从现在的技术来看，开发出具备像人一样能够自然交流的聊天机器人目前面临着以上各种各样的技术难题，让聊天机器人火对话式AI真正去理解人类的自然语言是有很长的路需要走。也要有一定专业能力，能回答指定问题，完成任务。2）无法统一的语言个性一个好的ChatBot，既要有一定的泛化能力，能完成日常的对话需求。
据「AI 应用前沿」长期的行业观察，人工智能在金融领域的应用场景和作用 如下：智能信贷信贷是银行业的典型业务场景。其中，审批效率有限是传统金融信贷服务中长期存在的痛点。随着大众金融消费观念的逐步变化，小额高频的信贷服务需求正逐步成为一大趋势。而随着人工智能技术与金融科技的发展，信贷服务也逐渐向着高效的运作模式转变。
如移大数据征信、基于机器学习技术开发信用风险量化模型、通过拍照、视频、移动终端数据同步等手段核实客户信息等智能技术的应用都在提升信贷服务的效率和效果。智能反洗钱随着经济全球化的发展与技术的迭代更新，洗钱犯罪同样“与时俱进”，随着新技术与场景变的更加隐蔽，且成本与风险日益降低。犯罪网络化、专业化、国际化的趋势愈发明显，而洗钱犯罪的模式也愈发复杂。
在此趋势下，机器学习模型、专家系统等人工智能技术对反洗钱工作带来了新的进展，尤其在“知晓客户（Know Your Customer)”方面能够避免重复劳动，加速审核流程，并加强交易监控的工作效率。自动化理赔保险服务的理赔流程效率缓慢是行业中长期存在的痛点，概因理赔所牵扯到的文件审阅和审核步骤繁多，效率低下。
人工智能在保险赔付中的各项场景已存在大量应用。计算机视觉、语音识别等技术能够在理赔过程中加速身份认证、定损等工作。而自然语言处理技术能够自动化扫描并读取文件内容，大幅提高理赔，审查等工作中的数据审核效率。保险定制化由于传统保险模式存在信息不对称的现象会导致逆向选择与道德风险，在用户需求难以满足的同时制约了保险公司的盈利水平。
基于人工智能技术对数据的多维度利用，保险公司能够结合人的生活习惯、年龄、健康记录，投保经历等信息挖掘投保人的偏好和需求，并设计具有针对性的产品与保险方案，从而提供个性化的服务。保险反欺诈保险理赔案件中往往涉及大量信息，如查看信息、保单信息、出现信息等等。传统保险赔付流程对人的经验知识依赖较高，容易被惯性思维所误导，无法做到对案件中所有信息进行有效分析。
机器学习、图计算等人工智能技术能够对现场照片、证件信息、车辆信息、票据等不同维度的数据进行关联组合关系分析，从而形成欺诈判断模型。这样学习形成的模型不但可以对已知诈骗手段进行识别，还能够在一定程度上预测新型的诈骗手段。智能投顾随着人工智能应用和金融科技在此领域中逐渐展露头角，“智能投顾”的概念也在行业中愈发流行。
在此基础上，国内外金融界对于人工智能在财富管理的应用上存在着不同的偏好。以美国为代表的境外市场目前倾向于利用人工智能技术来识别财富投资的机会。其典型应用便是通过分析如网站数据、舆情数据、地理定位，甚至卫星定位等另类数据来辅助分析投资方向，发掘哪家股票值得投资。而国内的发展路径则更倾向于利用人工智能来优化客户的用户画像，从客户对风险的主观承受意愿及客观风险承受能力等信息进行综合、动态的评估，以定制客制化的投资组合。
此外，基于人工智能技术所开发的自动交易功能也为投资管理提供了极大的助力。由于自动交易对投资策略的执行效率和成本控制工作都能带来显著提高，甚至在一定程度上提高投资组合的收益。在此趋势下，越来越多的交易员已经被机器所取代。异常交易识别传统的交易验证过程中需要中台的控制人员对比交易价格与市场基准价格，从而决定该笔交易是否存在异常。
然而，由于市场流动性、交易时间、产品结构等因素的影响使得交易验证工作更加复杂化，且难以高效实施。机器学习技术能够通过构建深度神经网络模型，并通过金融机构数据库中大量异常记判断的数据进行训练，从而获得识别异常交易行为的能力，最终辅助控制人员以大幅提高交易验证的效率。智能客服客服场景存在于银行、信贷、保险等多个金融服务领域。
