10 月中旬，OpenAI 更新了巴西伊劳银行（Itaú）的官方案例：这家拉美最大的私人银行之一，正在把生成式 AI 从内部工具推向全量客户。前台是对话层 ia.i，文本语音都能用，把账户、信贷、卡片、保险的交互收进一个环境，需要时转接人工；后台是一个叫 IARA 的治理与编排平台，管着各团队能受控访问哪些模型。CTO Carlos Eduardo Mazzei 给出的标准很朴素：让技术几乎不被察觉，解决真实日常问题，做到直接、简单、有用。在巴西这种强监管市场，这家银行交出来的不是模型分数，而是一份可复用的落地卷子。
ia.i：从 30 万客户起步的全量冲刺
ia.i 不是从零开始。2024 年银行先上线了头一代「Inteligência Itaú」能力，针对具体金融需求；ia.i 是下一阶段——一个完整的对话层，首期约 30 万客户进入学习期，目标是 2026 年底覆盖全量客户，客户基数约 7000 万（Customer DNA 口径）。支撑个性化的是 Customer DNA 这层金融上下文，记录客户的财务需求、习惯与人生阶段；在治理与负责任 AI 控制下，GPT 模型参与维护和丰富这层表征。模型选型上银行没有押注单家：简单场景要成本与延迟可控，复杂场景要推理与足够的事实依据——用 CTO 的话说，从最简单到最复杂的方案，OpenAI 的模型家族都能覆盖。
IARA：先交治理卷，再放量
真正值得抄的是 IARA。这个自研的治理与编排平台，让各团队在内部策略范围内受控访问不同模型，一手抓三件事：单 token 成本控制、回答准确性、负责任 AI 策略执行。最硬的证据在法务部：方案跑在超过 9000 万份文档的知识库上，每月执行超过 200 万项任务，流程各环节提效 20% 到 80%（厂商口径）。Mazzei 的解释带着银行式的谨慎——信息必须留在银行语境内，模型要被安全受控地访问，token 效率要被算进设计，否则整套方案在经济上不成立。把「每个 token 多少钱」和「合规」放进同一个平台，是这家银行和大多数试点项目分道岔的地方。
双层解耦：模型是话筒，算盘在后台
中文解读里有个细节比任何单点数字都值得记：投资理财场景严格分层。底层由银行沉淀多年的专有算法与量化风控模型决定实际资金分配——资产配置、信贷评分都在这一层；生成式模型被隔离在展示层，只负责把参数和图表翻译成自然的文字、语音与交互。大模型在这个链路里是话筒和翻译官，碰不到任何风控规则。这套设计与巴西的监管环境互为因果：CVM 对投资顾问责任实行穿透式认定，误导性陈述可能招致重罚；LGPD 第 20 条还赋予用户对完全自动化决定的复核权。把模型关在表达层，既是技术选择，也是免责设计。
内部同卷：客户经理的时间账
对内的打法同源。同一套智能层在帮客户经理和客服团队做会前摘要、会议准备、问题梳理与方案设计。银行对内部工具的预期是：释放三倍时间给客户关系、服务速度最高提升两倍、对话有效性最高达到三倍——注意，这是银行内部预期口径，不是实测战报。内外两条线共用同一个治理层，意味着内部试点积累的审计与策略，可以直接继承给面向 7000 万客户的版本，这是「先建治理层」策略的复利。
三盆该浇的冷水
头一盆，全部数字来自厂商案例研究，未经独立审计，20% 到 80% 的提效幅度没有第三方复核。第二盆，从 30 万到 7000 万的跨越尚未发生，「年底全量」是目标不是既成事实；灰度期看到的使用深度，和全量后的客服压力不是一回事。第三盆，「让技术不被察觉」恰恰是最难验收的一项——对话层越自然，用户越难察觉边界在哪里，出错时的信任折损也越大。此外，伊劳与 Nubank 等数字银行的竞争压力是真实驱动力，这层动机会不会让放量节奏跑在治理成熟度前面，值得持续观察。
站点这条线的旧账可以并排看：1943 记过 ServiceNow 给智能体发「AI 护照」，1997 是美国大银行把第三方智能体挡在账户门外，1988 是埃森哲把企业版用量改成额度制，2010 是智能体管理台成独立品类。伊劳这一课的价值在于：它把「治理编排层」从采购选项变成了放量的前置条件——在受监管行业，这可能是目前被验证过的顺序。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。