金融业务基础：银行、证券、保险等主要金融业务逻辑，以及金融产品、交易流程、合规要求的基础认知
AI金融助手要真正落地，不能只停留在“对话流畅”或“接口调用”层面，必须理解金融业务的内在逻辑。银行、证券、保险虽然同属大金融，但各自的业务模式、资金流转方式、风险来源和监管约束差异极大。如果AI产品经理或研发人员缺乏这些基础认知，很容易在设计意图识别、数据字段映射、风控规则配置等环节出现方向性错误。本章从三类核心金融机构的业务逻辑出发，梳理金融产品的基本结构、交易流程的关键节点，以及合规要求的刚性边界，为后续AI功能设计提供业务底座。
4.1 银行核心业务逻辑：信用中介与期限转换
4.1.1 核心原理：银行的本质是经营风险与流动性
银行最基础的功能是信用中介——吸收存款、发放贷款。存款人把钱存入银行，获得较低但稳定的利息；银行将资金贷给企业或个人，收取较高的贷款利息，赚取利差。这个过程中，银行承担了信用风险（借款人可能违约）、流动性风险（存款人集中取款时资金不足）和利率风险（市场利率变动导致资产与负债价值不匹配）。AI助手在银行场景中，需要识别用户是在咨询存款利率、申请贷款，还是处理账户异常，这背后对应的是完全不同的业务系统和风控规则。
4.1.2 判断方法：区分负债业务、资产业务与中间业务
银行收入来源可拆解为三大板块，AI意图识别和知识库设计应据此分类：
| 业务类型 | 典型产品 | 银行收入来源 | AI助手关注点 |
|---|---|---|---|
| 负债业务 | 活期存款、定期存款、大额存单 | 低成本资金获取 | 利率查询、到期日提醒、提前支取规则 |
| 资产业务 | 个人住房贷款、企业经营贷、信用卡 | 贷款利息收入 | 贷款条件、还款计划、逾期风险提示 |
| 中间业务 | 支付结算、代销基金、托管、担保 | 手续费与佣金 | 费率说明、到账时间、产品风险等级 |
AI助手在回答“我要存钱”和“我要借钱”时，必须走完全不同的流程分支。存钱涉及存款利率、存款保险（50万以内全额赔付）；借钱涉及征信查询、还款能力评估、抵押物要求。如果AI混淆了这两类需求，轻则答非所问，重则给出误导性建议。
4.1.3 案例拆解：某银行AI助手处理“提前还贷”咨询
某股份制银行上线AI助手后，发现“提前还贷”是高频咨询。初期AI直接回复“请携带身份证到网点办理”，导致大量用户不满。复盘后发现，用户真实需求分为三类：
- 查询型：想知道提前还款是否划算、违约金多少——需要计算器工具和合同条款解读。
- 操作型：想直接线上预约还款——需要跳转手机银行APP的特定功能页。
- 投诉型：线上预约额度已满，想表达不满——需要安抚话术并记录工单。
优化后，AI助手先通过多轮对话判断用户所属类型，再分别给出计算工具、操作链接或人工客服转接。上线两周后，该场景的客户满意度从61%提升至84%。关键经验是：金融AI不能只做“问答机器人”，必须理解业务场景的完整链路。
4.2 证券业务逻辑：一级市场与二级市场的联动
4.2.1 核心原理：证券业务围绕“信息”与“流动性”展开
证券行业的核心功能是帮助资金供需双方直接对接。一级市场（发行市场）中，投行帮助企业IPO或发债，完成定价与销售；二级市场（交易市场）中，投资者通过交易所买卖证券，实现价格发现和流动性提供。与传统银行不同，证券公司不承担存贷利差风险，但面临市场风险、操作风险和合规风险。AI在证券场景中的应用，更多集中在智能投顾、研报解读、交易异常监控和合规审查。
4.2.2 操作流程：一笔股票交易从委托到结算的完整链路
- 开户与适当性评估：投资者完成风险测评，确定风险承受等级（C1-C5）。
- 委托下单：通过APP或交易终端提交买入/卖出指令，包含证券代码、价格、数量。
- 撮合成交：交易所主机按价格优先、时间优先原则撮合。
- 清算：中国结算计算买卖双方应收应付资金与证券数量。
- 交割：T+1日完成资金与证券的实际划转（A股市场）。
AI助手在证券场景中，需要特别注意“适当性管理”的刚性要求。例如，当用户询问某只ST股票时，AI必须确认用户风险等级是否匹配，不能直接给出买入建议。
4.2.3 实战场景：智能客服识别“两融”业务咨询
某券商AI客服遇到用户提问：“我想加杠杆买股票，怎么操作？”初始版本AI直接回复“融资融券业务需满足20个交易日日均资产50万以上”，但用户追问“我账户里有60万，为什么不能开？”经排查发现，用户资产中30万是场外基金，不在担保品范围内。AI助手需要理解：融资融券的担保品计算有特定折算率，现金折算率100%，股票按市值打折（通常50%-70%），基金则需看类型。优化后的AI会先询问用户资产构成，再给出个性化判断，并引导用户查看“信用账户开通条件”页面。
4.3 保险业务逻辑：精算定价与长期服务
4.3.1 核心原理：保险是“风险集合”与“大数法则”的实践
保险公司通过向大量投保人收取保费，形成资金池，用于赔付少数发生保险事故的被保险人。其业务逻辑分为承保端和投资端：承保端需要精算师根据历史数据测算出险概率和赔付金额，从而确定保费；投资端将未赔付的保费（责任准备金）进行投资，获取收益。保险产品的复杂性在于：条款晦涩、期限长（寿险可达数十年）、涉及健康告知和免责条款。AI助手在保险场景中，最大的价值是帮助用户理解条款、完成健康告知预核保、以及理赔材料指引。
4.3.2 判断方法：保险产品分类与AI应答策略
| 保险大类 | 代表产品 | 保障期限 | AI应答要点 |
|---|---|---|---|
| 人身保险 | 定期寿险、终身寿险、年金险 | 长期（10年以上） | 现金价值、退保损失、受益人变更 |
| 健康保险 | 医疗险、重疾险 | 1年期或长期 | 等待期、免赔额、健康告知、理赔范围 |
| 财产保险 | 车险、家财险 | 1年期为主 | 保额确定、免赔条款、出险报案流程 |
| 责任保险 | 雇主责任险、公众责任险 | 1年期 | 责任范围、赔偿限额、除外责任 |
4.3.3 案例拆解：AI理赔助手处理“重疾险理赔材料”咨询
某互联网保险公司发现，重疾险理赔被拒的主要原因之一是“材料不齐全”。用户提交的病理报告缺少关键页，或诊断证明未加盖医院公章。AI理赔助手上线后，采用“材料清单引导式对话”：
- 第一步：询问用户所患疾病类型，匹配对应的重疾定义（如恶性肿瘤需提供病理报告）。
- 第二步：逐项列出所需材料，并说明每份材料的具体要求（如“病理报告需包含镜下描述和免疫组化结果”）。
- 第三步：用户上传材料后，AI进行OCR识别和完整性校验，实时提示缺失项。
上线后，一次性通过率从58%提升至79%，平均理赔周期缩短了3.2天。复盘发现，AI的价值不在于替代人工审核，而在于前置化地“管理用户预期”，减少因材料问题导致的反复沟通。
4.4 金融产品基础要素与合规红线
4.4.1 核心原理：任何金融产品都可拆解为五个维度
AI助手在回答产品相关问题时，应围绕五个维度组织信息：收益特征（固定收益、浮动收益、非保本浮动）、风险等级（R1-R5，对应保守型到激进型）、流动性（随时赎回、定期开放、持有至到期）、期限结构（短期、中期、长期）、底层资产（现金类、债券类、股票类、衍生品类）。这五个维度构成了产品说明书的核心骨架，也是AI知识库的字段设计基础。
4.4.2 合规要求：AI助手必须遵守的刚性规则
- 适当性管理：向用户推荐产品前，必须确认其风险测评等级。例如，R4级产品不能推荐给C2级用户。
- 禁止承诺收益：AI话术中不得出现“保本保息”“稳赚不赔”等表述，即使是引用历史业绩也需注明“过往业绩不代表未来表现”。
- 信息披露完整：涉及产品费率、提前赎回惩罚、税收影响等关键信息，AI必须主动告知，不能等用户追问。
- 留痕与可回溯：AI与用户的交互记录需保存至少5年，用于监管检查和纠纷举证。
4.4.3 常见误区与总结复盘
在AI金融助手开发中，最常见的三类误区：
- 将“金融知识”等同于“产品参数”：用户问“基金和理财有什么区别”，AI只回答“基金有申购费，理财没有”，这是典型的知识碎片化。正确做法是先用通俗语言解释两者底层资产和风险来源的差异，再给出参数对比。
- 忽视“非标准化”场景：银行、证券、保险的AI助手往往只覆盖标准产品，但用户实际咨询中大量涉及“我的房贷利率为什么比别人高”“我的理赔为什么被拒”这类个性化问题。AI需要具备“转人工”的判断能力，而不是强行生成答案。
- 合规过滤“一刀切”：有些团队为了省事，将所有涉及“收益”的对话都设为敏感词，导致用户问“定期存款利率是多少”也被拦截。合理的做法是区分“客观信息查询”和“投资建议”，前者可以正常回答，后者必须触发合规流程。
总结而言，金融业务基础认知的核心，是让AI助手理解“钱从哪里来、到哪里去、风险由谁承担、监管如何约束”。只有建立了这个底层框架，后续的意图识别、知识库设计、对话流程编排和风控策略才能有的放矢。AI金融助手不是简单的“金融百科问答”，而是需要深度嵌入业务逻辑的智能服务系统。