AI 小招 —— 招商银行
一层面向企业银行的对话式 AI 服务层，用来把用户意图转化为结构化的任务卡片、引导式流程，以及跨网上银行与手机银行的业务操作。
- 角色
- UX 设计师 · AI 交互
- 团队
- 招银网络科技 · 体验设计团队
- 时间
- 2025–2026 · 企业设计工作与 AI 原生重构
- 成果
- AI 任务卡片、引导式流程，以及一套可复用的对话系统
原始工作与 AI 原生重构
这个案例结合了两个阶段：2025 年的企业 UX 设计工作，以及一次 2026 年的 AI 原生重构——做成了一个可交互的、用代码写成的案例研究。
这次重构把一个过去的企业项目，变成了你现在正在看的这个代码化案例——重新梳理产品逻辑，并把关键对话流程重建为可点击的组件，让读者能直接探索状态、交互和反馈。
- 2025 · 企业 UX 设计
- 主导以任务为导向的对话式 UX，从意图识别到任务完成
- 定义可复用的卡片模式、交互状态，以及跨平台交接
- 与产品和开发协作，把需求转译为可落地实现的流程
- 2026 · AI 原生重构
- 把原项目重新框定为一个作品集可用的可交互案例
- 用编码代理把关键交互重建为可点击组件
- 把这项工作重新组织为可复用的对话模式与系统规则
背景
在企业银行里，用户是招商银行企业客户里的员工，比如需要向供应商付款的人。他们不只是提问。他们需要在网上银行、手机 App、权限、表单、图片和业务规则之间，完成受监管的、多步骤的任务。AI 小招被设计为一层对话式服务层：识别意图、结构化信息、引导用户完成业务操作，并把 AI 协助与既有银行工作流连接起来。
对企业银行场景来说，一句简单的聊天机器人回复是不够的。用户往往需要确认权限、补填缺失字段、上传材料、读懂系统结果，并在 U-Bank、手机 App 和外部配置页面之间来回切换。
设计挑战是让 AI 协助变得可操作：把用户意图转化为结构化卡片、引导步骤，以及针对具体任务的业务流程。
AI 小招
设计挑战
从回答到行动，挑战在于让 AI 协助变得可操作——识别意图、结构化回应、引导下一步，并把任务交还给正确的银行工作流。
下表展示了 AI 小招如何从"回答问题"转向"支持受监管的银行任务"。
| 转变 | 此前 | 有了 AI 小招 |
|---|---|---|
| 意图 | 用户得自己找从哪儿开始。 | AI 识别任务类型。 |
| 结构 | 回答文字很多，容易看丢。 | 回应变成结构化、可操作的卡片。 |
| 交接 | 对话可能在任务完成前就结束了。 | 任务进入相应的银行工作流。 |
卡片系统
AI 小招的回应被结构化为可复用的卡片模式，覆盖意图识别、表单辅助、查询结果、引导式流程、状态异常，以及交接操作。
下面的浏览器把这些模式变成了一个可交互的演示。试试看：❶ 选一个能力标签 → ❷ 切换平台上下文 → ❸ 试一个预设请求。看 AI 回应和设计原理如何一起变化。
我们提取了发票的关键字段，并给出建议的下一步操作。
- 用途
- 把含糊的用户意图，转成可立即执行的下一步操作，而不是一句通用的聊天机器人回复。
- 适用场景
- 用户提一个宽泛的问题、上传一份文档，或描述一个可能引向多种银行操作的任务。
- 设计规则
- 以"用户接下来能做什么"打头。先给出操作选项，把已识别的信息作为佐证保留在下方。
设计影响
- 01可复用的交互模式
在查询、表单、图片、结果、确认、权限和异常等状态之间，建立了一套连贯的交互系统。
- 02可扩展的场景设计
把反复出现的银行任务，变成可复用的卡片与交互模式，而不是一个个孤立的界面。
- 03从对话到行动的交接
定义了对话意图如何进入正式的银行工作流，同时保留任务上下文。
这个项目让 AI 小招从一个客服聊天机器人，转向企业银行内部的一层以任务为导向的服务层。
反思
这个项目让我明白，企业 AI 设计不是让聊天机器人显得更聪明。而是决定 AI 在哪里该解释、在哪里该结构化信息、在哪里该请求确认、在哪里必须交给正式的业务系统。
同时，结构化卡片不能简化一切。在银行里，有些任务需要完整信息、完整记录、明确条款、权限核查、或人工确认。卡片可以降低认知负荷，但它不应该隐藏那些对安全、信任、合规或问责至关重要的复杂性。
在受监管的银行场景里，AI 小招不能简单地"把一切都办完"。它的价值是帮用户理解正在发生什么、从缺失信息中恢复过来，并从对话进入正确的工作流——而不假装取代它背后那些正式系统。