银行用AI按性格给客户写信
澳大利亚国民银行用生成式AI按客户性格类型定制沟通语气，月互动超5000万次，互动率提升约40%。本文拆解其数据、决策、生成三层方法。
实时数据是金融犯罪检测与实时个性化的基础。
这句话出自澳大利亚国民银行的数据平台负责人。很多人会以为，一家银行把实时数据用在反欺诈上理所当然，但把它用在营销内容的语气上，才是真正的信号。NAB 做了一件听上去有点反直觉的事：让生成式 AI 根据客户性格类型，为同一种银行产品写出不同语气的信息。它不是简单地把“尊敬的客户”换成“亲”，也不是再做一轮标签群发，而是把沟通颗粒度从“一类人”推进到“一个人”。
一、为什么一家银行值得中国老板关注
在多数人的想象中，银行是AI应用最保守的行业之一。它有严重的合规边界、陈旧的数据系统、复杂的审批流程。但恰恰是澳大利亚国民银行，在2024年已经被媒体披露一口气识别出20个生成式AI用例，其中不乏直接面向客户的营销动作。
NAB 位列 Fortune Global 500 第449位。它的实验并没有停留在内部总结PPT。它把生成式AI接到了名为 Customer Brain 的实时决策引擎上，让模型决定“下一条信息对谁说、说什么、用什么语气说”。这套系统每月引导超过5000万次互动，运行2000多个自适应模型，并配置220种 next-best-action。
最让营销负责人睡不着觉的不是这些数字。而是这个逻辑：过去我们花大量预算把用户拉进流量池，再用粗颗粒标签做千人千面；而NAB证明，当数据和模型足够实时，营销可以从“一个人群包”细化到“一次沟通”。这不是效率提升，而是竞争维度的变化。
中国市场的背景更进一步放大了这种变化。流量成本持续高企，平台红利退潮，绝大多数品牌已经进入存量博弈。过去靠更大投放量换增长的办法，边际收益越来越低。NAB 的实验提供了一种新的可能：不增加触达次数，而是提高每一次触达的有效性。
二、三层技术底座：Project Ada 如何让数据变成语气
NAB 的做法可以拆成三层。第一层是数据统一层。它的 Project Ada 使用 Fivetran 和 Databricks 部署在 AWS 上，把分散在多个系统中的客户数据统一起来。没有这一步，后续个性化都只是口号。
第二层是决策引擎层。Customer Brain 基于 Pega Customer Decision Hub，每月引导超过5000万次互动，背后有2000多个自适应模型和220种 next-best-action。这个引擎解决的核心问题不是“能不能生成内容”，而是“在此时此刻，这位客户最应该收到什么信息”。
第三层才是生成式AI层。NAB 用GenAI细化营销战役，按照每位客户的性格类型定制沟通信息。也就是说，产品的offer大体相同，但信息的措辞、节奏、情感颗粒、语气会因人而异。有人需要直接的利益点，有人需要安全感，有人更吃社会认同。生成式AI负责最后那一公里的“怎么说话”。
很多中国团队对“实时个性化”的想象停留在弹窗。实际上，Customer Brain 的实时决策不是每秒钟都在改文案，而是在正确节点上做 next-best-action。它需要先定义什么是“最好”，而不是单纯的“最新”。这里的核心是模型治理：2000多个自适应模型听起来吓人，但真正的人工成本并不在训练模型，而在定义动作边界。每个 next-best-action 都对应一条可解释的业务规则。
这三层缺一不可。中国企业常见的错误是直接上大模型生成文案，却跳过了数据统一和决策治理。结果只能生成更多“像样但没判断”的内容，既无法触发真实行动，也很快耗尽团队的审核耐心。
三、性格级个性化：从人群包到一人一策
传统营销的个性化，本质是分群。年龄、城市、消费能力、近期行为，把人分成若干段，然后对每一段推送不同素材。NAB 往前再走了一步：它不只是知道你是谁，还试图判断你更容易接受怎样的表达方式。
这听起来玄，其实非常实用。同样推广一张信用卡，高焦虑型客户可能需要“还款提醒、安全保障、固定利率”这样的确定性信息；低耐心型客户可能只能接受一句话利益点；价格敏感型客户可能对年费减免更感兴趣。过去创意团队靠经验猜，现在模型可以从客户历史互动中学习。
关键证据是 engagement 约40% 的提升。供应商案例页披露的这个数字，说明语气和表达方式不只是锦上添花，而是直接改变互动结果。对于在存量市场里争夺客户注意力的中国品牌来说，这种变化尤其值得警惕。
用一个比喻：过去营销像超市导购，看见家庭主妇推销清洁剂，看见年轻人推销零食。现在的NAB像私人银行客户经理，先观察你的语气、频率和反应，再决定下一句话怎么说。这种能力一旦形成，用户感受到的不是“我又被投放了”，而是“这个品牌懂我”。
中国社媒内容早就证明，语气能极大影响传播效率。同一句话，小红书用户和抖音评论区用户的表达方式完全不同。只不过过去这种差别主要靠人肉运营，现在可以被模型系统化。今天中国平台生态里，微信、抖音、小红书、私域社群，每个触点都可以记录用户反应。但大多数企业没有把“反应数据”回流成沟通策略。NAB 的做法提醒我们：个性化不是把同一个广告做一百个版本，而是用同一个决策后台，给每个人分配最合适的版本。
四、20个用例背后：从高确定场景倒推，而不是追热点
很多企业看到大模型火，第一反应是找一个酷炫场景。NAB 不是这样。AFR 在2024年5月报道，NAB 识别出的20个生成式AI用例包括投诉严重度判断、信托契约审查、向客户发送的信息个性化。
这三个场景有一个共同点：输入明确、输出边界清晰、价值容易衡量。投诉严重度判断，减少的是人工分类成本和响应延迟；信托契约审查，提升的是法律文本处理效率；信息个性化，改善的是客户互动率。它们都不是“AI写诗”，而是把大模型嵌入真实业务流程。
怎样筛选高确定性场景？可以看三个标准：第一，输入是否结构化；第二，输出是否有明确好坏；第三，失败成本是否可控。投诉严重度判断输入是文本，输出是级别，失败只是多人工复核；信托契约审查输入是文档，输出是风险提示，失败可由律师兜底；个性化信息输入是客户标签，输出是文案，失败最多是低互动。满足这三个标准的场景，最适合起步。
反过来，那些输入模糊、输出难以评估、失败代价高的场景，就不该放在第一批。企业可以把AI项目按风险收益矩阵排序，避免“模型很牛，业务没用”。这个场景倒推法，中国企业可以直接抄。CMO 可以带团队列一份清单：哪些营销动作最消耗人力？哪些沟通最容易引起客户反感？哪些内容重复度最高、但微调空间最大？从里面挑出三个，先跑通闭环。
同时要注意，NAB 试点的是 OpenAI 等大模型，而不是一开始就全面自研。大量的中国团队容易陷入“先建大模型”的误区。NAB 证明：哪怕用外部大模型，只要数据和决策层扎实，同样能产生可观业务结果。真正难的不是模型，而是场景定义和过程治理。
五、中国企业落地：不要复制技术栈，复制决策逻辑
中国企业和 NAB 面临的系统环境不同。大多数中国企业的客户数据散落在天猫、京东、抖音、小红书、微信私域和线下门店里。要求一个市场团队立刻建一套 Fivetran + Databricks 是不现实的。
但底层逻辑可以迁移。第一，先把自有触点数据统一。尤其是微信私域和会员系统，至少要把用户身份、活跃行为、客服记录、购买记录串起来。第二，建立简单的 next-best-action 规则。不一定要220种，从三种开始：新客教育、老客召回、沉睡客户激活。第三，在规则确定后，用生成式AI负责语气和内容版本。
以中国语境为例。一家消费品公司要推会员续费，可以先定义三类人群：高频但价格敏感、低频但忠诚、高频且口碑传播意愿强。接着用生成式AI为每一类人写不同语气的私信和包裹卡文案。最后通过真实点击率和复购率来验证。这个逻辑和 NAB 一样，只是工具更轻。
中国消费品行业和银行业不同，用户触点更分散，决策周期更短。但正因如此，反而需要更强的实时决策。比如直播电商的千川投放、私域社群运营、小红书内容种草，每一个环节都可以记录“用户对什么内容多停了三秒”。这些信号今天大多没有被结构化。
落地时，不一定要上 Pega 或 Databricks。中小企业可以用企业微信、CDP、RPA甚至Excel加生成式API先跑最小闭环。关键动作只有两个：把反馈数据收回来；把规则写下来。
- 第一步：找三个高频沟通场景，如老客回访、弃购提醒、会员续费。
- 第二步：为每个场景定义三类以上客户状态，而不是一次群发。
- 第三步：用生成式AI产出语气版本，小流量测试，比较互动与转化。
更关键的是，很多企业有数据，却没有决策层。有的CMO只关注内容产量，不关注内容决策。NAB 给我们的启发是：内容生产只是最后一步，真正改变结果的是“谁在什么时候收到什么”。
六、CMO的新考题：从内容审核者到规则设计者
当AI开始按性格写信息，营销团队的角色必然改变。文案策划可能不再逐条写稿，而是定义品牌语气边界、审核敏感词、校准不同人群的沟通风格。运营人员可能不再手动圈选人群，而是维护规则引擎和反馈回路。
CMO 和增长负责人更需要回答三个问题：我们的品牌允许AI表达哪些情绪？哪些产品话术不能交给模型？什么信号应该实时触发个性化，什么信号不应触发？这些不是技术问题，而是品牌治理问题。
NAB 作为银行，一定会对合规和品牌安全有严格限制。但这也说明，生成式AI个性化不等于失控。关键是提前把边界变成规则，而不是事后救火。中国企业如果现在不建立这套规则，未来面对几十个平台、上百个AI生产节点，审核成本会成倍上升。
因此，市场部需要新增一个能力：把营销经验沉淀为提示词、规则和评估标准。谁能把顶级文案的判断力翻译成系统能力，谁就能在人和AI协作的新分工里占据主动。
新的KPI可以从三个方向设计：一是内容决策覆盖率，即多少触达是由规则引擎而非人工手动决定的；二是个性化增量，即同一产品在不同语气下的互动差；三是治理风险率，即被审核或投诉的AI生成内容占比。有了这三个指标，CMO不必再和团队争论“AI要不要用”，而是看具体数字。团队也不会陷入“AI抢饭碗”的情绪，因为大家的工作从重复执行变成规则设计与效果优化。
七、结语：AI营销不是更精准地打扰，而是更人性地回应
澳大利亚国民银行这个案例，表面看是技术升级，底层却是一次营销哲学的变化。它告诉我们，个性化不是把用户标签越切越细，而是让每一次触达更像一次有判断的对话。
过去十年，中国营销人把“千人千面”挂在嘴边，但大多数时候仍然在执行同质化推送。真正的转变，不是再上一套什么大模型，而是回到一个简单问题：我们是否愿意花成本，让每一个客户感受到，这条信息是为他组织的。
NAB 的 Customer Brain 每月5000万次互动，不是为了证明AI多强大，而是为了证明一件事：当数据、决策和语气被结合到一起，营销的效率指标会发生变化。互动率不是靠更大的投放量堆出来的，而是靠每一次更合适的回应换来的。
对企业老板来说，这比技术选型更重要。下一阶段的增长，很可能不属于预算最多的公司，而属于最懂得把客户当人回应的公司。这个判断，才是在NAB案例里最值得带进会议室的那句话。