企业为客户增加 AI 助手，通常从一个简单目标开始：让查询更快、操作更少、服务随时可用。随着模型能够读取账户、理解语音、调用系统并完成交易，下一步似乎很自然——把原本分散在菜单、搜索、客服和业务人员之间的服务，统一到一段对话里。
10 月 16 日，OpenAI 发布了巴西 Itaú 银行的客户案例。Itaú 正在建设名为 ia.i 的多模态交互层，把账户、信用卡、信贷、保险、投资与交易服务连接到一个文本、语音、图像和点击并存的入口。第一阶段约有 30 万名客户参与，银行的目标是在 2026 年底覆盖全部客户；其 Customer DNA 上下文层面向约 7,000 万名客户。
这组规模数字来自供应商与客户联合披露，公开材料没有给出活跃率、任务完成率、错误交易、投诉、客户财务结果或独立审计，因此不能证明统一对话入口已经改善了所有客户体验。但这个案例释放出的趋势十分清楚：生成式 AI 正从网站上的一个功能，走向客户与企业发生关系的主要入口。
当入口改变，企业需要重新回答的就不只是“回答得准不准”，而是：客户是否更容易理解自己的处境、比较可选方案、确认后果并完成正确行动？
对话越自然，服务边界越容易消失
传统数字服务的缺点是菜单多、路径长，但它也通过页面、栏目和确认步骤暴露边界：查询账单与申请贷款是两件事，产品介绍与个性化建议不是同一种服务，查看投资组合与提交交易承担的后果也不同。
统一对话会把这些边界压缩到连续的语言交流中。客户可能从“这笔支出是什么”开始，接着询问如何改善现金流，再接受某种产品建议，最后直接完成签约。交互变顺了，但客户未必清楚以下变化发生在何时：
因此，优秀的客户 AI 不是把所有页面都变成聊天，而是在降低操作摩擦的同时，让决定边界比过去更清楚。
- 系统是在解释已有事实，还是根据有限信息作出推断；
- 回答是一般性信息、个性化建议，还是带有销售目的的推荐；
- 系统是在展示选项，还是已经替客户筛掉了其他可能；
- 当前步骤是否会产生费用、信用影响、合同义务或不可逆交易；
- 如果结果有误，客户应如何暂停、撤回、申诉或转交人工处理。
真正需要统一的是上下文，不是所有交互方式
Itaú 的案例提到一个值得重视的产品原则：对话与导航应当结合，并非每项操作都适合用自然语言完成。
自然语言适合表达模糊需求。例如，客户可以说“我下个月要装修，但不确定是否应该动用投资账户”，系统据此补充问题、整理账户事实并解释可选路径。结构化界面则更适合精确比较利率、期限、费用、保障范围与退出条件；正式交易需要再次展示已确认字段和后果，而不能只依赖模型对上下文的概括。
企业可以把客户旅程拆成四种不同任务：
这里的核心是“上下文连续、决定分段”。客户不必在不同部门重复说明问题，但系统不能因为掌握了更多上下文，就默认拥有替客户完成所有决定的授权。
- 任务：AI 适合承担的角色：必须保留的客户控制
- 理解需求：从自然表达中识别意图，追问缺失条件：允许客户修正系统对需求的理解
- 解释现状：汇总账户、订单、合同或服务记录：显示事实来源、时间与未确认信息
- 比较选项：根据约束整理可选方案并解释差异：展示关键条件、未纳入方案和利益关系
- 执行动作：填充资料、调用系统、准备交易：在正式写入前单独确认对象、金额、期限与后果
个性化不能只优化相关性，还要暴露利益冲突
Itaú 披露，Customer DNA 会结合客户需求、习惯和人生阶段，使互动更相关。对银行而言，这可能帮助客户更快理解支出、发现异常或找到适合的服务；对其他企业，则可能表现为结合客户设备、合同、历史工单和使用行为提供主动建议。
但“更了解客户”同时扩大了企业影响客户选择的能力。
OECD 在 2026 年 7 月发布的《人工智能与个人金融》政策报告指出，AI 可以改善金融信息的可达性、个性化和决策支持，同时也带来偏差、幻觉、商业影响、隐私和排斥风险；其对长期财务福祉的实际收益仍不确定。也就是说，系统能预测客户更可能接受什么，不等于这个选项更符合客户利益。
因此，客户 AI 至少要区分三种优化目标：
如果模型同时承担服务、建议和销售职责，企业应记录本次推荐使用了哪些客户信息、哪些规则影响了排序、企业是否因推荐获得收益，以及客户是否能看到合理替代方案。否则，个性化很容易从降低搜索成本，滑向不透明地塑造选择。
- 帮助客户完成其明确目标，例如解释一笔支出或修改还款日期；
- 帮助客户在多个方案中作出判断，需要完整展示关键差异和不确定性；
- 帮助企业完成销售或留存目标，必须明确其商业属性，不能伪装成中立建议。
统一入口背后，需要一条可分级的能力链
一个覆盖全客户旅程的助手，不应把每项任务都交给同一个模型。Itaú 的做法是通过 IARA 平台向团队提供受控的多模型访问，并同时管理准确性、Token 成本、可观测性和负责任 AI 政策。案例也明确提到：低延迟、成本敏感的简单任务，与需要更深推理和更多依据的任务，可以使用不同模型。
对企业而言，这不是单纯的模型路由问题，而是业务后果分级：
国际清算银行相关研究也指出，金融机构采用复杂模型时，解释性关系到透明度、责任、监管合规和客户信任；但现有解释技术本身也可能不准确、不稳定，甚至产生误导。因此，“让模型解释自己”不能成为唯一控制。企业还需要可追溯的输入事实、稳定的业务规则、版本记录、人工复核与申诉结果。
- 常规解释可以由模型生成，但事实必须来自当前权威系统；
- 金额、资格、价格、利率、库存和合同状态应由确定性规则计算或校验；
- 个性化推荐需要记录依据、适用条件和商业利益关系；
- 会改变客户权益的动作，应在写入正式系统前重新确认；
- 拒绝、冻结、高风险建议和重大例外必须提供可理解的理由与人工复核入口。
验收不应停在对话满意度
客户 AI 上线后，最容易观察的是对话量、响应速度、转人工率和满意度。这些指标可以说明入口是否好用，却不足以判断客户是否作出了更好的决定。
更完整的验收应同时覆盖四层：
还要观察不同客户群体。语音入口可能帮助不熟悉复杂菜单的人，也可能因为口音、环境噪声或表达方式产生新的误解；高度个性化可能让服务更相关，也可能让数据较少、语言较少见或处境特殊的客户获得较差选项。平均完成率无法揭示这些差异。
银行案例尤其需要谨慎，但这套方法并不限于金融业。保险、医疗、通信、汽车、企业软件和公共服务都在建设统一客户助手。当 AI 可以从“回答问题”走向“代表客户完成动作”，企业都需要证明：它不仅让交互更快，也让客户更清楚地知道自己正在决定什么。
- 理解质量：系统是否正确识别客户目标，客户是否能修正错误理解；
- 决定质量：关键条件是否被看见，客户是否理解费用、风险和替代方案；
- 执行完整性：正式系统中的金额、对象、权限和状态是否与客户确认一致；
- 后续结果：取消、撤回、投诉、人工推翻、重复求助和客户损失是否变化。
从一条高频旅程开始，而不是先替换整个门户
企业可以先选择一个高频、事实来源清楚、后果可控的旅程，例如账单解释、服务变更、保单信息查询或售后预约。试点时保留原有入口，用真实任务比较：
只有当一条旅程在理解、决定、执行和纠错上都稳定，才适合逐步扩大到更多产品。覆盖全部客户可以是规模目标，但不应取代每类任务的上线证据。
Itaú 案例中最值得企业管理者关注的，不是聊天界面，也不是某个模型，而是客户入口、客户上下文和后台治理正在被作为同一个产品问题处理。下一阶段的竞争不会只是谁能把更多服务放进对话，而是谁能在对话变得自然之后，仍然让事实、选项、利益、授权与责任保持清晰。
企业级 AI 最好的客户体验，不是让技术看起来无所不能，而是让客户更少寻找、更少重复、更少猜测，同时在每个重要决定上拥有比过去更明确的知情权和控制权。
- 客户重复说明问题的次数是否减少；
- 系统能否区分事实、推断、建议和销售；
- 关键确认是否发生在正式动作之前；
- 客户能否随时查看结构化条件、返回上一步或转人工；
- 同一意图通过语音、文字和点击表达时，结果是否一致；
- 出错后能否恢复状态，并让责任人员看到完整过程。
