伊陶银行如何为全体客户构建生成式AI

技术隐形化：让AI消失在体验背后

伊陶银行在构建面向全客群的生成式AI时，将技术本身置于次要位置，核心追求是体验的简洁性与实用性。其首席技术官卡洛斯·爱德华多·马泽伊明确指出，多数工作并非围绕模型复杂度展开，而是如何让功能简单、直接、有用，让客户获得即时收益，同时使技术几乎不可感知。这一标准要求解决方案必须解决真实的日常财务问题，且操作路径短、记忆点强，技术仅作为实现手段，而非体验的视觉或交互中心。

市场调研数据支撑了这一方向。伊陶银行与Grupo Consumoteca联合研究显示，80%的巴西人希望更好地规划个人财务，寻求更有效的决策支持；65%的受访者期待拥有类似“财务副驾驶”的技术，能提供持续指导。这表明客户并非追求技术炫技，而是渴望贴近生活的智能辅助。伊陶选择OpenAI模型，正是因其能覆盖从轻量级响应到复杂推理的全谱系场景，确保在不同交互深度下均能维持体验一致性。

在具体落地中，伊陶未将AI作为独立功能嵌入，而是将其融入现有服务流程。例如，客户在查询账户流水时，AI可自动识别异常支出并提供归因建议；在办理信用卡或贷款时，系统根据客户财务画像推荐适配产品。所有交互均以自然语言或语音完成，无需跳转页面或学习新界面。技术架构被封装在后台，客户感知到的仅为“银行更懂我了”，而非“银行用了AI”。

ia.i：从查询到建议的统一对话层

ia.i是伊陶银行在2024年推出Inteligência Itaú功能后的升级版本，定位为覆盖全业务线的统一对话层。客户可通过文本或语音接入，一次性处理账户查询、信贷申请、卡片管理、保险配置等多类需求，无需在不同模块间切换。系统在识别需求后，可自动连接至对应的人工专员，实现人机协同闭环。

该对话层的核心支撑是“客户DNA”——一个基于约70 million客户财务行为、消费习惯、人生阶段构建的上下文引擎。它不依赖静态标签，而是通过持续交互动态更新客户画像。例如，系统可识别客户在季度末频繁查询旅游支出，结合其储蓄率与信用卡使用频率，主动推荐旅行保险或分期方案。所有推荐均在治理与负责任AI框架下生成，确保建议符合客户真实利益而非销售导向。

ia.i的设计遵循三个原则：交互性、多模态融合与个体化。交互性体现在对话可随时中断、澄清或转向；多模态支持文本、语音、图像上传与界面点击操作并行，例如客户可拍照上传账单，系统自动解析并生成支出分析；个体化则确保每位客户获得的建议基于其独特财务轨迹，而非通用模板。

在试点阶段，约30万客户参与测试，银行借此观察真实使用行为。数据显示，客户从简单查询（如余额确认）逐步扩展至复杂决策（如投资配置），AI在其中扮演“过渡桥梁”角色——先解决即时问题，再引导至 deeper financial planning。未来规划包括产品模拟、自动签约及 recurring financial analysis，目标在2026年底前覆盖全部客户。伊陶认为，金融产品往往不够直观，而AI的价值在于重建客户与资金之间的简单关系，让财务管理回归生活本质。

IARA：支撑规模化的治理与调度底座

伊陶银行在推进生成式AI的过程中，面临的核心挑战不是模型能力本身，而是如何在合规、可控、经济可行的前提下，让AI真正渗透到全量客户的服务流程中。为此，他们构建了IARA——一个内部的治理与调度平台，作为所有AI能力的底层基础设施。IARA并非面向用户的界面，而是位于系统深处的调度中枢，负责统一管理不同模型的接入、调用权限、成本核算与合规审查。它允许银行内部各业务团队在不重复造轮子的前提下，安全地调用包括OpenAI在内的多种模型资源，同时确保每一次调用都符合内部政策与监管要求。

IARA解决的第一个问题是成本控制。在银行业务中，AI调用的频率极高，若无精细化的token使用监控与预算分配机制，长期运行将迅速耗尽技术预算。IARA通过实时追踪各团队的token消耗、设定使用上限、按业务线分摊成本，使AI从“技术实验”转变为“可计量、可优化”的运营支出。第二个问题是响应准确性。不同业务场景对模型输出的要求差异巨大——法律合同解读需要严谨的推理能力，而客服问答则更看重低延迟与高吞吐。IARA通过动态路由机制，将任务自动匹配至最适合的模型，避免“大模型干小活”造成的资源浪费，也防止“小模型担重任”导致的输出质量下降。

在合规层面，IARA承担着“责任AI守门人”的角色。巴西金融监管环境严格，银行必须确保AI输出不包含偏见、不误导客户、不泄露敏感信息。IARA在模型调用前后嵌入内容过滤、输出审计、日志留存等机制，确保每一次交互都可追溯、可解释、可问责。法律部门的实践是这一能力的直接验证：他们利用IARA平台处理超过9000万份文档，每月执行超过200万次分析任务，覆盖合同审查、条款提取、风险识别等环节。该系统在多个流程节点实现了20%至80%的效率提升，不仅缩短了法务响应时间，也降低了人工误判风险。

IARA的存在，使得伊陶银行能够在不牺牲治理的前提下加速AI落地。它不是一次性搭建的工具，而是一个持续演进的平台，随着业务扩展不断接入新模型、新场景、新规则。正是这层“看不见的底座”，让银行敢于将AI推向7000万客户，而不必担心失控、超支或合规危机。

内部赋能：AI First释放客户经理时间

伊陶银行的AI First战略，并非仅面向终端客户，更深层的意图是重塑内部工作方式。客户经理、产品经理、客服专员等一线员工，长期被重复性事务占据大量时间——整理会议纪要、准备汇报材料、查询客户历史、处理标准化申请。这些工作虽必要，却难以体现专业价值，也压缩了真正与客户建立信任的空间。AI First的核心目标，就是将这些机械劳动交由系统完成，把时间还给需要人际判断与情感连接的环节。

在客户经理群体中，AI已深度嵌入日常工作流。会议前，系统自动汇总客户近期的交易记录、账户变动、风险偏好变化，生成简要背景简报；会议中，AI实时记录对话要点，识别客户未明说的需求信号；会议后，自动生成跟进计划、待办事项与风险提示。这些功能并非孤立存在，而是通过统一的智能层与客户数据平台打通，确保信息一致、更新及时。客户经理无需在多个系统间切换，也无需手动整理资料，从而将精力集中于策略讨论、方案定制与关系维护。

实际效果已显现。根据内部评估，客户经理用于客户沟通的时间平均增加至原来的三倍，服务响应速度提升至两倍，沟通质量（以客户满意度与成交转化率衡量）提升至三倍。这些数据并非来自抽样调查，而是基于系统日志与业务指标的交叉分析，具有可验证性。更重要的是，这种提升并非以牺牲准确性为代价——AI生成的内容均经过内部知识库与客户画像的 grounding，确保建议符合银行合规要求与客户实际财务状况。

这一模式的深层价值在于，它改变了“技术服务于客户”的单向逻辑。过去，技术是客户触达银行的渠道；现在，技术成为员工能力的延伸，让专业人员更专业。客户经理不再被事务性工作拖累，而是成为“智能增强型”专业人士——他们借助系统提供的洞察与建议，做出更精准的判断。这种内部赋能的循环，最终反哺外部体验：客户感受到的不是冷冰冰的自动化，而是更高效、更懂自己的服务。AI在内部的深度渗透，正是伊陶银行能够将智能体验覆盖全量客户的关键支撑。

合规与伦理：负责任AI作为产品前提

伊陶银行将负责任AI视为产品上线的前置条件，而非后期补丁。其CTO明确指出，在高度监管的金融行业，客户与银行的每一次交互都必须符合机构价值观与文化。这意味着生成式AI的输出不能仅追求准确，还必须避免偏见、保持透明、可追溯。银行建立了一套贯穿开发、部署、监控全生命周期的伦理审查机制，确保模型在规模化过程中不偏离预设的安全边界。

在技术实现层面，所有面向客户的AI响应均需经过内容过滤、价值观对齐和风险评估。例如，当模型生成投资建议时，系统会自动嵌入风险提示，并限制推荐高风险产品。对于涉及客户财务数据的对话，系统强制执行最小权限原则，仅在必要时调用相关上下文，且所有数据访问均被记录并接受审计。这种设计使得AI不仅是工具，更是承载银行合规文化的载体。

伊陶还特别关注前沿模型可能产生的偏见问题。通过IARA平台的治理能力，银行可以对不同模型输出进行横向对比，识别并修正潜在歧视性表述。例如，在信贷评估场景中，系统会交叉验证模型建议与历史人工审批结果，发现偏差后自动触发复核流程。这种动态校准机制确保了AI在服务约700万客户时，不会因算法缺陷而放大社会不平等。

分阶段落地：从试点到全量客户推广

伊陶银行的生成式AI推广采取渐进式路径，避免一次性全量上线带来的风险。第一阶段聚焦约30万客户，通过真实使用场景收集行为数据，重点观察用户如何与AI交互、哪些功能被高频使用、哪些流程仍需人工介入。这一阶段的核心目标是理解“客户与产品之间的真实关系”，而非单纯追求功能覆盖。

试点期间，银行特别关注对话质量与用户体验的平衡。例如，在账户查询、转账、账单解读等高频场景中，AI需在响应速度与信息深度之间找到最优解。对于复杂咨询如投资规划，系统会自动识别对话难度并触发人工专家转接机制，确保服务连续性。这种“AI主导+人工兜底”的混合模式，既提升了效率，又避免了因模型局限导致的客户信任危机。

基于试点数据，银行逐步扩展功能边界。第二阶段引入产品模拟、自动开户、定期财务分析等新能力，同时优化多模态交互体验——客户可通过语音、图像或文字发起请求，系统自动识别意图并调用相应服务模块。整个推广过程由IARA平台统一调度，确保各阶段模型切换、权限调整、成本控制均在治理框架内完成。

计划到2026年底，ia.i将覆盖伊陶全部客户。这一目标的实现依赖于持续的反馈闭环：每次交互数据被用于优化客户DNA画像，使AI建议更贴合个人财务习惯；同时，内部客户经理团队通过AI工具释放出的时间，被重新投入到高价值服务中，形成“技术赋能人工—人工反哺数据—数据优化技术”的正向循环。