位于莱斯特的剑桥郡银行正在使用SnapLogic的现代中间件平台,帮助银行消除手工操作流程。
首席转型官大卫·霍尔顿已在这家成立十年的银行工作四年,负责将更多技术整合到银行及其业务流程中。剑桥郡银行主要在房地产金融和资产金融市场运营,服务中小企业客户。
"我们银行主要通过人工承保方式建立,用于评估一些相对较难处理的业务,但我们认为可以克服这些困难,"霍尔顿说,他将与SnapLogic的合作描述为"试图重新构想资产金融业务",包括中小企业购买机械设备所需的融资。
虽然银行资产负债表的大部分涵盖房地产业务,但霍尔顿表示资产金融业务高度依赖手工操作:"对经纪人或客户的很大益处在于速度,快速响应能力是一个重要差异化因素,但高度手工化的流程让我们很难实现这一点。"
据霍尔顿介绍,与SnapLogic的合作使银行能够消除系统间大量点对点集成,这消除了员工之前需要做的大量手工工作,因为SnapLogic连接了各个数据源。
虽然银行只有十年历史,但在此期间不断发展,这意味着一些IT系统可能无法按照银行当前的运营方式正常运行。霍尔顿在过去几年中一直在建立银行在理解业务流程方面的专业知识。"有些事情已经演变成我们不再需要执行的流程,"他说。
旧系统需要变通方法来获取数据访问权限——现在通过SnapLogic即可获得——这意味着必须重新审视业务流程。"从某种程度上说,流程合理化与新技术同样重要,"霍尔顿补充道。
基于业务价值的合作伙伴关系
霍尔顿将银行与SnapLogic的合作方式描述为伙伴关系:"当我与SnapLogic合作时,我关注想要实现的业务成果,然后要求他们帮助我交付,而不是为构建某个工具制定非常详细的业务需求。这是一种截然不同的工作方式。"
例如,霍尔顿说银行与SnapLogic合作开展智能体AI的具体工作:"SnapLogic专家实际上已经与我们内部合作,帮助我们在他们的AI环境基础上构建,因为这是新兴技术。所以,我们在利用他们的专业知识。"
讨论银行AI的可能性时,霍尔顿说:"显然,关于风险有很多讨论,这些风险需要管理并得到更好的理解。"虽然一些银行可能考虑用AI驱动的聊天机器人与客户进行在线互动,但霍尔顿表示,剑桥郡银行认为其真正价值在于与客户面对面的人际互动,他补充道:"我引入的任何AI系统都必须赋能同事进行更多这样的互动,而不是更少。"
霍尔顿不认为AI会在银行的客户对话和关系中取代人类。然而,他说:"我确实认为AI会在处理和非增值任务中取代人类,这些任务是为客户提供所需服务的必要工作。"这些是需要在后台进行的任务,对霍尔顿来说,这意味着客户不一定认为这些任务有价值。
鉴于AI炒作如此之多,霍尔顿认为IT和业务领导者需要对业务主张和客户有透彻的理解。他说,这种理解在AI创新时代与在数字创新等之前的技术浪潮中同样重要。
"在开始AI之旅之前,你必须对自己的业务主张非常清楚,"他说。"如果你在开始时没有明确立场,没有真正理解客户重视什么以及你对自己产品的价值认知,你可能最终会朝着更高效率的方向发展,使用AI智能体来实现这一目标。"
正如霍尔顿指出的,如果企业用AI智能体取代太多设施和任务,客户实际上可能会离开。
Q&A
Q1:剑桥郡银行为什么选择使用SnapLogic平台?
A:剑桥郡银行选择SnapLogic是为了消除系统间大量点对点集成,减少员工的手工操作工作。SnapLogic能够连接各个数据源,帮助银行驱动出手工流程,提高业务效率,特别是在资产金融业务中提升响应速度。
Q2:剑桥郡银行如何看待AI在银行业务中的作用?
A:该银行认为AI不应该取代与客户的面对面人际互动,而是应该在后台处理和非增值任务中发挥作用。他们强调任何引入的AI系统都必须赋能员工进行更多客户互动,而不是减少这种互动。
Q3:企业在实施AI技术时需要注意什么?
A:霍尔顿强调在开始AI之旅前必须对业务主张非常清楚,需要深入理解客户价值和自身产品价值。如果没有明确立场就盲目追求效率,可能会过度依赖AI智能体,最终导致客户流失。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。