某国有大行为例，我们仅用一个月即为其理财业务创造了151亿元的新增规模，效率提升至日常的7-8倍；某农业银行省分行在两个月内实现近数百亿的资本规模提升；某工商银行省分行在16个月内累计新增2000亿元资产规模，均为净增量——这正是效率与效果的巨大飞跃。
要做好这件事，本质上是一场战略转型——从以战略为中心转向以用户为中心。听起来简单，实际操作极具挑战。第一个核心难点在于，如何将部门级的销售模式转变为企业级的交叉销售模型。以用户为中心，意味着需要满足用户多方面的需求，但当前大多数金融企业仍采用部门墙式的组织模式：信用卡团队不负责贷款，贷款团队不涉及理财，各自为政。然而，企业下一阶段的增长曲线恰恰来自交叉销售。这对大多数金融企业而言，是一个重大的战略挑战，核心在于组织架构的调整。
经营模式方面，需要围绕用户全生命周期，实现全用户、全渠道、全产品的综合经营。这“三个全”恰恰是最难的环节——大多数金融企业仍高度依赖客户经理，而一位能力再强的客户经理，最多也只能维护100个客户，面对庞大的长尾用户群力不从心。要做到全用户、全渠道，即让所有用户都能享受到各类产品服务，就必须打通当前割裂的渠道体系，才能形成规模效应。
因此在改革过程中，首先要建立综合经营的理念，再配套组织架构调整和系统改造，才能真正实现这一目标。综合经营是“十五五”规划的重要方向，需要实现零售一体化、对公一体化、公私一体化、私行一体化，以及客户员工一体化。由于时间有限，我今天重点分享其中两个一体化。企业级综合经营主要面临几个重大问题：第一，数据如何挖掘出有效价值以提升效率；第二，所有系统如何跨部门打通以破除部门墙，实现效率的极致提升；第三，总分行之间如何有效联动配合；第四，部门墙如何打破、绩效考核体系如何改革。
今天我重点聚焦AI层面，探讨数据如何挖掘出商业价值。我主要讲的是智能决策AI——能够帮企业快速提升业绩的AI。但在实际应用中存在诸多痛点：首先，模型开发效率极低，大多数企业仍依赖手工开发，周期动辄3-6个月，成本极高——请一位专家月均费用可能高达20万元；其次，特征不够丰富，某国有大行总行仅有四五千个特征；第三，开发效果不稳定。在合作实践中，某国有大行曾派驻五个模型团队，4个月完成25亿元业绩，而我们一家在4个月内完成了250亿元，一家做到了五家之和的十倍。更重要的是，我们仅用一个月就完成了全部模型开发，因为我们提供的是开箱即用的产品化方案，而对方需要派驻人员现场开发，三个月才能完成一个模型。这正是当前整个行业的共性痛点。
此外还有三大课题：AI如何嵌入业务部门形成联动，实现“AI无处不在”；AI能否自闭环优化，实现循环优化、自我迭代、自我归因——只有完成这一全流程，AI才能真正全面赋能商业决策；以及如何突破部门级产品销售组织模式的制约。
围绕上述痛点，结合实际案例来看：我们平均一个月即可创造数百亿元的新增销售额，无论是理财还是资产提升，两个月可达数百亿，16个月可超两千亿。基本呈固定比例，普遍可较原有效能提升一个数量级。此外还有光大银行、兴业银行等众多成功案例，在此不逐一展开。
这项技术在证券领域同样适用。以某头部券商为例，合作前部门墙问题严重，一个团队一年能策划60-100场营销活动已属不易。接入我们的系统后，单日即可发起上千场活动，全年累计可执行约10万场，相当于为银行配备了数百人的数字化运营团队。从电商部门到财富管理，再到全国300个分支机构、4000名投资顾问，全部依赖该系统运转。这是证券行业首个成功的企业级案例，极具借鉴价值。
接下来谈谈生产关系的改革。组织架构调整至关重要：需要设立牵头部门打破部门墙，其上设置决策中心，中间配套考核部门，下方建立数字化运营团队作为执行保障。目前行业中有大量机构尚未建立这些职能——红色标注的部分正是普遍缺失的部门。我们在光大银行、交通银行以及多家国有大行及其他行业，均成功协助客户完成了组织架构的调整。
考核制度同样需要改革。在推动跨部门协作时，业绩归属是核心问题，我们有一套专门的归因模型来解决这一难题。此外，思想统一是基础工作，我们通常从高层领导开始——这也是我们曾为某国有银行总行行长提供培训的背景。随后是各执行层乃至分行的全面培训。思想的统一是做好数字化经营的重要前提。
在工具应用方面，智能化决策已成为当前趋势与主流，决策大脑在整个体系中发挥着决定性作用。
第三代决策人工智能是数据价值的核心引擎，专注于帮助企业快速降本增效。它区别于感知人工智能和当下热议的语言人工智能——后者聚焦读写听说能力，而决策AI在此基础之上帮助企业和个人做出商业决策，能够全面赋能线上线下各个渠道，甚至赋能客户经理和投资顾问的决策能力。
行业同行大多处于2.0阶段，即前述的人工开发、效果不稳定、周期漫长的阶段；而我们已经进入9.0阶段——已将各行业的场景全面标准化、产品化，并嵌入到业务各个部门，实现全流程自动化。也就是说，龙虾助手等智能工具已经全部就绪，拿来即用。
举个例子：过去手工开发模型，现在开箱即用，一天可开发100个模型、上线10万个特征。数据中台需要全行打通，从部门级升级为企业级，特征库同样如此——某国有大行总行仅4000个特征，我们拥有10万个特征库。所有决策模型均预置就绪，随时可用，操作层面实现了“傻瓜式”，运营人员即可上手。系统能够自我评估效果，覆盖所有业务场景，并无缝嵌入各类营销动作——从手机银行APP到智能客服、智能理财顾问、智能投资顾问，乃至客户服务流程。这才是真正意义上的智能决策化。当前的具身机器人和语言机器人均不具备决策大脑，而这正是帮助企业和个人做出商业决策的核心大脑。实施后，经营效率、业务效果和模型开发效率均能实现大幅提升。
接下来谈谈工作流程的变革。需要从单波次运营升级为全生命周期连续运营，再逐步扩展至多产品运营，进而打破部门墙实现全行联动的资产提升，最终实现企业级综合经营。
具体来看：首先是理财单个产品的改造。大部分银行的典型做法是打标签圈人群、发一次活动即结束。我们将其改造为全流程AI驱动的模式——所有目标客户均由AI精准筛选，不再是单波次营销，而是基于生命周期的连续触达，尽可能多地转化目标客户。AI筛选后，只需营销10%的头部客户，即可覆盖90%的预期效益，既降低了成本，也减少了用户打扰。改造效果显著：头部10%的预测结果贡献了92%的收益，单波次即实现150亿元新增——这是某国有大行的典型案例，较原营销方式提升7-8倍。信用卡开卡同样适用此模式。
其次是多产品营销。所有产品对所有用户进行精准匹配，我们在光大银行即实现了千人千面的效果——上亿用户与上万产品精准匹配，确保每个用户都有合适的产品覆盖，打破仅依赖客户经理、只能营销重点客户的局限，充分挖掘长尾用户价值。
第三是资产提升。以往资产提升工作由多个团队分头负责，我们在某工商银行省分行的案例中，将全部团队打通，形成联合经营模式，由行长亲自推动破除部门墙。采用新方法后，4个月完成250亿元，而原模式下5个团队仅完成25亿元，持续运营16个月累计新增2000亿元。
APP改造同样工作量巨大。我们在某股份制商业银行和某国有银行均进行了APP改造，将传统APP升级为流量分发平台，实现千人千面实时营销，有效避免流量冲突。系统上线后，某头部券商的内容活跃度提升了8倍；某知名一站式车服务平台接入后，月活跃用户从800万跃升至3000万。
公私一体化方面，我们在某国有大行总行完成了个体工商户的对公一体化建设。零售信贷风控领域，传统做法以风控为主，我们在其中融入大量营销模型，实现营销风控一体化，且营销意向评估前置到风控之前，最大限度扩大意向用户群。实施后，规模从最初的20亿增长至100亿——这是我们在某国有大行的成功案例，实现大幅提升。
最后做一个总结。前面讲了智能化运营和企业级经营思路的变革，最终需要沉淀为系统化能力，与前面阐述的理念形成承接。数据基础和运营理念需满足相应要求，才能真正实现目标。
在美国，这套体系已非常成熟。但2018年之后，由于外部技术封锁，中国在数字化转型启动的关键时期缺乏外企工具支撑，许多企业摸索了十年仍未达到美国二十年前的水平。
基于这一现状，我们将美国成熟的数字化转型十余套系统、海量数据处理流程以及运营策略库全部实现自动化输出，叠加数百个决策大脑和10万个特征库，达到开箱即用的效果，一体化的满足所有银行快速数字化转型的需求。推进顺利的话1-2年，保守估计2-3年，即可完成零售一体化和对公一体化经营的全部目标。某国有大行已成功实现这一目标。这是契合中国现状的重要方法论。国内大部分企业仍处于1.0阶段，虽然部署了大量系统，但各自为阵、缺乏协同，仍需大量人工干预和部门配合。因此，必须将部门级的自动化营销系统改造为企业级体系——一个企业对私一套、对公一套，最终实现对私对公一体化，这才是最理想的架构。
这一过程中涉及大量实时数据采集和闭环数据加工处理，为企业级大脑和部门级小脑的全面接入提供数据支撑，再将所有策略通过AI引擎加载，形成完整的闭环。我们称之为6.0系统。行业普遍在建设营销中台，而这才是一个完整营销中台应有的形态。大部分企业目前规划处于2.0阶段，但我今天希望大家能够着眼长远——只有做到这一步，才能快速完成数字化转型。
系统中的模块非常丰富，可供参考。中间整个模块全部是AI部分，有别于今天大家讨论的语言大模型AI和风控AI，我今天讲的是用户经营AI、企业经营AI以及客户经理AI——这是真正帮助企业提升业绩的AI。
采用这套方法后，企业可以从原来多部门、多渠道、多轮沟通协调、一个活动需要约一个月才能完成闭环的传统模式，转变为2分钟即可发起一个活动的高效模式。只要数据接入，全流程自动完成，从而实现单日数千场活动、全年数十万场客户触达——正如前述某头部券商的案例。
希望通过今天的分享，大家能够把握两个核心要点：一是AI对业务效果的直接提升，二是如何将数据、系统、运营和AI整合为一体化体系，帮助企业提升效率。两者结合，便能产生飞轮效应和复利效应。
谢谢大家！
责任编辑：梁斌 SF055
