产品经理
互联网
推荐课程
average > 0 ? $model->average . '分' : '10.0分' ?>

从业务痛点到AI方案：银行AI创新训战营--场景挖掘、智能体设计与业务价值评估

夏涵

某大厂 AI产品负责人

拥有12年产品设计经验，负责过多个2B项目 及 日活百万至千万的 2C产品，有深入的产品、策略、运营、增长、数分、商业化等综合视角；
拥有5年AI大模型最前沿行业及产品经验（2022起深耕AIGC赛道，原住民）
现任：某大厂公司AI产品负责人
曾任：百度、携程高级产品经理、互金创业公司负责人

拥有12年产品设计经验，负责过多个2B项目 及 日活百万至千万的 2C产品，有深入的产品、策略、运营、增长、数分、商业化等综合视角； 拥有5年AI大模型最前沿行业及产品经验（2022起深耕AIGC赛道，原住民） 现任：某大厂公司AI产品负责人 曾任：百度、携程高级产品经理、互金创业公司负责人

课程费用

5800.00 /人

课程时长

4天

成为教练

课程简介

银行业务中，哪些问题适合用AI解决？如何将业务痛点转化为具体场景，并进一步形成可评审、可推进的方案？本课程围绕这些问题，以银行业务课题为主线，按照“论趋势、找场景、解方案、推实施”的路径，开展为期四天的学习与实践。

课程结合信贷、风控、营销、客服及贷后等领域的案例，介绍AI技术发展与金融应用，逐步展开痛点分析、场景筛选、人机分工、智能体设计和业务流程建模。通过方案设计SOP、压力测试、工程化规划及ROI测算，引导学员综合考虑业务价值、技术可行性与合规要求，完善课题方案。

培训采用案例拆解、小组研讨、工具实践、讲师点评与路演答辩相结合的方式。学员将围绕小组课题，从开题报告、场景设计草图逐步推进至方案建模稿，最终形成包含业务痛点、AI解法、实施路径、收益测算及风险预案的解决方案终稿，为后续项目论证与试点准备提供参考。

目标收益

培训对象

课程大纲

DAY 2：论 - AI 前沿趋势与金融行业洞察 当天核心问题：AI 到底发展到哪一步？金融行业有哪些可借鉴的落地路径？当堂产出：小组课题名单 + AI 创新课题开题报告
09:00-09:10 开场（10min）
学习目标：
让学员说出"哎我也是这样"——金融行业面临的 AI 转型焦虑
建立"AI 不是替代你，而是替代不会用 AI 的你"的认知
内容要点：
1.金融行业 3 大现实压力：获客成本攀升 / 风控边际效益递减 / 用户体验同质化
2.学员破冰：提出"我最希望 AI 帮我解决的一个金融痛点"

09:10-10:30 模块一：论 AI 前沿趋势（80min）
学习目标：
建立 AI 八次觉醒演进史的全景认知
理解 2024-2026 年 AI 能力 L1-L4 分级，知道我们站在哪里
内容要点：
1.AI 八次觉醒：规则→统计学习→深度学习→Transformer→大模型→Agent→Multi-Agent→AGI 探索
2.AI 能力 L1-L4 分级：
L1 对话生成（写邮件/总结）
L2 流程编排（多步骤任务）
L3 Agent 自治（工具调用+决策）
L4 Multi-Agent 协同（角色分工+协作）
3.关键技术拐点：国内外大模型（豆包/DeepSeek/Kimi）的差距与机会
4.金融行业 AI 落地全景图：信贷/风控/营销/客服/运营 5 大场景成熟度

10:30-12:00 模块二：行业应用案例拆解（90min）
学习目标：
看懂 5 个标杆案例的"业务-数据-AI"闭环
提炼出"金融AI方案的标准结构"
内容要点（银行金融标杆案例脱敏，如招商、建行、平安等，具体案例上课可调整）：
案例 场景 AI 能力
某家 AI 智能风控 信贷审批 多模态生物识别 + Agent 反欺诈
某家AI 客服 贷后客服 LLM + 知识库 + 工单自动化
某家 AI 营销 精准获客 多 Agent 协同 + 千人千面
某家AI 尽调 小微尽调 OCR + LLM + 报告生成
某家 AI 催收 智能催收 情绪识别 + 话术生成


14:00-15:30 模块三：金融业务 AI 创新机会点探讨（90min）
学习目标：
用"四象限法"识别金融 AI 创新机会
锁定本小组课题方向
内容要点：
1.机会点四象限：
高频低风险（如客服问答、营销文案）→ 优先落地
高频高风险（如信贷审批）→ 谨慎+人机协同
低频低价值（如内部通知）→ 不值得做
低频高价值（如欺诈识别）→ 必须做，但需深度方案
2.金融 AI 价值池：从获客、运营、风控、客服、贷后 5 个环节梳理 20+ 候选场景
3.课题选题原则：业务价值大、数据可获取、技术可实现、有衡量指标

15:30-17:00 模块四：开题报告撰写与点评（90min）
学习目标：
用统一模板完成开题报告
跨组点评，互相启发
内容要点：
1.开题报告模板（见配套模板）：
课题名称（动词法命名，如"智能反欺诈尽调助手"）
业务背景（为什么做，多大的事）
现状数据（量化痛点）
初步方案设想（一句话）
预期价值（北极星指标 + 2-3 个 KR）
DAY 2：找 - 金融高价值场景识别与设计 当天核心问题：怎么从日常痛点中找到 AI 真正能落地的赋能点？当堂产出：AI 应用提效工具包（个人）+ AI 创新课题解构思（小组）
09:00-09:30 开场：昨天的方案，今天来验证（30min）
学习目标：
用"昨天方案，今天如何演进"的视角回顾开题报告
引出"痛点挖掘不深，方案就是空中楼阁"
内容要点：
1.选 2 个开题报告点评（讲师分享点评）
2.引出 DAY 2 主题：痛点→场景→方案的反向设计

09:30-11:00 模块一：找 - 痛点三层挖掘法（90min）
学习目标：
掌握"三层挖掘法"——从表象痛点挖到根因
用该方法重做昨天课题的痛点分析
内容要点：
1.第一层：What（表象痛点）
客户投诉最多的问题
员工最常抱怨的事
数据报表中异常波动的环节
2.第二层：Why（根因分析）
5 Why 追问法
业务流程断点图
数据链路堵点定位
3.第三层：How（AI 切入点）
这个环节能否被 AI 自动化？
需要什么数据？
容错空间多大？
4.高熵环节识别：信息密度高、规则模糊、需要判断的环节 = AI 的核心点

11:00-12:00 模块二：解 - AI 解决方案落地方法论（60min）
学习目标：
掌握"业务-AI"映射的 4 种典型模式
为每个痛点找到 1-2 个 AI 解法候选
内容要点：
1.模式 A：内容生成型（LLM 直接输出）
适用：报告生成、文案、合同摘要
案例：尽调报告自动生成
2.模式 B：流程编排型（LLM + 工具）
适用：跨系统数据流转
案例：智能工单分发
3.模式 C：Agent 决策型（LLM + 推理 + 工具）
适用：复杂决策场景
案例：信贷风控决策
4.模式 D：Multi-Agent 协同型（多角色 Agent 协作）
适用：跨职能复杂任务
案例：贷前-贷中-贷后全流程

14:00-15:30 模块三：业务场景 AI 化设计框架（90min）
学习目标：
掌握"业务场景 AI 化设计的 5 步法"
输出场景设计的 v1.0 草图
内容要点：
1.Step 1：场景切片（5min）—— 把大场景切成 5-10 个可执行子任务
2.Step 2：人机分工（15min）—— 哪些由 AI 做，哪些必须人审
3.Step 3：输入输出定义（20min）—— AI 需要什么输入，输出什么结构
4.Step 4：异常处理（20min）—— AI 错了怎么办？兜底方案是什么
5.Step 5：可衡量指标（30min）—— 准确率、采纳率、改写率、人效提升

15:30-17:00 模块四：解构思汇报与互评（90min）
学习目标：
讲师拆解
跨组互评+讲师点评，沉淀共性问题
内容要点：
1.汇报结构：业务痛点 → AI 解法候选 → 场景设计草图 → 初步价值估算
2.讲师聚焦点评 2-3 个共性问题
DAY 3：解 - 金融业务逻辑 AI 化与方案建模 当天核心问题：方案怎么从"构思"变成"可评审的设计稿"？当堂产出：AI 创新课题解决方案建模稿（小组）
09:00-09:30 开场：从构思到设计的鸿沟（30min）
学习目标：
让学员看到"会想不会做"的常见坑
引出 DAY 3 核心：方案设计的 SOP 化
基于workbuddy构建基础agent
内容要点：
1.展示 3 个常见反例：场景模糊、流程断裂、指标缺失
2.引入"AI 方案设计的黄金三角"：业务价值 × 技术可行 × 风险可控

09:30-11:00 模块一：金融标杆 AI Agent 公式深度拆解（90min）
学习目标：
掌握"AI Agent = LLM + 记忆 + 工具 + 规划"四要素
看懂 5 个金融标杆 Agent 的架构图
内容要点：
1.AI Agent 公式：

2.5 个金融标杆 Agent 拆解（与Day 1 的案例配套）：
标杆 Agent 记忆 工具 规划 业务价值（示例）
信贷尽调 Agent 客户档案库 OCR/征信查询 多步骤推理 尽调时效 -70%
反欺诈 Agent 历史欺诈模式库 设备指纹/活体检测 实时规则匹配 欺诈识别率 +30%
智能客服 Agent 知识库+会话历史 工单系统/转人工 多轮对话 转人工率 -40%
营销 Agent 客户画像+行为序列 推送通道/文案库 时机判断 CAC -25%
催收 Agent 还款历史+画像 短信/IVR 话术推荐 首逾回收 +12%

3.金融 Agent 的 5 大设计陷阱：循环调用、工具冲突、上下文溢出、推理发散、审计缺失

11:00-12:00 模块二：金融 AI 方案标准化设计 SOP 方法论（60min）
学习目标：
掌握"AI 方案 5 段式 SOP"
把小组课题套到 SOP 上，输出设计 v1.0
内容要点：
1.AI 方案 5 段式 SOP：

2.金融方案的特殊要求：
合规审查（数据出境、模型可解释性）
公平性检测（避免算法歧视）
人机协同（关键决策必须人审）

14:00-16:00 模块三：业务流程 AI 化建模 + 方案压力测试（120min）
学习目标：
学会画"业务流程 AI 化改造图"
掌握 4 种压力测试方法
内容要点：
1.业务流程 AI 化改造图（泳道图变种）：
横轴：业务环节
纵轴：人 / AI / 人机协同
每个环节标注：输入、输出、AI 能力、置信度
2.4 种压力测试：
边界测试：输入异常数据会怎样？
对抗测试：恶意输入会怎样？（金融特别重要）
容量测试：流量峰值能扛住吗？
公平性测试：不同人群结果一致吗？
3.金融必测清单：种族/性别/地域/年龄公平性

16:00-17:00 模块四：共性问题沉淀（60min）
学习目标：
讲师沉淀 DAY 3 共性问题，铺垫 DAY 4 落地
内容要点：
1.讲师分享汇报结构：SOP 套用结果 → 业务流程图 → 压力测试发现
2.讲师点评 3 个高频问题：场景抽象不到位、合规设计缺失、指标不可衡量
3.预告 DAY 4：方案工程化与 ROI 测算
DAY 4：推 - 方案工程化与业务收益评估 当天核心问题：方案怎么从"设计稿"变成"能拿到资源的可执行计划"？当堂产出：AI 创新课题解决方案终稿 + 路演答辩（小组）
09:00-09:30 开场：方案过不了评审的 3 大死法（30min）
学习目标：
用真实案例展示方案被毙的常见原因
引出 DAY 4 主题：工程化 + ROI 双轮驱动
内容要点：
1.死法 1：工程不可行（团队人手/数据准备/系统对接）
2.死法 2：ROI 算不清（投入 vs 产出没量化）
3.死法 3：合规红线（如反诈模型黑箱、个人信息过度采集）

09:30-11:00 模块一：AI Agent 任务编排与工程化闭环设计（90min）
学习目标：
掌握"Agent 工程化闭环设计 7 步法"
基于workbuddy，把小组课题落地到工程实施计划
内容要点：
1.Agent 工程化 7 步法：

2.金融工程的 3 大红线：
数据不出域
决策可解释（每个 AI 输出都有审计 trail）
人工兜底（关键决策必须人工 confirm）
3.工程化周期估算：MVP 4 周 → 试点 8 周 → 推广 12 周（结合真实业务情况调整）

11:00-12:00 模块二：金融 AI 项目 ROI 量化体系与收益测算实操（60min）
学习目标：
掌握"AI 项目 ROI 测算三张表"
把小组课题的 ROI 算清楚
内容要点：
1.ROI 测算三张表：
表 1：成本表——模型 API/数据标注/工程人力/合规审计/培训/运维
表 2：收益表——人力节省/效率提升/风险降低/客户体验/业务增量
表 3：风险表——技术风险/合规风险/业务风险/声誉风险
2.金融 ROI 计算公式：

3.真实测算演练：给一个标杆金融 AI 案例，学员分组算 ROI

14:00-15:30 模块三：量化反推方案迭代 + 终稿打磨（90min）
学习目标：
用 ROI 反推方案是否值得做
终稿打磨：结构 + 数据 + 路演话术
内容要点：
1.ROI 反推决策法：
ROI < 50% → 砍方案或重设计
50% ≤ ROI < 150% → 优化路径，重算
ROI ≥ 150% → 立项推荐
2.终稿 8 大必含模块：
业务背景与痛点（数据化）
AI 解法（Agent 公式 + 业务流程图）
工程化路径（7 步法 + 周期）
ROI 测算（三张表）
合规自查（金融 8 项必查）
风险预案（3 大风险 + 兜底方案）
团队与分工（业务+技术+合规）
里程碑（4 个关键节点）
3.路演话术模板：30 秒 hook → 痛点数据 → 解法亮点 → ROI → 团队

15:30-17:00 模块四：终稿路演 + 评审答辩（90min）
学习目标：
每组 8 分钟路演 + 5 分钟答辩
评委+学员打分，评出 TOP 3 课题
内容要点：
1.评委组成：待定
2.评分维度：业务价值(30%)+ 技术可行(25%)+ ROI 合理(20%)+ 路演表达(15%)+ 合规完备(10%)
3.分组轮流路演答辩 + 评委打分 + TOP 3 颁奖
DAY 2：论 - AI 前沿趋势与金融行业洞察
当天核心问题：AI 到底发展到哪一步？金融行业有哪些可借鉴的落地路径？当堂产出：小组课题名单 + AI 创新课题开题报告
09:00-09:10 开场（10min）
学习目标：
让学员说出"哎我也是这样"——金融行业面临的 AI 转型焦虑
建立"AI 不是替代你，而是替代不会用 AI 的你"的认知
内容要点：
1.金融行业 3 大现实压力：获客成本攀升 / 风控边际效益递减 / 用户体验同质化
2.学员破冰：提出"我最希望 AI 帮我解决的一个金融痛点"

09:10-10:30 模块一：论 AI 前沿趋势（80min）
学习目标：
建立 AI 八次觉醒演进史的全景认知
理解 2024-2026 年 AI 能力 L1-L4 分级，知道我们站在哪里
内容要点：
1.AI 八次觉醒：规则→统计学习→深度学习→Transformer→大模型→Agent→Multi-Agent→AGI 探索
2.AI 能力 L1-L4 分级：
L1 对话生成（写邮件/总结）
L2 流程编排（多步骤任务）
L3 Agent 自治（工具调用+决策）
L4 Multi-Agent 协同（角色分工+协作）
3.关键技术拐点：国内外大模型（豆包/DeepSeek/Kimi）的差距与机会
4.金融行业 AI 落地全景图：信贷/风控/营销/客服/运营 5 大场景成熟度

10:30-12:00 模块二：行业应用案例拆解（90min）
学习目标：
看懂 5 个标杆案例的"业务-数据-AI"闭环
提炼出"金融AI方案的标准结构"
内容要点（银行金融标杆案例脱敏，如招商、建行、平安等，具体案例上课可调整）：
案例 场景 AI 能力
某家 AI 智能风控 信贷审批 多模态生物识别 + Agent 反欺诈
某家AI 客服 贷后客服 LLM + 知识库 + 工单自动化
某家 AI 营销 精准获客 多 Agent 协同 + 千人千面
某家AI 尽调 小微尽调 OCR + LLM + 报告生成
某家 AI 催收 智能催收 情绪识别 + 话术生成


14:00-15:30 模块三：金融业务 AI 创新机会点探讨（90min）
学习目标：
用"四象限法"识别金融 AI 创新机会
锁定本小组课题方向
内容要点：
1.机会点四象限：
高频低风险（如客服问答、营销文案）→ 优先落地
高频高风险（如信贷审批）→ 谨慎+人机协同
低频低价值（如内部通知）→ 不值得做
低频高价值（如欺诈识别）→ 必须做，但需深度方案
2.金融 AI 价值池：从获客、运营、风控、客服、贷后 5 个环节梳理 20+ 候选场景
3.课题选题原则：业务价值大、数据可获取、技术可实现、有衡量指标

15:30-17:00 模块四：开题报告撰写与点评（90min）
学习目标：
用统一模板完成开题报告
跨组点评，互相启发
内容要点：
1.开题报告模板（见配套模板）：
课题名称（动词法命名，如"智能反欺诈尽调助手"）
业务背景（为什么做，多大的事）
现状数据（量化痛点）
初步方案设想（一句话）
预期价值（北极星指标 + 2-3 个 KR）
DAY 2：找 - 金融高价值场景识别与设计
当天核心问题：怎么从日常痛点中找到 AI 真正能落地的赋能点？当堂产出：AI 应用提效工具包（个人）+ AI 创新课题解构思（小组）
09:00-09:30 开场：昨天的方案，今天来验证（30min）
学习目标：
用"昨天方案，今天如何演进"的视角回顾开题报告
引出"痛点挖掘不深，方案就是空中楼阁"
内容要点：
1.选 2 个开题报告点评（讲师分享点评）
2.引出 DAY 2 主题：痛点→场景→方案的反向设计

09:30-11:00 模块一：找 - 痛点三层挖掘法（90min）
学习目标：
掌握"三层挖掘法"——从表象痛点挖到根因
用该方法重做昨天课题的痛点分析
内容要点：
1.第一层：What（表象痛点）
客户投诉最多的问题
员工最常抱怨的事
数据报表中异常波动的环节
2.第二层：Why（根因分析）
5 Why 追问法
业务流程断点图
数据链路堵点定位
3.第三层：How（AI 切入点）
这个环节能否被 AI 自动化？
需要什么数据？
容错空间多大？
4.高熵环节识别：信息密度高、规则模糊、需要判断的环节 = AI 的核心点

11:00-12:00 模块二：解 - AI 解决方案落地方法论（60min）
学习目标：
掌握"业务-AI"映射的 4 种典型模式
为每个痛点找到 1-2 个 AI 解法候选
内容要点：
1.模式 A：内容生成型（LLM 直接输出）
适用：报告生成、文案、合同摘要
案例：尽调报告自动生成
2.模式 B：流程编排型（LLM + 工具）
适用：跨系统数据流转
案例：智能工单分发
3.模式 C：Agent 决策型（LLM + 推理 + 工具）
适用：复杂决策场景
案例：信贷风控决策
4.模式 D：Multi-Agent 协同型（多角色 Agent 协作）
适用：跨职能复杂任务
案例：贷前-贷中-贷后全流程

14:00-15:30 模块三：业务场景 AI 化设计框架（90min）
学习目标：
掌握"业务场景 AI 化设计的 5 步法"
输出场景设计的 v1.0 草图
内容要点：
1.Step 1：场景切片（5min）—— 把大场景切成 5-10 个可执行子任务
2.Step 2：人机分工（15min）—— 哪些由 AI 做，哪些必须人审
3.Step 3：输入输出定义（20min）—— AI 需要什么输入，输出什么结构
4.Step 4：异常处理（20min）—— AI 错了怎么办？兜底方案是什么
5.Step 5：可衡量指标（30min）—— 准确率、采纳率、改写率、人效提升

15:30-17:00 模块四：解构思汇报与互评（90min）
学习目标：
讲师拆解
跨组互评+讲师点评，沉淀共性问题
内容要点：
1.汇报结构：业务痛点 → AI 解法候选 → 场景设计草图 → 初步价值估算
2.讲师聚焦点评 2-3 个共性问题
DAY 3：解 - 金融业务逻辑 AI 化与方案建模
当天核心问题：方案怎么从"构思"变成"可评审的设计稿"？当堂产出：AI 创新课题解决方案建模稿（小组）
09:00-09:30 开场：从构思到设计的鸿沟（30min）
学习目标：
让学员看到"会想不会做"的常见坑
引出 DAY 3 核心：方案设计的 SOP 化
基于workbuddy构建基础agent
内容要点：
1.展示 3 个常见反例：场景模糊、流程断裂、指标缺失
2.引入"AI 方案设计的黄金三角"：业务价值 × 技术可行 × 风险可控

09:30-11:00 模块一：金融标杆 AI Agent 公式深度拆解（90min）
学习目标：
掌握"AI Agent = LLM + 记忆 + 工具 + 规划"四要素
看懂 5 个金融标杆 Agent 的架构图
内容要点：
1.AI Agent 公式：

2.5 个金融标杆 Agent 拆解（与Day 1 的案例配套）：
标杆 Agent 记忆 工具 规划 业务价值（示例）
信贷尽调 Agent 客户档案库 OCR/征信查询 多步骤推理 尽调时效 -70%
反欺诈 Agent 历史欺诈模式库 设备指纹/活体检测 实时规则匹配 欺诈识别率 +30%
智能客服 Agent 知识库+会话历史 工单系统/转人工 多轮对话 转人工率 -40%
营销 Agent 客户画像+行为序列 推送通道/文案库 时机判断 CAC -25%
催收 Agent 还款历史+画像 短信/IVR 话术推荐 首逾回收 +12%

3.金融 Agent 的 5 大设计陷阱：循环调用、工具冲突、上下文溢出、推理发散、审计缺失

11:00-12:00 模块二：金融 AI 方案标准化设计 SOP 方法论（60min）
学习目标：
掌握"AI 方案 5 段式 SOP"
把小组课题套到 SOP 上，输出设计 v1.0
内容要点：
1.AI 方案 5 段式 SOP：

2.金融方案的特殊要求：
合规审查（数据出境、模型可解释性）
公平性检测（避免算法歧视）
人机协同（关键决策必须人审）

14:00-16:00 模块三：业务流程 AI 化建模 + 方案压力测试（120min）
学习目标：
学会画"业务流程 AI 化改造图"
掌握 4 种压力测试方法
内容要点：
1.业务流程 AI 化改造图（泳道图变种）：
横轴：业务环节
纵轴：人 / AI / 人机协同
每个环节标注：输入、输出、AI 能力、置信度
2.4 种压力测试：
边界测试：输入异常数据会怎样？
对抗测试：恶意输入会怎样？（金融特别重要）
容量测试：流量峰值能扛住吗？
公平性测试：不同人群结果一致吗？
3.金融必测清单：种族/性别/地域/年龄公平性

16:00-17:00 模块四：共性问题沉淀（60min）
学习目标：
讲师沉淀 DAY 3 共性问题，铺垫 DAY 4 落地
内容要点：
1.讲师分享汇报结构：SOP 套用结果 → 业务流程图 → 压力测试发现
2.讲师点评 3 个高频问题：场景抽象不到位、合规设计缺失、指标不可衡量
3.预告 DAY 4：方案工程化与 ROI 测算
DAY 4：推 - 方案工程化与业务收益评估
当天核心问题：方案怎么从"设计稿"变成"能拿到资源的可执行计划"？当堂产出：AI 创新课题解决方案终稿 + 路演答辩（小组）
09:00-09:30 开场：方案过不了评审的 3 大死法（30min）
学习目标：
用真实案例展示方案被毙的常见原因
引出 DAY 4 主题：工程化 + ROI 双轮驱动
内容要点：
1.死法 1：工程不可行（团队人手/数据准备/系统对接）
2.死法 2：ROI 算不清（投入 vs 产出没量化）
3.死法 3：合规红线（如反诈模型黑箱、个人信息过度采集）

09:30-11:00 模块一：AI Agent 任务编排与工程化闭环设计（90min）
学习目标：
掌握"Agent 工程化闭环设计 7 步法"
基于workbuddy，把小组课题落地到工程实施计划
内容要点：
1.Agent 工程化 7 步法：

2.金融工程的 3 大红线：
数据不出域
决策可解释（每个 AI 输出都有审计 trail）
人工兜底（关键决策必须人工 confirm）
3.工程化周期估算：MVP 4 周 → 试点 8 周 → 推广 12 周（结合真实业务情况调整）

11:00-12:00 模块二：金融 AI 项目 ROI 量化体系与收益测算实操（60min）
学习目标：
掌握"AI 项目 ROI 测算三张表"
把小组课题的 ROI 算清楚
内容要点：
1.ROI 测算三张表：
表 1：成本表——模型 API/数据标注/工程人力/合规审计/培训/运维
表 2：收益表——人力节省/效率提升/风险降低/客户体验/业务增量
表 3：风险表——技术风险/合规风险/业务风险/声誉风险
2.金融 ROI 计算公式：

3.真实测算演练：给一个标杆金融 AI 案例，学员分组算 ROI

14:00-15:30 模块三：量化反推方案迭代 + 终稿打磨（90min）
学习目标：
用 ROI 反推方案是否值得做
终稿打磨：结构 + 数据 + 路演话术
内容要点：
1.ROI 反推决策法：
ROI < 50% → 砍方案或重设计
50% ≤ ROI < 150% → 优化路径，重算
ROI ≥ 150% → 立项推荐
2.终稿 8 大必含模块：
业务背景与痛点（数据化）
AI 解法（Agent 公式 + 业务流程图）
工程化路径（7 步法 + 周期）
ROI 测算（三张表）
合规自查（金融 8 项必查）
风险预案（3 大风险 + 兜底方案）
团队与分工（业务+技术+合规）
里程碑（4 个关键节点）
3.路演话术模板：30 秒 hook → 痛点数据 → 解法亮点 → ROI → 团队

15:30-17:00 模块四：终稿路演 + 评审答辩（90min）
学习目标：
每组 8 分钟路演 + 5 分钟答辩
评委+学员打分，评出 TOP 3 课题
内容要点：
1.评委组成：待定
2.评分维度：业务价值(30%)+ 技术可行(25%)+ ROI 合理(20%)+ 路演表达(15%)+ 合规完备(10%)
3.分组轮流路演答辩 + 评委打分 + TOP 3 颁奖

课程费用

5800.00 /人

课程时长

4天

预约体验票 我要分享

近期公开课推荐

近期公开课推荐

提交需求