九卦 | 銀行顛覆式創新的新范式：智能體+客戶旅程重塑+Ontology

作 者 | 孫中東

來 源 | 孫中東

在人工智能技術邁入以大語言模型（LLM）和生成式AI為標志的新紀元之際，全球銀行業正經歷一場從“數字化”向“智能化”躍遷的范式革命。傳統的銀行服務模式，依賴于靜態的菜單導航、預定義的規則引擎以及孤立的渠道觸點，已無法滿足日益碎片化、實時化且高度個性化的客戶需求。顛覆性創新的核心無疑指向了智能體（AI Agents）的運用。與被動響應的傳統軟件不同，智能體具備感知環境、自主規劃、調用工具及執行行動的能力，被視為重塑客戶旅程（Customer Journey Orchestration）的終極載體。

本文通過詳盡的理論推演與實證研究發現，智能體若要最大程度發揮作用，絕不僅僅是引入一個先進的大模型那么簡單。銀行內部錯綜復雜的遺留系統（Legacy Systems）、割裂的數據孤島以及多義性的業務術語，構成了智能體落地的巨大障礙。在此背景下，用本體論（Ontology）的方法處理銀行數據被證實為“最好的模式”。本體論作為連接人類認知與機器邏輯的橋梁，為智能體提供了一個語義統一、邏輯嚴密且可解釋的“數字世界觀”，使其能夠在復雜的金融環境中進行準確的推理與決策。針對“智能體+客戶旅程重塑+Ontology”這一創新范式，本文深入調研了包括星展銀行（DBS）、美國銀行（Bank of America）、匯豐銀行（HSBC）、第一資本（Capital One）以及摩根大通（JPMorgan Chase）在內的國際同業先驅。調研顯示，這些領先機構已不再滿足于簡單的聊天機器人（Chatbot），而是致力于構建基于企業級知識圖譜（Enterprise Knowledge Graph, EKG）的認知底座。它們利用本體論解決語義互操作性難題，支撐跨部門的實時反欺詐、超個性化營銷及自動化合規流程。

盡管前景廣闊，但實施這一范式的難度不容小覷。

本文詳細剖析了實施層面的“五重障礙”：從遺留系統的語義考古難度，到企業級本體構建的高昂成本；從大規模圖計算的實時性瓶頸，到AI決策的可解釋性與合規挑戰；以及最為根深蒂固的組織文化阻力。

本文旨在為銀行決策層、技術架構師及戰略規劃者提供一份兼具深度理論洞察與務實行動指南的參考性文檔。

范式轉移：從“渠道服務”到“智能體編排”

銀行業的“認知”危機與服務瓶頸

過去二十年，全球銀行業經歷了兩波主要的數字化浪潮。第一波是“在線化”，解決了物理網點的限制；第二波是“移動優先（Mobile First）”，致力于提升App的用戶體驗（UI/UX）。然而，隨著客戶預期的不斷拔高，銀行正面臨第三波挑戰——“認知（Cognitive）”危機。

當前的矛盾在于：銀行擁有海量的客戶數據，卻缺乏“理解”客戶真實意圖的能力；銀行擁有眾多的服務觸點（App、網銀、柜臺、遠程客服），卻缺乏將這些觸點串聯成連貫旅程的“智慧”。

數據豐富但信息貧乏：銀行的數據倉庫中躺著數以億計的交易流水。對于傳統系統而言，一筆在醫院的刷卡消費僅僅是一行扣款記錄。但對于客戶而言，這可能意味著突發的健康危機、保險理賠需求，甚至是家庭財務計劃的動蕩。傳統的規則引擎（Rule-based Engine）只能處理顯性的閾值（如“余額不足”），而無法捕捉這種深層的、隱含的語義關聯。觸點割裂導致的旅程斷裂：客戶旅程通常是跨渠道、跨時間的。一個客戶可能在手機上搜索了房貸利率，兩天后致電客服咨詢額度，一周后去網點提交材料。在現有的架構下，手機App、客服系統和網點終端往往是割裂的“煙囪”（Silos）?？头藛T看不到客戶在App上的瀏覽歷史，網點經理也不知道客戶曾致電咨詢過。這種割裂導致客戶必須重復陳述需求，體驗極其糟糕。

智能體（AI Agents）：交互的新物種

為了解決上述問題，銀行業開始引入AI智能體。這不僅僅是技術的升級，更是交互范式的根本性變革。

被動響應 vs. 主動編排：傳統的API或簡單的Chatbot是被動的。用戶點擊按鈕，系統執行代碼。而智能體是主動的（Proactive）?；诖笳Z言模型（LLM）的通識能力和推理能力，智能體可以感知客戶的上下文（Context），預測客戶的意圖，并自主規劃一系列行動來滿足需求。感知、規劃與行動的閉環：

一個成熟的銀行智能體具備以下核心能力：

感知（Perception）：不僅能識別語音和文字，還能感知客戶的情緒、財務狀態的變化（如大額資金進出）以及外部市場環境（如利率調整）。

規劃（Planning）：面對模糊的目標（如“我想買房”），智能體能將其拆解為子任務鏈：評估首付能力 -> 推薦貸款產品 -> 測算月供 -> 預約客戶經理 -> 跟蹤審批進度。

行動（Action）：智能體不僅僅是提供建議，它還能調用后端API，真正代替客戶執行轉賬、填表、修改限額等操作。

為什么必須是“本體論（Ontology）”？

在“智能體+客戶旅程”的公式中，本體論往往是被忽視但最關鍵的變量。如果把智能體比作一個超級管家，本體論就是這個管家所掌握的“世界百科全書”和“家規”。

語義的“統一場”：

銀行的數據環境極其復雜，存在著成百上千個異構系統。核心銀行系統稱客戶為“Party”，信用卡系統稱之為“Cardholder”，營銷系統稱之為“Prospect”。如果沒有一個統一的語義定義，AI智能體面對的就是一堆毫無關聯的數字和字符，極易產生“幻覺”——即一本正經地胡說八道。

本體論（Ontology）為銀行提供了一種機器可讀的“通用語言”。它定義了什么是“客戶”、什么是“賬戶”、什么是“風險敞口”，以及它們之間嚴謹的邏輯關系（如“客戶”擁有“賬戶”，“賬戶”產生“交易”）。這種語義定義獨立于底層物理數據庫，構成了智能體認知的基石。

跨越孤島的橋梁：

智能體需要跨越業務條線（如從零售到理財）服務客戶。傳統的點對點集成（Point-to-Point Integration）成本極高且不可維護?；诒倔w的知識圖譜（Knowledge Graph）構建了一個數據虛擬化層，讓智能體可以在圖譜上自由游走，獲取完整的客戶視圖（Customer 360），而無需關心底層數據的物理存儲位置。

推理與可解釋性的基石：

金融場景要求決策具有高度的可解釋性（Explainability）。LLM是一個“黑盒”，其決策過程難以追溯。而本體論是顯性的邏輯規則。將兩者結合（即Neuro-Symbolic AI），利用本體論約束LLM的生成，既保留了AI的靈活性，又確保了金融業務的嚴謹性與合規性。例如，當智能體拒絕一筆貸款申請時，它能夠基于本體圖譜中的路徑給出確切理由：“因為您的關聯企業A已被列入高風險名單，根據風控規則R-102，關聯風險傳導導致評分不足”8。

國際同業的深度調研與創新實踐

在全球范圍內，領先的金融機構正在積極實踐“智能體+知識圖譜”的范式。通過對DBS、HSBC、Capital One、Bank of America及JPMorgan Chase的深度調研，我們發現雖然各家的切入點不同，但殊途同歸：都在構建企業級的數據語義網絡，以支撐更高級的AI應用。

星展銀行（DBS Bank）：將銀行嵌入算法的“智能體”

新加坡星展銀行（DBS）是全球公認的數字化轉型標桿，其核心戰略“Managing through Journeys (MtJ)”與本文主題高度契合。DBS不僅僅是在做數字化，更是在做“智能化”12。

數據底座（ALAN與ADA）：

DBS并未止步于構建一個存儲數據的數據湖，而是構建了名為ADA（Advancing DBS with AI）的自服務數據平臺和ALAN人工智能協議層。這是一個高度工業化的AI生產管線。ADA作為“單一事實來源（Single Source of Truth）”，不僅整合數據，還通過元數據管理和數據治理，確立了數據的語義標準。ALAN則允許全行的業務團隊和數據科學家快速復用這些數據資產來訓練模型，構建智能體。

超個性化智能體（Hyper-personalization Nudges）：

DBS部署了一個大規模的智能引擎，每月產生超過4500萬次的超個性化“微干預（Nudges）”。這不僅僅是營銷推送，而是基于客戶旅程狀態的智能體判斷。

• 場景示例：智能體通過監控客戶的資金流向圖譜，預測客戶可能在下周面臨現金流缺口（例如，基于歷史數據發現工資延遲到賬，而房貸扣款日臨近）。

• 主動服務：智能體會提前主動預警，并推薦解決方案（如“您可以暫時動用備用金賬戶”）。這種能力依賴于底層知識圖譜對“客戶-賬戶-交易-時間”復雜關系的實時推理。

知識圖譜與Customer 360：

DBS的高管明確指出，傳統的數據整合只能做報表（Dashboarding），而無法產生深層洞察。他們引入知識圖譜（Knowledge Graph）來連接孤立的客戶數據，回答“深層問題”（Deep Insights）。

• 場景示例：中小企業融資（SME Lending）：傳統的信貸審批需要大量人工審核報表。DBS利用圖譜技術分析中小企業的供應鏈關系、交易對手風險和資金流向。通過這種全景視圖，DBS實現了對中小企業貸款的“1分鐘申請，1秒鐘批準”，甚至能夠預測并預警95%的潛在不良貸款風險。

美國銀行（Bank of America）：Erica背后的金融本體論

美國銀行的虛擬助手Erica擁有超過10億次的交互量，近5000萬用戶，是全球最成熟的銀行AI智能體之一。Erica的成功秘訣不僅僅是語音識別，更在于其背后龐大的金融本體庫。

金融本體（Financial Ontology）是核心壁壘：

調研指出，BofA在開發Erica初期就意識到，通用的NLP無法理解復雜的銀行業務邏輯。因此，他們招聘了大量語言學家和領域專家，構建了專門的“金融本體”，定義了交易、余額、商家、賬單之間的語義關系。

• 語義理解能力：這使得Erica能夠理解超過2200種關于余額查詢的表達方式（包括俚語、表情符號）。例如，當客戶問“我還有多少錢可以花？”時，Erica不僅僅是報出余額，而是根據本體中定義的“可支配資金”概念，扣除掉即將發生的定期扣款和預授權金額，給出真正可用的數字。

從查詢到行動的演進：

Erica正在從一個被動問答工具演變為主動的財務管家。

• 異常檢測與洞察：利用圖譜技術，Erica能識別出異常的訂閱扣款（如費率突然上漲的流媒體服務）或重復扣費，并主動提示客戶。

• 復雜旅程編排：在理財場景中，Erica充當了Merrill Lynch顧問的智能助手（BankerAssist）。它利用本體論整合客戶的資產負債表、投資偏好和市場資訊，為顧問生成個性化的投資建議草案。這種能力讓Erica成為了連接零售銀行與財富管理業務的關鍵紐帶。

匯豐銀行（HSBC）：借力外部生態的“決策智能”

不同于DBS和BofA的強自研路線，匯豐銀行更多采取與頂尖科技公司合作的策略，特別是與Quantexa的深度合作，展示了如何利用“語境決策智能（Contextual Decision Intelligence）”來重塑企業級旅程。

Q Assist與知識圖譜：

匯豐采用了Quantexa的“Q Assist”技術，這是一個結合了大模型（GenAI）與知識圖譜的智能輔助系統。其核心在于利用知識圖譜將非結構化數據（新聞、公告）與結構化數據（交易、持股）進行實體解析（Entity Resolution）和網絡構建。

合規與反洗錢（AML）的智能體化：在反洗錢領域，匯豐利用這一架構，讓AI智能體輔助調查員處理復雜的案件。

• 網絡發現：智能體可以自動在圖譜中搜索嫌疑人的關聯網絡（如最終受益人UBO、隱蔽的空殼公司）。

• 自動化調查：智能體能夠生成調查報告摘要，解釋為什么某個實體被標記為高風險（例如：“該實體與已知制裁名單中的X公司在同一注冊地址，且共享同一董事”）。這種“人在回路（Human-in-the-Loop）”的智能體模式，不僅大幅降低了誤報率，還提升了對公業務的合規效率。

全員AI賦能：

匯豐并未將AI局限于客服，而是致力于讓每個員工都擁有“AI副駕駛”。通過知識圖譜連接的數據底座，這些智能體能夠為客戶經理提供即時的銷售線索和風險提示，實現了B2B客戶旅程的智能化重塑25。

第一資本（Capital One）：技術流派的圖嵌入實踐

Capital One作為一家“偽裝成銀行的科技公司”，在技術底層探索上更為激進，特別是在圖嵌入（Graph Embeddings）和向量搜索技術的應用上。

企業圖服務（Enterprise Graph Services）：

Capital One建立了專門的圖服務團隊，開發了基于圖神經網絡（GNN）的系統。他們將客戶、商戶、交易映射為向量空間中的節點，利用“圖嵌入”技術計算節點間的相似度。

Eno的自主研發與實時風控：
與BofA類似，Capital One也自主研發了Eno的NLP引擎。但其獨特之處在于利用圖技術進行實時欺詐檢測和相似性搜索（Similarity Search）。

• 技術細節：通過計算交易圖譜中的向量距離，智能體能實時發現異常支付模式。例如，利用HNSW（Hierarchical Navigable Small World）算法，在毫秒級內檢索出與當前交易行為模式高度相似的歷史欺詐案例。如果相似度超過閾值，智能體會立即攔截交易并向客戶手機發送確認請求。這種基于圖向量的檢測能力，比傳統的線性規則更難被欺詐分子繞過。

摩根大通（JPMorgan Chase）：多智能體協同生態

JPMC正在構建一個龐大的AI生態系統，不僅有通用的LLM Suite，還有針對特定職能的專用智能體。

Connect Coach與SpectrumGPT：這是兩個典型的“角色化智能體”

• Coach：作為合規和客服的內部教練，利用RAG技術從內部知識庫中檢索政策，幫助員工實時回答客戶關于KYC（了解你的客戶）政策的復雜問題。

• SpectrumGPT：作為交易員的市場分析助手，能實時掃描市場信號，生成摘要。

共享知識圖譜與多智能體協同：

這些工具并非孤立存在，而是共享一個中心化的知識圖譜和數據湖。這意味著市場分析智能體產生的洞察（如“某行業風險上升”），可以被即時傳遞給風險管理智能體，進而觸發信貸智能體的額度調整建議。實現了真正的“多智能體協同（Multi-Agent Collaboration）”。

本體論：處理銀行數據的“最好模式”

用戶查詢中明確提出：“用本體論的方法處理銀行的數據是最好的模式”。本章將從理論與實踐雙重角度，深入論證這一論斷的正確性。

解決“數據孤島”與“語義歧義”的終極方案

銀行的數據環境是一個典型的“巴別塔”。核心系統（Core Banking）可能基于數十年前的IBM大型機技術，外圍系統則是現代的云原生架構。數據被鎖在各自的數據庫表中，字段命名千差萬別。傳統的數倉建設（Data Warehousing）通過ETL過程強行統一物理表結構，但這不僅耗時，而且在轉換過程中往往丟失了數據的上下文（Context）2。

語義層解耦（Semantic Decoupling）：

本體論構建了一個獨立于物理數據的“語義層”。它不改變原有系統的存儲結構，而是通過映射（Mapping）將不同系統的數據連接到一個統一的概念模型上。

• 運作機制：智能體不需要知道“存款余額”在核心系統里叫SAV_BAL，在網銀系統里叫AVAIL_AMT。智能體只需查詢本體概念AccountBalance。本體層通過語義映射技術（如R2RML），自動將查詢路由到正確的底層系統并轉換格式。這使得銀行可以在不重構遺留系統的情況下，實現智能體的全域數據訪問，是目前解決“遺留系統現代化”困境的最優解28。

消歧與一致性（Disambiguation）：

在本體中，概念被嚴謹定義。例如，“逾期（Overdue）”在貸款部門指“超過還款日”，在風控部門可能指“超過寬限期”。本體論強制明確這些定義的邊界，避免AI智能體在跨部門調用數據時產生歧義，這對于金融決策的準確性至關重要。

賦能AI的邏輯推理（Reasoning）與可解釋性

當前的大模型（LLM）擅長概率生成，但缺乏嚴謹的邏輯推理能力，且極易產生“幻覺（Hallucination）”。在銀行場景下，給客戶錯誤的財務建議或做出錯誤的信貸決策是不可接受的。

知識增強檢索（GraphRAG）：

結合知識圖譜的RAG（Retrieval-Augmented Generation）技術，是目前業界公認的最佳實踐。

• 流程：當智能體回答問題時，它先在圖譜中檢索確定的事實路徑（如“A公司持股B公司，B公司被制裁”），然后將這些事實作為上下文（Context）輸入給LLM。

• 優勢：這樣生成的回答既有LLM的流暢度，又有圖譜的準確度。圖譜充當了LLM的“事實核查員（Fact Checker）”，顯著降低了幻覺率。

可解釋的決策路徑（Explainable AI, XAI）：知識圖譜本身是基于圖論的結構，任何推論都可以回溯其路徑。

合規要求：當智能體拒絕一筆貸款時，監管機構要求解釋原因。黑盒模型無法做到這一點。而基于本體的系統可以通過圖譜展示其推理過程（例如：客戶 -> 關聯公司 -> 黑名單實體 -> 觸發規則R3）。這種白盒化的推理能力，是滿足GDPR和“公平借貸”法規的關鍵8。

實體解析與反欺詐的天然優勢

銀行面臨的許多高級欺詐（如合成身份欺詐、團伙欺詐）在關系網絡中最為明顯。關系型數據庫（RDBMS）很難查詢“六度分隔”以上的復雜關系，因為多表連接（Join）的計算復雜度呈指數級上升。

圖與實體解析（Entity Resolution）：

本體論驅動的圖技術可以跨系統識別同一個實體。通過屬性相似度（如模糊匹配地址、設備指紋），圖譜可以將散落在不同系統的碎片信息聚合為唯一的“實體節點”，從而揭示隱藏的欺詐網絡。

• 案例：Capital One和HSBC利用圖算法，能夠發現看似無關的幾十個賬戶實際上共享同一個電話號碼或設備ID，從而識別出合成身份欺詐團伙。這種能力是傳統SQL查詢無法企及的。

客戶旅程重塑：場景化的顛覆

在本體論的支撐下，智能體如何具體重塑客戶旅程，打造最佳客戶體驗？我們通過幾個典型場景來闡述。

零售銀行：從“銷售產品”到“生活管家”

傳統旅程： 客戶想買房 -> 去網點/App查額度 -> 提交申請 -> 等待審批 -> 放款。這是一個線性的、斷裂的過程。

重塑后的旅程：

意圖感知：客戶在與智能體閑聊時提到“最近在看學區房”。智能體通過本體關聯，識別出這屬于“購房置業”生活事件。

全景評估：智能體即時查詢圖譜，綜合客戶的存款、理財、公積金及信用評分，計算出“可負擔房價上限”。

主動規劃：智能體并非直接推銷貸款，而是生成一個“購房準備計劃”：

• “建議您將閑置資金轉入高息存款，積累首付?！?/p>

• “檢測到您有一筆信用卡分期未還，建議提前結清以優化信用分。”

無縫執行：當客戶看中房子時，智能體直接調用API生成預批函（Pre-approval letter），并自動填寫大部分申請表單。

企業銀行（SME）：從“抵押驅動”到“數據驅動”

傳統旅程：中小企業申請貸款 -> 提供財報/抵押物 -> 銀行人工審核 -> 數周后放款。由于缺乏抵押物，大量優質小微企業被拒之門外。

重塑后的旅程：

供應鏈圖譜分析：企業授權銀行接入數據。智能體不僅看企業本身，還通過圖譜分析其上下游（本體推理：A企業向核心企業B供貨，B企業信用極好，且歷史付款記錄穩定）。

風險傳導計算：智能體利用圖算法（如PageRank）計算該企業在供應鏈網絡中的重要性分數，量化其隱性信用。

秒級授信：基于圖譜的推理結果，智能體給予“信用類貸款”，無需抵押，秒級到賬。這正是DBS和HSBC正在實踐的模式。

實施的困難程度：理想與現實的鴻溝

盡管“智能體+本體論”的藍圖極具吸引力，但其實施難度是巨大的。本文調研顯示，許多銀行的項目受阻于數據基礎薄弱、技術復雜度高和組織慣性。這絕非簡單的IT升級，而是一場傷筋動骨的架構革命。

語義互操作性的挑戰（The Semantic Gap）

“巴別塔”難題：

銀行的遺留系統（Legacy Systems）往往基于幾十年前的技術棧（如COBOL大型機）構建，其數據模型是為特定交易處理優化的，而非為語義理解設計。

數據孤島與方言：不同部門使用不同的術語體系。要構建一個統一的本體，需要協調全行的業務部門達成共識，這在政治上和管理上都是巨大的挑戰2。

• 映射工作量：將成千上萬張物理表映射到FIBO（金融行業業務本體）等標準模型上，需要極大的人工投入。雖然LLM可以輔助自動化，但金融數據的容錯率極低，人工校驗依然不可或缺。據統計，一個中型銀行可能擁有數百萬個數據字段，厘清其含義本身就是一項浩大的工程。

• 注：FIBO（Financial Industry Business Ontology，金融行業業務本體）是由EDMC（Enterprise Data Management Council）主導、行業多家大型金融機構（如State Street、Bloomberg、JPMC等）共同參與制定的開放標準金融本體

本體構建與維護的復雜性

“昂貴的玩具”風險：

構建高質量的企業級知識圖譜（EKG）不僅昂貴，而且維護難度極大。

• FIBO的落地難：FIBO雖然是行業標準，但極其復雜和學術化，包含數千個類和屬性。直接應用于生產環境往往會導致推理性能問題。大多數銀行需要對其進行剪裁和本地化，這需要極稀缺的“本體工程師”人才。

動態性挑戰：銀行業務和監管環境在不斷變化。如果本體不能實時更新，圖譜就會迅速過時，變成一個新的遺留系統。如何實現“動態本體學習（Ontology Learning）”仍然是前沿技術難題39。

算力與實時性的矛盾

圖計算的性能瓶頸：

智能體與客戶的交互是實時的（毫秒級）。然而，在大規模圖譜（十億級節點）上進行多跳推理（Multi-hop Reasoning）和子圖匹配是非常消耗算力的操作。

• 架構挑戰：銀行往往需要維護兩套圖譜：一套是離線的“全量分析圖譜”（用于深度挖掘、反洗錢調查），一套是線上的“輕量級服務圖譜”（用于實時交互）。數據在兩套圖譜間的同步和一致性維護是一個巨大的技術挑戰。

• 向量搜索與圖的結合：雖然向量數據庫（Vector DB）查詢速度快，但缺乏邏輯精確性。如何設計混合架構，平衡Graph的精確性與Vector的速度，是架構師面臨的巨大挑戰2。

組織與人才的短板

缺乏跨界人才：

這一范式需要既懂銀行業務、又懂圖論數學、還精通大模型工程的復合型人才。目前市場上此類人才極度匱乏。

文化阻力：

• 從“以賬戶為中心”轉向“以客戶旅程為中心”，意味著銀行內部權力的重新分配。數據所有權的共享往往遭到部門利益的頑強抵抗。調研中發現，許多項目并非死于技術，而是死于部門間關于“誰來定義‘客戶’”的無休止爭論6。

結論與戰略建議

“智能體+客戶旅程重塑+Ontology”不僅僅是技術的疊加，它是銀行從“數字化”邁向“智能化”的必經之路。本體論作為數字世界的“邏輯骨架”，支撐起智能體這一“數字肌肉”，共同驅動客戶體驗的質變。

對于正在探索這一路徑的銀行，我們提出以下戰略建議：

1. 不要試圖一口吃成胖子：避免全行級的大爆炸式本體構建。應效仿Capital One或DBS，從高價值的特定旅程（如中小企業信貸、反洗錢）切入，構建領域本體，快速驗證閉環。

2. 擁抱標準但務實落地：參考FIBO標準，但不要被其束縛。構建輕量級的、業務導向的本體層，優先解決語義互操作性問題。

3. 構建混合架構：采用“圖譜（Graph）+ 向量（Vector）+ 大模型（LLM）”的三角架構。圖譜負責邏輯與事實，向量負責相似性檢索，大模型負責交互與規劃。

4. 重視數據治理的“供給側改革”：智能體的智能水平取決于喂養它的數據質量。必須建立嚴格的數據治理機制，確保寫入本體的數據是清潔、準確的。

這一創新范式雖然艱難，但它構筑的競爭壁壘將是不可逾越的。率先完成這一轉型的銀行，將獲得對客戶需求的“上帝視角”和毫秒級的響應能力，從而徹底顛覆現有市場格局。

引用的著作

1. How can banks orchestrate customer journeys with AI? - DialOnce, 訪問時間為 十二月 23, 2025， https://dialonce.ai/en/blog-ai/trends/banks-orchestrate-customer-journeys-ai.html

2. 5 ways to overcome AI integration challenges in legacy banking systems - SymphonyAI, 訪問時間為 十二月 23, 2025， https://www.symphonyai.com/resources/blog/financial-services/ai-integration-legacy-banking-systems/

3. 7 Data Integration Best Practices for Banking Executives – visbanking.com, 訪問時間為 十二月 23, 2025， https://visbanking.com/data-integration-best-practices

4. Emerging Technology Trends JPMorganChase Perspective, 訪問時間為 十二月 23, 2025,https://www.jpmorgan.com/content/dam/jpmorgan/documents/technology/jpmorganchase-emerging-technology-trends-a-jpmorganchase-perspective.pdf

5. The end of inertia: Agentic AI's disruption of retail and SME banking - McKinsey, 訪問時間為 十二月 23, 2025， https://www.mckinsey.com/industries/financial-services/our-insights/the-end-of-inertia-agentic-ais-disruption-of-retail-and-sme-banking

6. The Dawn of a New Era: Moving Beyond Legacy Systems to Agentic Banking, 訪問時間為 十二月 23, 2025， https://www.ccgcatalyst.com/thought-leadership/commentary/the-dawn-of-a-new-era-moving-beyond-legacy-systems-to-agentic-banking/

7. AI Agent-Driven Framework for Automated Product Knowledge Graph Construction in E-Commerce - arXiv, 訪問時間為 十二月 23, 2025， https://arxiv.org/html/2511.11017v1

8. Deterministic Graph-Based Inference: The Key to Safe AI in ..., 訪問時間為 十二月 23, 2025，https://rainbird.ai/deterministic-graph-based-inference-the-key-to-safe-ai-in-financial-services/

9. Knowledge Graph Pilot Improves Data Quality While Providing a Customer 360 View, 訪問時間為 十二月 23, 2025， https://www.youtube.com/watch?v=ABN2377ER_A

10. Enterprise Knowledge Graphs Explained: Key Benefits & Real-world Use Cases - Quinnox, 訪問時間為 十二月 23, 2025， https://www.quinnox.com/blogs/enterprise-knowledge-graphs/

11. Regulatory Graphs and GenAI for Real-Time Transaction Monitoring and Compliance Explanation in Banking - arXiv, 訪問時間為 十二月 23, 2025，https://arxiv.org/html/2506.01093v1

12. An inside look at how McKinsey helped DBS become an AI-powered bank, 訪問時間為 十二月 23, 2025， https://www.mckinsey.com/about-us/new-at-mckinsey-blog/an-inside-look-at-how-mckinsey-helped-dbs-become-an-ai-powered-bank

13. How DBS Bank uses a human-AI synergy approach to enhance customer experiences and improve efficiencies - Tearsheet, 訪問時間為 十二月 23, 2025， https://tearsheet.co/artificial-intelligence/how-dbs-bank-uses-a-human-ai-synergy-approach-to-enhance-customer-experiences-and-improve-efficiencies/

14. DBS' AI-Powered Digital Transformation | DBS Bank, 訪問時間為 十二月 23, 2025， https://www.dbs.com/artificial-intelligence-machine-learning/artificial-intelligence/dbs-ai-powered-digital-transformation.html

15. Orchestrating Knowledge Graphs for AI Agents | by Frank Morales Aguilera - Medium, 訪問時間為 十二月 23, 2025， https://medium.com/ai-simplified-in-plain-english/orchestrating-knowledge-graphs-for-ai-agents-3db887c59ee3

16. How DBS Connect Knowledge with a Knowledge Quotient Framework - Neo4j, 訪問時間為 十二月 23, 2025， https://neo4j.com/blog/financial-services/how-dbs-connect-knowledge-with-a-knowledge-quotient-framework/

17. A Decade of AI Innovation: BofA's Virtual Assistant Erica Surpasses 3 Billion Client Interactions | Press Releases | Newsroom, 訪問時間為 十二月 23, 2025， https://newsroom.bankofamerica.com/content/newsroom/press-releases/2025/08/a-decade-of-ai-innovation--bofa-s-virtual-assistant-erica-surpas.html

18. BofA's Erica Surpasses 2 Billion Interactions, Helping 42 Million Clients Since Launch, 訪問時間為 十二月 23, 2025， https://newsroom.bankofamerica.com/content/newsroom/press-releases/2024/04/bofa-s-erica-surpasses-2-billion-interactions--helping-42-millio.html

19. How & Why We Built Eno's NLP In-House | Capital One, 訪問時間為 十二月 23, 2025， https://www.capitalone.com/tech/machine-learning/capital-ones-intelligent-assistant-why-we-built-enos-nlp-tech-in-house/

20. The story of Erica, Bank of America's homegrown digital assistant - Tearsheet, 訪問時間為 十二月 23, 2025， https://tearsheet.co/podcasts/the-story-of-erica-bank-of-americas-homegrown-digital-assistant/

21. Bank of America's Erica Tops 1 Billion Client Interactions, Now Nearly 1.5 Million Per Day, 訪問時間為 十二月 23, 2025， https://newsroom.bankofamerica.com/content/newsroom/press-releases/2022/10/bank-of-america-s-erica-tops-1-billion-client-interactions--now-.html

22. Quantexa Debuts Q Assist, New Context Aware Generative AI Technology Suite, 訪問時間為 十二月 23, 2025， https://www.quantexa.com/press/quantexa-debuts-q-assist-new-context-aware-generative-ai-technology-suite/

23. HSBC and BNY Mellon adopt Quantexa's AI technology to enhance operational efficiency, 訪問時間為 十二月 23, 2025， https://fintech.global/2024/07/15/hsbc-and-bny-mellon-adopt-quantexas-ai-technology-to-enhance-operational-efficiency/

24. Quantexa Debuts new Gen AI suite with HSBC, BNYM | FinTech Magazine, 訪問時間為 十二月 23, 2025， https://fintechmagazine.com/articles/quantexa-debuts-new-gen-ai-suite-with-hsbc-bnym

25. Transforming HSBC with AI | HSBC and Digital, 訪問時間為 十二月 23, 2025， https://www.hsbc.com/who-we-are/hsbc-and-digital/hsbc-and-ai/transforming-hsbc-with-ai

26. Graph Embeddings and Similarity Search in ML | Capital One, 訪問時間為 十二月 23, 2025， https://www.capitalone.com/tech/machine-learning/similarity-search-graph-embeddings/

27. Next Gen AI in Action: How JPMorgan Chase's LLM Suite is ..., 訪問時間為 十二月 23, 2025， https://www.gsdcouncil.org/blogs/next-gen-ai-in-action-how-jpmorgan-chase-s-llm-suite-is-revolutionizing-financial-research

28. A banking analogy that explains semantic interoperability - Wolters Kluwer, 訪問時間為 十二月 23, 2025， https://www.wolterskluwer.com/en/expert-insights/a-banking-analogy-that-explains-semantic-interoperability

29. Agentic AI Interoperability: Why Data Strategy Is Your AI Foundation - SPsoft, 訪問時間為 十二月 23, 2025， https://spsoft.com/tech-insights/ensuring-agentic-ai-interoperability/

30. Semantics for Large Banks - Open Banking - Bank Ontology, 訪問時間為 十二月 23, 2025，https://bankontology.com/semantics-for-large-banks-1-open-banking/

31. Automatic Relationship Construction in Domain Ontology Engineering - BankBuddy.ai, 訪問時間為 十二月 23, 2025， https://bankbuddy.ai/resources/whitepapers/automatic-relationship-construction-ontology

32. Entity Resolution - TigerGraph, 訪問時間為 十二月 23, 2025， https://www.tigergraph.com/glossary/entity-resolution/

33. GraphRAG & Knowledge Graphs: Making Your Data AI-Ready for 2026 - Fluree, 訪問時間為 十二月 23, 2025， https://flur.ee/fluree-blog/graphrag-knowledge-graphs-making-your-data-ai-ready-for-2026/

34. Bridging Neurons and Symbols for Natural Language Processing and Knowledge Graphs Reasoning @ COLING 2025 - ACL Anthology, 訪問時間為 十二月 23, 2025， https://aclanthology.org/2025.neusymbridge-1.pdf

35. Explainable AI For Knowledge Graphs - Meegle, 訪問時間為 十二月 23, 2025， https://www.meegle.com/en_us/topics/explainable-ai/explainable-ai-for-knowledge-graphs

36. Knowledge-graph-based explainable AI: A systematic review - PMC - NIH, 訪問時間為 十二月 23, 2025， https://pmc.ncbi.nlm.nih.gov/articles/PMC11316662/

37. Entity Resolution in Financial Crime: A Practical Guide to Uncover Hidden Risks - DataWalk, 訪問時間為 十二月 23, 2025， https://datawalk.com/entity-resolution-in-financial-crime-a-practical-guide-to-uncover-hidden-risks/

38. Top 10 Graph Database Use Cases (With Real-World Case Studies) - Neo4j, 訪問時間為 十二月 23, 2025， https://neo4j.com/blog/graph-database/graph-database-use-cases/

39. Financial Information Business Ontology (FIBO): Architecture, Use Cases, and Implementation Challenges - Global Fintech Series, 訪問時間為 十二月 23, 2025， https://globalfintechseries.com/featured/financial-information-business-ontology-fibo-architecture-use-cases-and-implementation-challenges/

40. A Semi-Automated Framework for Flood Ontology Construction with an Application in Risk Communication - MDPI, 訪問時間為 十二月 23, 2025， https://www.mdpi.com/2073-4441/17/19/2801

41. Reasoning in the FIBO ontology – A challenge - CEUR-WS.org, 訪問時間為 十二月 23, 2025， https://ceur-ws.org/Vol-3337/semrec_paper1.pdf

42. Knowledge Graphs: The Path to Enterprise AI - Graph Database ..., 訪問時間為 十二月 23, 2025， https://neo4j.com/blog/knowledge-graph/knowledge-graphs-path-to-enterprise-ai/