事件/论文/产品概述

OpenAI News 介绍了巴西金融机构 Itaú 构建生成式 AI 的实践。Itaú 正在推进其“AI First”战略，面向客户和员工同时落地 AI 能力，而巴西又是监管较为严格的行业环境之一。

文章聚焦两个核心产品与平台：

  • ia.i：一个对话式交互界面，支持文本或语音激活，把活期账户、信贷、信用卡、保险等服务的交互集中到一个环境中，并在需要时连接人工专家支持。
  • IARA：一个治理与编排平台，让 Itaú 各团队按照内部政策受控访问不同模型。OpenAI 是 IARA 环境中可用的模型提供方之一。

关键数据包括：

  • ia.i 第一阶段覆盖约 300,000 名客户。
  • Itaú 的目标是到 2026 年底覆盖 100% 的客户群。
  • 法律部门的解决方案运行在 90M+ 文档仓库上。
  • 该法律解决方案每月执行超过 200 万项任务，部门流程效率提升 20% 到 80%。
  • Customer DNA 为约 7000 万客户提供金融上下文，GPT-5.x 模型是其组成部分之一。

关键技术点

1. ia.i：从便利性走向金融建议

Itaú 的旅程始于 2024 年，当时银行推出了面向特定金融需求的 Inteligência Itaú 能力。ia.i 是下一阶段：一个完整的对话层，支持文本与语音，覆盖账户、信贷、卡片、保险等服务，并能连接专门的人工支持。

ia.i 建立在三个原则上：

  • 交互性；
  • 多模态：文本、语音、图像和点击在同一种体验中完成；
  • 个性化。

该体验的核心是 Customer DNA，一个金融上下文层，帮助银行理解约 7000 万客户的需求、习惯和人生阶段。在治理和负责任 AI 控制下，GPT 模型是帮助维护和丰富这一表示的组件之一。

Itaú CTO Carlos Eduardo Mazzei 表示，OpenAI 的模型在交付这一体验中很重要，因为它们能够覆盖从成本与延迟敏感的最简单场景，到需要推理和必要 grounding 的复杂场景。

2. IARA：让规模化成为可能的治理与编排层

IARA 是 Itaú 在可见体验背后的架构决策。为了在银行规模上运营 AI，Itaú 构建了 IARA，使团队能够按照内部政策受控访问不同模型。OpenAI 是其中可用的模型提供方之一。

IARA 同时解决三个问题：

  • 按 token 的成本控制；
  • 回答准确性；
  • 负责任 AI 政策的执行。

在高度受监管的行业中，这使 Itaú 能够在保持控制的同时快速推进。IARA 还提供可观测性，并支持负责任 AI 原则贯穿解决方案全生命周期，从开发到持续监控，目标是确保安全性、透明度、伦理和监管合规。

3. 法律部门的大规模文档处理

IARA 支持了法律部门的解决方案。该方案自动化文档阅读、分析和解释，运行在超过 9000 万份文档的仓库上，每月执行超过 200 万项任务，并在部门流程的某些阶段取得 20% 到 80% 的效率提升。

Mazzei 提到，信息必须被保留、留在银行上下文中，并以安全、受治理的方式访问模型，同时理解 token 使用效率，使整个方案在经济上可行。

4. 内部也执行 AI First

Itaú 的 AI First 战略不只面向终端客户。支持 ia.i 的同一智能层也辅助专家、经理和客户服务团队。

应用范围从自动化简单任务，到执行过去不可行的工作，例如会议前摘要、会议准备、理解特定问题，以及制定过去不那么明显且耗时的计划和替代方案。

Itaú 对此的期望包括：

  • 用于客户关系的时间增加 3 倍；
  • 服务速度提升最高 2 倍；
  • 对话有效性提升最高 3 倍。

对数据科学或 AI Agent 落地的意义

这篇案例对数据科学和 AI Agent 落地有几个直接启示。

第一，企业级 AI 不是单一模型问题，而是模型组合问题。原文明确提到，拥有多种模型而不是单一模型，使 Itaú 能够在一个产品中交付完整解决方案，同时覆盖成本、延迟敏感场景和需要更深推理的场景。对数据科学团队而言，这意味着模型路由、能力分层和成本-质量权衡会成为核心工程能力。

第二，上下文层是个性化的基础设施。Customer DNA 承载约 7000 万客户的金融上下文，并在治理和负责任 AI 控制下维护与丰富。对 AI Agent 来说，类似“客户 DNA”这样的长期上下文层，可能比单次提示词更能决定体验质量。

第三，治理层要先于规模化建设。IARA 把成本控制、准确性、负责任 AI 和可观测性放在同一个治理与编排平台中。对于金融、医疗、法律等受监管场景，Agent 能否规模化，往往不取决于模型能力上限，而取决于治理、审计、合规和成本控制是否产品化。

第四，人机协同仍是关键路径。ia.i 在需要时连接专门的人工支持，内部工具也服务于客户关系经理。这说明在企业 AI Agent 落地中，Agent 不必完全替代人，而是要把人从低价值工作中释放出来。

第五，偏见与文化对齐是产品需求。原文提到，需要减少前沿模型可能带来的偏见风险，并让回答与银行价值观和文化一致。对 AI Agent 落地来说，这不仅是模型评测问题，也是产品需求、品牌风险和合规要求。

我的技术点评

Itaú 的案例最有价值的地方，不是“用了生成式 AI”，而是把 AI 拆成了三层：前端体验层 ia.i、上下文层 Customer DNA、治理与编排层 IARA。这三层分别对应产品、数据与平台治理，构成了一个比较完整的企业 AI 架构。

其中，“让技术几乎不被注意”的产品理念值得注意。Mazzei 的标准是解决方案必须解决真实日常问题，并且直接、简单、令人记住。技术是手段，不是体验中心。这和很多企业 AI 项目过度强调模型能力、却忽视用户路径的做法形成对比。

另一个关键判断是：先建治理层，再规模化。在高度监管行业，如果没有 token 成本控制、可观测性、负责任 AI 政策执行，AI 很难从试点走向全量客户。IARA 的存在说明 Itaú 把治理当成了基础设施，而不是事后补丁。

需要指出的是，原文未说明 IARA 的具体技术实现、模型路由策略、评估指标细节、延迟与成本数据，也未说明法律解决方案是否采用 RAG、微调或其他具体架构。因此，这篇案例更适合作为企业 AI 平台化落地的方向参考