豆包工作台首批覆盖金融场景。金融的活特点是口径严、留痕重、错误代价高,用法和其他行业不一样。
金融场景最适合交给它做什么?
三件事。资料整理、初稿撰写、数据核对。
三件都是辅助性工作,不涉及最终决策。
不适合做什么?
三件。投资建议、合规结论、对外披露。
三件都要持牌或授权,AI 不能替代。
工作台该怎么配?
四个要素。模板、口径库、校验规则、留痕。
第二项最关键,金融的口径一旦错,全套材料都要重做。
口径库怎么建?
把常用定义、计算公式、披露要求整理成文档,挂到工作台。
每次生成都引用,不靠模型记忆。
数据核对怎么做?
三步。导入原始数据、生成对照表、标出差异项。
差异项要人工确认,不能让模型自己判断哪个对。
留痕要做到什么程度?
至少三样。用了哪些材料、生成了什么、谁审核的。
缺一样,审计就过不去。
常见误用有哪些?
三个。一是让它直接给结论,二是用未审核的数据生成报告,三是把生成稿直接对外发。
三个都可能引发合规问题。
效率提升大概多少?
资料整理和初稿环节能省一半以上时间。核对环节省得少,因为要人确认。
所以预期要按环节定,不能笼统说提效。
一句话判断?
金融场景用 AI 的原则是:它能写,不能判。判断权和责任留在人身上。
把口径和留痕做好,才敢用。
金融场景要不要双人复核?
要。涉及金额、口径和对外披露的材料,必须两人以上复核,流程是模型生成、人复核、再签发。
单人复核的风险在于惯性:看得多了就会跳读。双人交叉看,能挡住大部分低级错误。
同簇还有哪几篇值得一起看?
想就这个话题接着到论坛聊吗?
前往 ziyuanagi.com 论坛 参与讨论