容联云的唐兴才提出通过三步打造金融大模型应用的“生产力引擎”，首先确定金融场景需求，然后构建数据驱动的大模型能力，最后通过云原生技术实现大模型的产业化落地，这一策略旨在推动金融行业数字化转型，提升金融服务效率和智能化水平。
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。
三步实现“生产力引擎”跨越
part one
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 x 数据可用性 × 流程嵌入度。
part two
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。
part three
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。
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。
