Itaú 生成式 AI 正在覆盖全行，真正的考验在于治理

Itaú 已将其生成式 AI 战略从定向试点扩展至 30 万名客户，并计划在 2026 年内覆盖全部客户群。Itaú 的生成式 AI 项目如今结合了对话式银行界面 ia.i，以及用于治理模型、数据、成本和风险的内部平台 IARA。

这一组合的重要性超过了聊天机器人本身。Itaú 希望客户能够使用日常语言，而非在账户、信贷、银行卡、保险和投资等不同菜单之间切换。然而，每一次更广泛的对话，都会增加回答不准确、推荐不当、隐私失误或未经授权操作的可能性。

因此，这家银行同时在检验两项承诺。显而易见的承诺是，银行服务可以变得更简单、更个性化。较不显眼的承诺则是，Itaú 能够在高度监管的机构内部对生成式模型保持控制。美国银行的 Erica 和 JPMorganChase 的内部 LLM Suite 提供了有价值的参照点，但 Itaú 正试图通过一套架构，将客户对话、员工工具和受治理的模型访问连接起来。

Itaú 生成式 AI 从试点走向全行界面

这一变化并不只是 Itaú 在其应用中增加了另一位助手，而是正在将对话转变为访问银行服务的一层入口。

Itaú 在自 2024 年起构建更聚焦的人工智能功能后，于 2026 年 7 月公开推出 ia.i。该界面通过 Itaú 应用接受文字或语音请求，旨在识别客户意图，并将请求连接至相关的银行服务能力。

首批发布覆盖约 30 万名客户。Itaú 表示，计划在 9 月前将访问范围扩大至约 300 万人，随后在年底前覆盖全部客户群。该行尚未公开披露这些后续阶段的最终采用率或活跃使用数据。

这一客户推广不仅涵盖提问和账户查找。Itaú 表示，ia.i 能够提供信息、理解指令、辅助决策，并发起受支持的交易。当对话有需要时，它也可以将客户转接至专业人工服务。

这带来了不同于固定式聊天机器人的体验。脚本化助手通常会将问题匹配到预先准备的回答或狭窄的工作流程。生成式界面则能够理解多样化表达、整合上下文，并针对当前情况生成回应。

Itaú 表示，ia.i 在回应时会考虑财务背景、往来历史、目标和人生阶段。这些输入可帮助客户避免在互不相关的菜单中搜索，但也让准确性、数据边界和透明度变得更加重要。

客户询问一笔银行卡付款时，面对的是有限的信息问题。有人询问自己是否负担得起一笔消费时，面对的则是更广泛的判断问题。系统必须确定哪些数据相关、允许使用哪些数据，以及何时需要人工支持。

此次推广此前经历了数项更小规模的部署，包括投资助手、通过 WhatsApp 进行的 Pix 付款、小型企业工具以及支持语音的支付硬件。每个项目都先测试了更受限的任务，之后 Itaú 才尝试建立统一的对话层。

一项较早推出的投资功能于 2025 年从 1 万名客户开始。这种分阶段的方法让 Itaú 能够在面对规模大得多的人群前，测试回答、客户行为和升级处理路径。

这一演进也解释了为何 2026 年的公告具有重要意义。Itaú 不再将生成式 AI 作为孤立实验展示，而是将这项技术纳入客户发现和使用既有金融服务的方式之中。

这种转变形成了本文的核心张力：对话层必须足够开放才有用，同时又必须保持足够约束才能安全运行。界面能够隐藏银行的复杂性，却无法消除每个回答或交易背后的责任。

为什么 ia.i 不只是一次聊天机器人发布

Itaú 正在押注：客户会从意图出发，而不是从产品菜单出发，并让银行判断正确的路径。

传统银行应用会按照机构自身的结构组织服务。客户选择账户、银行卡、支付、贷款、保险或投资。他们必须知道想完成的任务属于哪个类别。

对话式界面颠倒了这一顺序。客户可以先说出目标、问题或疑问，系统随后识别相关产品、信息来源或工作流程。

当请求跨越产品边界时，这一区别听起来虽小，却意义重大。关于为一项消费储蓄的问题，可能涉及现金流、账户余额、银行卡义务和投资持仓。要给出有用的回答，仅有语言生成能力并不够。

Itaú 将这一体验背后的上下文层称为 Customer DNA。根据该行的 AI 部署，该系统为约 7000 万名客户提供财务上下文。OpenAI 模型是 Itaú 受治理环境中使用的模型之一。

这一规模并不意味着每位客户都会获得不受约束的财务顾问。它意味着 Itaú 已构建了一个上下文系统，旨在为庞大客户群中的不同体验提供支持。可用数据和允许执行的操作仍取决于具体使用场景。

Itaú 表示，客户可在同一界面中，在基础便利功能与更专业的指导之间切换。用户可能查询账户信息、执行受支持的指令，或寻求理解投资决策的帮助。

该行还表示，ia.i 会适应客户的语言，并可通过语音或文字沟通。这种灵活性能够减少用户学习精确菜单名称的需求，也可能让难以使用复杂应用导航的人更容易获得数字银行服务。

不过，自然语言带来了按钮所避免的歧义。“帮我付账单”可能指向多项不同义务。“我能花这笔钱吗？”可能是在查询余额、询问预算，或寻求个性化财务建议。

系统必须在不制造虚假信心的前提下消解这种歧义。它需要确认敏感操作、区分信息与建议，并在客户数据不完整时避免暗示确定性。

Itaú 与 Grupo Consumoteca 进行的研究发现，80% 的受访巴西人希望能更好地管理自己的财务生活；研究还发现，65% 的人希望技术能够持续提供财务指导。这些是公司资助的调查结果，并非对 ia.i 采用情况的独立测量。

不过，这项调查仍揭示了 Itaú 希望满足的需求。许多客户并不需要又一份产品清单，而是需要帮助，将自身财务信息与正在尝试作出的决策联系起来。

这正是该助手在战略上重要的原因。掌握对话起点的银行，能够影响客户如何发现服务、理解选项和升级处理问题，也能够收集有关未满足需求的宝贵信号。

这些优势也伴随着相应责任。客户必须了解自己何时在与 AI 互动、推荐是如何生成的，以及何时可以由人工审核结果。便捷的界面不应模糊重大决策的责任归属。

对于知识工作者而言，同样的原则也适用于银行业之外。一个有用的 AI 知识库需要具备权限感知的上下文、可靠的检索能力和清晰的来源边界。仅有流畅的输出并不能建立信任。

IARA 在模型与资金之间建立治理层

IARA 是 Itaú 战略的核心机制，因为它将模型访问与不受控制的模型使用分离开来。

IARA 是 Itaú 面向人工智能的治理与编排平台。编排意味着，该平台能够在模型和支持系统之间路由任务，而不是将每个应用都绑定到单一供应商。

该平台为内部团队提供对多个模型的受控访问。OpenAI 是该环境中可用的供应商之一，而不是嵌入每个工作流程的唯一模型供应商。

这种模型无关的方法为 Itaú 提供了多种选择。成本较低的模型可以处理速度更重要的常规任务；能力更强的推理模型则可以在更高成本和延迟合理的情况下处理复杂请求。

IARA 还让银行能够在这些选择中应用统一政策。Itaú 表示，该平台会监控模型使用、回答准确性、token 消耗以及负责任 AI 要求。Token 是语言模型处理文本时使用的单位。

集中化并不会自动让 AI 系统变得安全。但它可以形成一个统一场所，用于实施访问控制、日志记录、模型评估、成本限制和政策执行。缺少这一层时，每个产品团队都可能构建不同的保障措施和数据实践。

Itaú 的法务部门提供了已披露的最大案例。该行称，其法律 AI 解决方案覆盖逾 9000 万份文件，并且每月完成超过 200 万项任务。公司报告称，不同流程阶段的效率提升介于 20% 至 80%。

这些百分比范围很广，且来自 Itaú 而非独立审计。因此，不应将其视为普遍适用的生产力结论。法律文件阅读也不同于面向客户的财务指导。

但这一案例仍展示了编排为何重要。处理法律档案需要文档权限、检索、模型选择、可追溯性和输出监控；模型生成只是结果的一部分。

Itaú 表示，IARA 将敏感信息保留在银行自身的上下文中，同时控制应用如何访问外部模型。当提示内容可能包含客户、员工、交易或法律信息时，这一边界至关重要。

该平台还支持可观测性，即团队能够在部署后检查系统的行为。在银行业，监控不能在模型通过上线评估后停止。客户语言、欺诈模式、模型行为和底层产品都会发生变化。

模型更新可能改善推理能力，却会改变拒答行为。修订后的产品政策可能使旧回答变得不正确。新的攻击方法可能暴露开发阶段未曾出现的薄弱点。

因此，IARA 需要治理完整的系统生命周期，包括请求前的数据访问、处理期间的路由以及回答后的审查；当某项回答造成伤害或混淆时，也包括事件调查。

这一架构与其他大型银行采取的方向相似。JPMorganChase 推出了 LLM Suite，作为供员工使用的受控生成式 AI 环境。该公司表示，该平台在八个月内已有超过 20 万名用户完成接入。

Itaú 的策略将共享平台理念延伸至客户对话。这是一项更直接的考验，因为客户可能立即根据回答采取行动。员工通常拥有消费者所缺乏的培训、内部文档和审核流程。

采用多个模型也是一项务实的保障措施，但这会带来管理工作。Itaú 必须持续比较模型质量、成本、延迟、隐私条款和行为表现。供应商变更不能在未被察觉的情况下削弱受监管工作流程。

任何治理平台都无法消除每一次失误。它的价值在于让控制措施保持一致、让证据清晰可见，并使干预成为可能。这比依赖模型的表达流畅度或品牌声誉更可信。

竞争压力在于更简洁的银行界面

Itaú 的竞争对手并非只在模型质量上较量。他们竞争的是成为客户表达金融意图的首选入口。

多年来，银行一直将机器学习用于欺诈检测、信贷分析、个性化服务和服务分流。对话式 AI 改变的是呈现层，而不是自动化本身的存在。

Bank of America 提供了最清晰的大规模先例。其虚拟助手 Erica 于 2018 年推出，早于当前这一轮生成式 AI 浪潮。截至 2025 年 8 月，该行表示 Erica 已完成逾 30 亿次客户互动，用户接近 5,000 万。

该行的 Erica 使用数据也展现出成熟助手背后的严谨性。Bank of America 表示，Erica 使用了一个包含逾 700 条回复的受控库，并已获得超过 75,000 次更新。

这种设计优先追求可预测的结果，而非开放式生成。Itaú 正在推进更广泛的生成式界面，但 Erica 的案例说明了持续维护为何至关重要。金融助手会成为一项持续运营的服务，而非已经完成的软件功能。

Nubank 也于 2023 年开始面向受限客户群体测试生成式信贷助手。其初始范围涵盖有关信用额度、担保信贷、NuPay 和个人贷款的问题。这种有限推出反映出立即进入个性化信贷讨论的风险。

这些做法给所有拥有复杂应用程序的零售银行带来了压力。一旦客户能够直接表达意图，以菜单为主的体验就开始显得低效。比较标准将从功能数量转向银行理解并完成请求的速度。

Itaú 的优势在于其可连接的服务范围。账户、银行卡、保险、信贷、支付和投资都可以提供上下文。这种广度能够带来比单一用途助手更有价值的指引。

但这同样可能造成利益冲突。当客户采用另一项产品时，银行可能从中获益。客户需要确信，生成的建议反映的是其利益、资格条件和风险状况，而非未明确标示的销售目标。

因此，该界面必须保留教育、协助、建议和推广之间的区别。这些类别对应不同的预期。在一段友好的对话中将它们合并，可能会让边界变得难以辨别。

生成式 AI 也让技术供应商在银行界面中拥有更大影响力。模型供应商提供语言和推理能力，而银行则贡献数据、工作流程、合规规则和客户关系。

Itaú 的多模型架构降低了对单一供应商的依赖。但这并未消除外部依赖，因为前沿模型、云系统和专用基础设施仍在银行外部持续演进。

因此，战略竞争并非 Itaú 对阵 OpenAI，或一家银行对阵一家模型供应商。竞争的实质是受控的机构上下文与通用模型智能之间的较量。银行必须证明，其数据和治理能够带来更安全、更有用的体验。

如果 ia.i 成功，竞争对手将面临压力，需要将自己的助手整合到各类产品中。一个仅用于支持问题的碎片化聊天机器人，在能够理解目标并完成交易的界面旁将显得能力不足。

如果 ia.i 遇到困难，行业可能会更倾向于采取行动范围经过严格限定的窄领域助手。银行可以继续在内部使用生成式 AI，同时让面向消费者的工具保持更强的确定性。

这一结果并不意味着技术失败。它只表明，高风险的客户对话需要与文档摘要、起草工具或员工搜索不同的平衡。

Itaú 的规模承诺遭遇受监管的现实

尚未解决的问题是：随着 ia.i 超越受控群体，Itaú 能否持续保障准确性、同意机制和人工问责。

巴西金融体系对安全、消费者保护、数据处理、记录保存和运营韧性都有要求。生成式 AI 为这一既有框架引入了不确定的输出。

Banco Central do Brasil 已将人工智能列为需要研究其在金融机构中风险和影响的领域。更新后的网络安全规则还强调访问控制、可追溯性、安全集成、测试和基础设施保护。

这些要求与 IARA 所宣称的目标一致。不过，Itaú 尚未公开发布 ia.i 的详细错误率、升级处理率、客户满意度结果，或涉及 ia.i 事件的细分数据。现有案例研究主要聚焦于架构和预期效益。

这一证据缺口很重要，因为部署规模本身并不能证明质量。一个系统可以覆盖数百万账户，同时活跃使用率有限；它也可能擅长处理简单请求，却难以应对不寻常或后果重大的问题。

有三类风险尤其值得关注。

首先，生成的回答可能显得比其证据所支持的程度更确定。在银行业务场景中，错误解释可能影响消费、借贷、保险或投资行为。

从获批准的信息中进行检索可以降低这一风险，但无法消除模糊性。产品条款会变化，客户情况各不相同，模型也可能将正确事实组合成不合适的结论。

其次，个性化依赖个人数据。巴西数据保护机构已强调与提示词、模型输出、数据共享、留存、透明度以及个人信息再利用相关的风险。

该机构的生成式 AI 雷达强调，创新必须始终与巴西《通用数据保护法》兼容。它还指出，用户可能会在未意识到后果的情况下，将自己的数据或他人的数据输入提示词。

对 Itaú 而言，治理不能仅覆盖训练数据。它还必须处理每次互动所汇集的信息、发送给每个模型的数据、由此产生的回复，以及之后保留的任何记录。

第三，即便系统在技术上仅提供指引，自动化协助在实践中也可能演变为自动化决策。客户可能会在未要求人工审核的情况下遵循一个自信的回答。

巴西的数据保护议程包括围绕 LGPD 第 20 条开展的工作，该条涉及对完全基于自动化个人数据处理作出的决定进行审查。Itaú 必须在对话支持、建议以及影响客户利益的决策之间维持清晰界限。

人工升级处理是一项重要保障，但其设计将决定其价值。若转接时丢失对话上下文，会造成挫败感；若只在错误发生后才升级，则可能为时已晚。

该行还需要防范提示词注入、欺诈、账户接管和社会工程攻击。攻击者可能试图操纵助手、提取信息，或通过欺骗性语言触发敏感工作流程。

交易仍需保留确认步骤。对话层不应仅因请求听起来自然而削弱身份验证。当授权仍不确定时，便利性必须让位。

偏见构成另一项挑战。对于以不同方式表达相似需求的客户，模型可能给出不同的语气、假设或指引。Itaú 表示其负责任 AI 政策涵盖偏见问题，但尚未发布 ia.i 的详细外部评估结果。

经济可行性也是该计划尚未得到验证的一部分。模型使用会带来可变成本，尤其是在对话需要长上下文或更深层推理时。跨模型路由任务可以控制支出，但更广泛的采用仍可能提高总消耗。

Itaú 对员工收益的预期同样需要验证。该行预计，AI 工具可让客户经理拥有三倍更多时间与客户互动；还预计服务速度将提升一倍，对话效果最高可提高三倍。

这些都是公司对未来的预期。“可用时间”和“有效性”的定义可能取决于内部衡量方式。公开报告最终应区分预期收益与实际观察结果。

因此，负责任的评估需要兼顾两面。Itaú 已披露可信的治理架构和若干有意义的部署，但尚未提供足够的独立或长期证据，以确认该架构能在其整个客户群中发挥作用。

三个信号将决定 Itaú 的押注是否奏效

下一阶段应依据经过验证的行为来评判，而非有多少客户在银行应用中看到了一个图标。

第一个信号是全面开放后客户是否持续使用。Itaú 应披露活跃用户、重复使用、已完成任务、放弃率、人工转接和客户满意度。从 30 万名符合资格的客户扩大到全面开放，只有当人们愿意将真实金融需求交给该界面时才有意义。

第二个信号是有关准确性和保障措施的证据。有价值的报告应包括错误类别、成功的交易确认、投诉量、回复修正和重大事件。它还应说明 IARA 如何在部署前后评估不同模型。

Banco Central 或巴西数据保护机构的任何公开材料都将提供外部基准。中央银行已在研究金融机构中的 AI 风险，而数据保护机构正在制定有关自动化决策和负责任数据处理的指引。

第三个信号是竞争对手是否拓展自己的助手。Bank of America 已证明，受约束的金融助手能够支撑极大的互动量。JPMorganChase 则表明，受治理的内部平台可以覆盖数十万名员工。

Itaú 正尝试将这些路径结合起来。它希望在一个受控框架内整合面向客户规模的对话、员工生产力、情境化金融数据和多个模型供应商。

成功的推出将强化这样一种观点：生成式 AI 可以成为受监管服务的主要界面。若退回到狭窄问题范围，则会支持相反的结论。这将表明，对于后果重大的客户操作，确定性工作流程仍然更安全。

开发者和企业买家应关注 Itaú 如何在模型、编排层、银行系统和人工员工之间划分责任。这种划分也将在医疗保健、保险、法律服务和其他受监管领域中发挥重要作用。

每当 ia.i 提供指引时，客户都应提出一个更简单的问题：该回答能否展示其依据、局限，以及可靠的人工审核路径？

Itaú 的生成式 AI 战略成败，并不取决于 ia.i 是否能进行流畅对话，而在于该银行能否让这种对话在全面规模化应用中做到准确、可追责、经济高效且真正有用。