进入2025年，随着人工智能技术的飞速发展，以DeepSeek为代表的国产大模型技术正以前所未有的速度渗透到各行各业，融资租赁领域也不例外。公开报道显示，国内多家融资租赁公司、金融租赁公司宣布完成DeepSeek的引入，旨在推动客户服务、风险控制、运营管理等环节全面升级。DeepSeek作为一款极具潜力的大语言模型，可凭借其独特的优势广泛应用于金融行业多个业务场景，为租赁公司数字化转型注入新动力。
一、大模型的基本工作原理及DeepSeek的核心优势
大模型的全称是大规模预训练模型，是指参数规模超过十亿级别的“预训练深度神经网络模型”，基于“大数据+大算力+大算法参数网络结构”进行训练，通过海量数据预训练的通用模型，不局限于语言，可覆盖图像、语音、多模态等。现阶段大热的DeepSeek、GPT-4等属于大语言模型（LLM），是专门针对自然语言任务设计的大模型，核心能力是理解和生成文本，是“大规模预训练模型”的子集。大语言模型的基本原理是通过Transformer架构处理文本数据，利用GPT等预训练方法学习语言知识，并将文本映射到语义空间中，以实现复杂的自然语言处理任务。
DeepSeek相较GPT的核心优势在于核心能力突破、开源、超低成本、国产化四个方面，其中在算力、算法、数据人工智能三要素都实现了核心能力突破，创新性地融合了混合专家（MoE）架构与多头潜在注意力机制（MLA），实现了模型算法和工程优化的系统级协同创新。相比于OpenAI的闭源策略，DeepSeek全量开源训练代码、数据清洗工具及微调框架，开发者可以快速构建教育、金融、医疗等垂直领域应用，促进技术传播与应用。其训练成本不到GPT-4o的5%，推理成本是OpenAI-o1的3%。API定价为行业平均价格的1/10，千亿参数模型适配中小企业需求，加速了商业化落地。国产化方面将国产模型与美国的差距从3-5年缩短至3-5个月，全面支持国内产业智能化升级。
二、DeepSeek等大模型在金融行业的应用
银行业数字化转型基础良好，且资金、数据、人才等密集度相对较高，具有大模型应用的先天优势。目前银行业已经从最开始的观望态度逐渐过渡到将大模型技术作为未来的重点方向持续加持，成为大模型落地占比最高的行业。场景应用阶段银行已从单场景探索阶段逐步深入至业务环节，在辅助员工提高作业效率的场景如员工办公助手、编码助手、智能客服、知识助手，大模型已经产生明显的业务价值，尤其在降本增效方面。目前正从非决策类场景逐步深入至决策类场景探索，将大模型能力嵌入银行前中后台业务链条，形成覆盖客户服务、风险管理、运营支持的全场景应用矩阵。
(一）前台场景
智能客服：给客服、坐席提供知识问答、通话总结、工单分类、话术生成多种助手，给客户提供AI问答。例如邮储银行通过集成DeepSeek—V3模型和轻量级的DeepSeek—R1推理模型，优化了“小邮助手”的语义理解和逻辑推理能力，提升了远程银行服务的效率和客户体验。重庆银行利用DeepSeek大模型对智能客服知识库进行深度解析，实现了更精准的语义理解、逻辑推理和多轮对话能力。
智能营销：基于客户画像生成定制化产品推荐话术、广告文案或营销报告，助力营销人员展业。例如浦发银行通过DeepSeek识别客户潜在需求，结合内外部数据开展精准营销。建设银行利用DeepSeek提升文生图功能，优化营销内容。
财富管理：生成动态资产配置方案，自动生成市场解读报告和投资建议。例如重庆农商行与腾讯云合作上线“AI小渝”，提供实时财富管理建议。
数字员工：在官方APP和智能柜台机，推出数字员工替代传统交互，提供知识问答服务。例如交行于2023世界人工智能大会上展示数字员工“娇娇”，其基于通用大模型技术驱动。平安银行虚拟数字人产品通过大模型等技术，提升功能效果。上海银行升级AI数字员工，通过大模型训练，提升服务体验。
(二）中台场景
风险评估：基于多模态数据自动生成信贷风险分析报告、反洗钱监测报告及合规审查摘要。例如苏商银行将DeepSeek应用于信贷材料识别、尽调报告生成等场景，提升了信贷风控效率和欺诈风险识别能力。
智能质检：在质检环节嵌入智能质检模型，对各类文本、录音、视频进行合规质检，查找违规点。例如江苏银行部署了DeepSeek—VL2多模态模型和DeepSeek—R1推理模型，应用于智能合同质检和自动化估值对账场景，大幅提高了业务处理效率和准确性。
智能反诈：基于反洗钱反欺诈规则执行预警任务，辅助审查岗位反诈确认。例如苏商银行利用DeepSeek的蒸馏技术优化信贷风控模型，欺诈风险标签准确率提升35%。
(三）后台场景
智能办公：在会议、招聘面试和公文写作等场景，推出会议纪要生成、题库生成和制式文档生成等智能助手。例如中国银行推出“灵犀”智能员工助手，深度挖掘行内知识，以智能化手段辅助员工办公，加速推动银行工作流程的智能化升级。
智能研发：根据需求描述自动生成基础代码，进行代码扫描，生成系统运维日志分析和故障排查建议。例如平安银行依托多语言代码生成大模型，基于行内数据微调，打造更契合银行的代码生成Copilot，持续提升全行开发人员效率。
智能培训：自动生成培训材料、考试题库及岗位操作手册，支持模拟业务场景问答。例如福建农信推出基于DeepSeekR1大模型的智能助手，该助手集知识问答、报告撰写、文档处理、考试出题等功能于一体，加速推进数字化办公进程。
三、推动DeepSeek等大模型应用落地方案的设计思路与路径
应用场景是面向用户的重要环节，因此落地方案的核心思路需要围绕着业务场景进行。在深入理解大模型技术基本原理和行业最佳实践的基础上，深入理解业务场景并进行需求匹配分析，最后务实选择大模型自主引入或合作伙伴共建。应用往往都是循序渐进的过程，一般是逐渐从内部辅助运营到外部对客提效、从业务边缘到核心，相应地大模型对金融机构的价值也逐渐增大。
鉴于大模型的复杂性，大模型应用落地方案设计应从业务场景出发，制定符合当前企业的数字化目标，选择适合的路径。无论是购买还是自建，均需紧密围绕实际需求，并在验证中持续迭代优化。参考设计路径可分为以下四个步骤进行：
(一）场景选择
对外需要熟悉金融行业、金融企业的AI大模型应用成熟度现状及AI大模型应用的最佳实践案例，对内需要对本企业的场景进行梳理及成熟度评估。有了场景同时对内需要对企业IT组织及团队能力、IT预算、数据质量现状、IT基础设施等进行考量，并从价值角度对AI大模型投入成本、收益、风险层面进行评估与分析。
(二）目标制定
从企业整体角度需要结合IT战略或数字化建设策略，来制定AI大模型部署的目标，如部署成本最优、部署最快、系统安全稳定、技术领先、系统扩展性好等；以及AI大模型运营的目标，如业务适配度最高、试错成本低等；最后是业务经营的目标，如商业化最快、行业标杆示范意义、提升市场竞争力、提升客户满意度、改善财务指标等。
(三）路径选择
结合场景选择及目标制定，根据IT组织及团队能力、IT预算等维度选择大模型落地路径，通常分为四种方式：
1、调用API接口：通过调用基础大模型的API来构建自己的应用，由于基础大模型缺乏金融行业知识，当前在租赁业场景下发挥的作用有限,但DeepSeek等推理模型的发布将推动这—建设方式的应用，使大模型应用更加平民化；
2、微调大模型：引入外部优秀的基础大模型，在此基础上利用数据二次训练得到行业大模型，对于有较多定制化需求的可结合企业私域数据训练企业专属大模型，或者面向特定任务微调训练专业领域的任务大模型。考虑到金融行业对数据隐私安全的挑战，大多租赁公司选择私有化部署方案；
3、RAG扩展大模型：通过外挂知识库的方式将企业自有知识补充到大模型中，并将检索添加到提示中来增强提示词，提高特定任务领域大模型的响应质量；
4、嵌入大模型应用产品：直接从当前系统供应商引入嵌入了大模型的智能产品。
(四）方案制定
总结制定大模型应用落地方案，含实施目标、目标场景、实施路径、成本与工期、经济效益分析等内容。方案制定应综合考虑应用产出和投入性价比，技术实力薄弱的租赁公司可选择按需引入应用层的智能应用解决方案，直接满足业务诉求；技术实力较强的租赁公司可选择在某些场景结合场景数据和模型微调工具开发任务大模型。
四、DeepSeek等大模型在融资租赁领域业务场景探索及流程再造
目前融资租赁行业内对于大模型应用的业务场景整体仍在探索阶段，大部分已引入DeepSeek大模型的租赁公司更多为IT部门试点关于企业内部知识库的大模型应用。从业务角度的场景应用并未全面展开，需要结合金融行业大模型成熟实践案例以及联合相关业务部门和IT部门的协同努力，利用业务场景的挖掘方法推动大模型应用在企业内的逐步落地。
(一）业务场景挖掘方法
业务场景挖掘方法以业务部门、IT部门协同为主导，基于租赁业务价值链的用户旅程为核心，通过技术学习、场景识别、双维评审与流程重构的手段进行业务场景的挖掘，可分为四个阶段：
1、业务、IT双向起步。主要内容为大模型能力学习与需求引导，解决双方对于大模型及需求两层面的认知对齐问题。一是业务部门需系统学习大模型技术原理与应用边界，结合金融行业场景案例理解其赋能逻辑。二是通过组织业务与技术部门研讨会，培养业务人员从“需求提出者”向“场景设计师”转型，避免技术能力与业务需求的认知断层。
2、业务、IT双向设计。主要内容为梳理用户旅程识别业务场景，首先基于“频率+价值”的四象限法则，优先筛选人力密集、操作复杂的业务场景，逐层拆解用户旅程。其次从租赁业务价值链角度，可利用流程五级建模方法，将租前、租中、租后拆解至四级流程，并形成用户旅程地图。最后识别旅程痛点，通过用户研究识别用户旅程痛点环节，运用大模型在金融业的应用原理及场景案例，匹配痛点与大模型金融能力推导出目标业务场景。
3、业务、IT双向评审。主要内容为价值与技术可行性双评审。业务部门通过降本、增效、控风险、优体验四个维度量化商业价值，对技术或商业价值评审不达标的大模型能力在用户旅程中进行挂起标记，暂不列入引入或开发计划。IT部门依据算力需求、时延容忍度等关键指标，全面评估场景的技术可行性。
4、业务、IT双向迭代。主要内容为流程重构与敏捷迭代，以大模型能力为应用导向，引入成熟大模型产品或进行大模型训练及微调，借助MVP（最小可行产品）快速验证实施效果，并经过持续的优化迭代，迭代过程中不断优化业务流程，最终实现用户旅程的全流程智能化重构。
(二）业务场景应用建议
由于金融行业大模型应用整体仍在探索阶段，建议短期内从非决策场景入手，优选容错度高且低风险的场景试点，从作业到管理，逐步深入。可从知识、文档、任务、数据、营销、风控六个垂类大模型应用为辅助赋能的角色，进行场景设计，实现初步的人机协作。
1、知识助手。通过内部业务相关制度文档、外部监管文件、系统用户手册、功能菜单信息、在线帮助问题及标准答复案例、软件需求设计说明书等专业领域数据作为语料输入进行大模型训练及微调，构建内部制度问答、系统操作问答等场景的知识助手。
2、文档助手。通过内部业务相关制度文档，外部监管文件、存量报告数据如存量尽职调查报告、审查报告、租后检查报告等专业领域数据作为语料输入进行大模型训练及微调，构建进件与尽调资料解析、尽调报告生成、审查报告生成、租后检查报告生成等场景的文档助手，辅助文档编写。
3、任务助手。通过内部业务相关制度文档，外部监管文件、存量案例数据如存量尽职调查报告、审查报告、审批信息案例、存量客户信息及业务案例数据作为语料输入进行大模型训练及微调，构建融资方案推荐等场景的任务助手，辅助业务作业。
4、数据助手。通过构建内部数据仓库及良好的数据治理，结合大模型的智能数据分析工具(例如 ChatBl)可以让用户通过自然语言的方式驱动数据分析，进一步降低数据分析的门槛。业务人员通过对话的方式就能提取数据，实现零SQL获取业务数据，可将精力聚焦于价值更高的经营分析场景，提升数据驱动经营管理的有效性。
5、营销助手。通过外部采购的第三方数据如企业工商信息、产业链数据等，自动采集的外部数据如政府、企业、资讯平台等的公开数据，结合内部业务交易等数据，通过AI大模型对这些海量数据进行关联学习，构建详细的客户关系网络图谱和客户产业图谱，识别出客户的需求、风险等特征，从而发现具有潜在价值的商机。
6、风控助手。通过内部业务相关制度文档，外部监管文件、存量案例数据如行业分析报告与风险案例汇编、风险管理案例合集、合规部风险事件责任认定案例数据、存量处置预案数据实时信息、互联网舆情等数据作为语料输入进行大模型训练及微调，构建客户准入辅助决策、合同校验、客户舆情精准分析、风险化解建议生成等场景的风控助手，辅助识别风险。
(三）业务流程再造
通过AI对部分业务场景实现的数字化、智能化，基于局部应用的效果和经验，可以开展从流程角度的全场景盘点，按流程架构规划梳理整体作业流程而不仅是审批流程。只要有管理和决策的地方都是数字化可以渗透的地方，所有的业务场景和业务流程都可以用数字化的方式重构一遍。以前，业务流程的数字化往往体现在单一任务上的数字化，但连接不同活动的流程仍需要人的主要参与。在大模型的帮助下，未来人们可以利用自然语言，将长线的目标任务拆解思路教给有推理能力的机器，然后由机器协同人一起来完成一个完整业务问题的全流程数字化，使得业务流程数字化从“任务数字化”进阶到“流程智能化”，实现从“人脑决策”到“人机协同”。
以租赁公司To B的尽职调查环节为例，其环节不仅是尽调报告撰写，从作业角度包含尽调计划制定、访谈清单准备、实地尽调的尽调访谈、搜集资料、数据分析，最后才是撰写尽调报告及风控复核报告。整个过程下来存在业务侧尽调用时较长、审批侧缺乏智能工具支撑、管理侧不同业务种类尽调模版较多等业务痛点。通过多源数据整合及大模型分析生成，推动尽调报告、合规审查、项目评估的智能生成，大幅减少客户经理的重复录入、数据梳理与分析、内容撰写等工作内容，形成报告内容智能生成、辅助审批、智能决策三大能力目标，以点到线，逐步通过AI大模型能力进行业务流程再造，实现流程的线上化、自动化和智能化。
五、推动大模型应用落地的难点及建议
虽然大模型在融资租赁行业的应用场景丰富，但当前阶段要推动大模型应用快速落地仍面临一些难题，并且大模型并非万能，需要正视目前存在的一系列问题。
(一）数字化程度及投入不足
大部分融资租赁公司仍处于信息化阶段，存在不是“一把手工程”，也没有科学的IT顶层规划设计、业务流程未全部线上化、业务部门对数字化认识不足等问题，需要从IT架构、治理体系化建设等角度补齐信息化短板。若选择私有化部署大模型，尽管DeepSeek配置是开源性的，成本相对较低，但对于租赁公司也是一笔不小的短期财务支出，长期也需持续的运维成本，租赁公司需要从自身规模等角度加大IT资金投入，同时也需量力而行。
(二）数据治理仍待加强
融资租赁公司数据来源广泛且格式多样，存在数据缺失、错误和重复等问题，若选择私有化部署数据质量不高会影响DeepSeek模型训练效果，这对数据治理工作提出了挑战。租赁公司应建立统一的数据标准和规范，对数据进行清洗、去重和补全处理，利用数据质量管理工具，定期对数据质量进行评估和监控，确保输入到DeepSeek中的数据准确、完整。同时，明确各部门数据管理职责，提高员工数据质量意识。
(三）大模型生成结果不准确
AI 幻觉是目前大模型存在的主要问题，体现在大模型在回答问题时，可能出现相关性、上下文语境一致性以及内容真实性方面的错误，如答非所问、前后矛盾、肆意杜撰等现象。在强监管的金融行业，服务需满足合规要求，服务对象难以容忍生成内容的错误或谬误。因此还需人工审核为主，大模型结果为辅。相信随着基础模型能力的提高，加上金融垂域训练效率和效果的提升，会有逐步的改善。
(四）人才结构性缺口
在应用大模型的过程中，租赁公司发展和应用大模型技术需要具备跨学科知识的复合型人才。这类人才不仅需要具备一定的技术背景，还需要深入理解租赁业务场景，成为技术与业务之间的重要桥梁。然而，目前行业内信息化人才短缺，面向大模型技术的复合型人才更为短缺，导致需求挖掘、产品设计与项目推动困难重重。当前大模型技术不断迭代，其需要既懂业务、又懂技术的专家进行持续的、有体系的大模型建设路径规划与落地，否则容易重走信息化点状建设的老路。租赁公司应根据公司规模现状、数字化目标来制定数字化人才引入及内部培养机制，通过线上学习平台和线下研讨会相结合的方式，为员工提供多样化的学习途径，加速人才成长。
六、结语
当前AI大模型的火热，并非代表AI大模型已经代替了数字化转型，数字化转型是利用数字化技术来实现企业的转型、创新、增长，而AI大模型仅是数字化技术中的一种。从企业视角，要认识到大模型并非万能，受制于模型黑盒、计算复杂度高、推理结果不可预知等因素，存在答非所问、应用成本高、科技伦理风险等方面的问题，租赁公司需要充分关注其带来的应用风险，以及需认识到从业务场景及需求出发，优先解决痛点，避免技术驱动的“为AI而AI”。从个人视角，租赁公司从业人员在正式使用AI大模型时，还应结合自己扎实的专业基础和丰富的实践经验，对AI大模型提供的信息进行批判性思考和理性分析。在这个AI大模型与各行业深度融合的时代，我们需要拥抱变革，更要理性前行。