截至2025年2月21日收盘，京北方（002987）报收于22.46元，较上周的17.74元上涨26.61%。本周，京北方2月21日盘中最高价报23.58元，股价触及近一年最高点。2月17日盘中最低价报18.12元。本周共计1次涨停收盘，无跌停收盘情况。京北方当前最新总市值139.11亿元，在软件开发板块市值排名34/133，在两市A股市值排名1171/5130。
沪深交易所2025年2月21日公布的交易公开信息显示，京北方（002987）因日振幅值达到15%的前5只证券登上龙虎榜。此次是近5个交易日内第1次上榜。
根据2月21日市场公开信息、上市公司公告及交易所披露数据整理，京北方（002987）董事丁志鹏于2025年2月18日至20日期间连续减持公司股份，具体情况如下：- 2月20日减持39.82万股，占公司总股本为0.0643%，变动期间公司股价上涨10.01%，2月20日当日收盘报21.44元。- 2月19日减持32.0万股，占公司总股本为0.0517%，变动期间公司股价上涨5.92%，2月19日当日收盘报19.49元。- 2月18日减持54.17万股，占公司总股本为0.0875%，变动期间公司股价下跌3.61%，2月18日当日收盘报18.4元。
2月16日电话会议,分析师会议,口头问：公司目前在 AI 领域的布局，以及此次 DeepSeek 能够带来的 IT 架构变革是怎样的？答：DeepSeek将带来三大主要变化，即开源的趋势、私有化部署线下闭环及应用效果提升，将从两个维度拓宽金融IT特别是银行应用大模型的空间。纵向来看，效果提升使每个银行的业务在纵向的业务场景中，不同业务节点增加赋能的可能性；横向来看，不同银行的不同业务使用AI的场景会拓展，涉及银行运营、信贷、风控、营销、渠道等不同业务板块。此前受成本和模型部署限制，很多应用场景无法实现，现在空间拓展能释放银行需求，且银行需求会从科技部门驱动转向业务部门驱动。对于IT软件及服务供应商，以大行合作为主的模式下，公司在客户卡位以及对客户行业业务理解上有优势。
问：下游客户对于 DeepSeek 部署的需求变化，尤其是私有化部分如何看待，以及未来的商机如何看待？答：过去金融行业主要基于私有化部署接入开源大模型，如阿里的千问、智谱清言等，进行模型应用的探索工作。银行对数据自主可控的要求极为严格，采用PI方式接入闭源大模型并将银行端数据输入至闭源厂商模型，难免引发数据安全的担忧。因此，支持开源的潮流将促使更多银行选择性价比更高的私有化部署方案。但是私有化部署存在一定算力投入门槛，银行以效果为导向，不会盲目进行大批量部署。大行可能更多采用集中的大平台提供算力，内部接入大平台算力平台；中小行更灵活，会平衡模型研发时间、训练时间和算力投入，可能选择缩小模型、接受相对小的算力和长一点的训练过程。公司作为合作早的厂商，可以和银行探索不同方式，如在私有化部署加上软件的应用层集成开发调优等，未来也有可能探索软硬件一体化的方式。
问：公司在BPO场景上关于AI agent的布局是怎样的？答：公司除给银行提供IT系统外，还帮助银行做专家型集中化管理和作业，这使公司能够深入银行的业务流程，了解可通过AI赋能和优化的后台业务环节。公司会继续拥抱行业趋势，认为用AI agent方式解决银行客户作业流中各节点问题是很大的机遇，会带来银行运营体系转型以及公司业务转型机会。
问：公司跟模型厂商在银行端或业务侧落地的商业合作模式是怎样的？答：过去与大厂合作时，大厂会自主集中部署算力、进行私有化部署模型平台，并接入不同开源大模型厂商。公司主要参与后端应用开发和模型调优工作，部署完后在银行内部使用。未来随着中小行业进入市场、应用铺开，可能会出现不同商业模式，这取决于客户诉求，大行和中小行需求差异较大，可能会有打包大模型服务等创新方式。目前已有客户在探索让公司接过一些调优工作。打包模式有可能会成为一种主流。
问：公司银行及其他行业呼叫中心业务与 AI 结合有什么规划，能否实现降本增效？答：呼叫中心业务很适合做AI化，公司有自己的呼叫系统，早期已用人工智能做了一些探索，大模型会进一步提升智能客服、智能外呼、智能营销的效果。公司会积极拥抱技术进步，根据客户需求提供技术支持。对于公司自身非金融领域的呼叫中心服务业务，根据过往经验，用AI替代后有降本增效的效果。未来随着AI技术走向成熟，效果会更加明显。
问：如果AI发展较好，银行及大型企业的呼叫中心会继续外包给公司，还是会选择自己内部上系统？答：银行对合规和安全要求较严格，从公司过去的发展经验来看，ITO和BPO是同步增长的。在使用先进AI技术过程中，会衍生出很多新的服务型业务需求，并非简单的替代关系。公司作为IT厂商，能获得IT业务和衍生服务业务两部分的市场机遇。
问：为金融行业客户做模型调优工作的价值量如何，公司做这项工作有何优势，同行是否也能做同样的事？答：根据过往案例，一个模型布置初始命中率为25%，经过6个月的调优，命中率提升至55% - 60%，因此调优工作具有较高价值。同时，调优具有一定门槛，首先要对模型有一定理解，需在多个场合应用过该模型；其次，调优的模型分推理型和数据类，推理型模型调优要对业务有深刻理解，数据类模型调优关键在于数据清理，也要求对数据有深刻理解。随着使用时间增长，调优工作的护城河会越来越深。
问：金融行业客户使用AI落地主要基于哪些考虑？答：银行使用AI前期主要目的为降本增效，即降低单件工作成本，提高人均产出，用AI替代常规辅助性工作以降低风险。此外，在个别银行的营销试点中发现，使用AI后客户粘性增加，客户在手机银行、网上银行或大堂看相关资讯时的停留时间增加。因此金融机构一方面在加大AI内部场景使用以持续降低单件处理成本，另一方面在营销方面通过AI辅助增加客户粘性。
问：大行、中小行等下游客户在IT支出方面的行业增速如何，2025年整体规划怎样，是否会在AI方面有更侧重的投入？答：整个银行IT过去几年主要依靠数字化转型以及信创驱动。目前银行金融机构有信创的明确要求，所以满足信创要求是基本盘。一些信创节奏较快的大行、股份制银行，可能逐渐转向拥抱新技术投入，将之前积压的需求通过新技术手段应用落地，投入重心会向AI或数据等方面调整。银行一般在年初形成初步预算，年中可能根据技术应用进展和变化，对重点方向再次调整。在行方交流需求和落地应用需求都有较大提升的情况下，AI方面的投入资源预期会有一定倾斜。
以上内容为证券之星据公开信息整理，由智能算法生成（网信算备310104345710301240019号），不构成投资建议。
首页
微信公众号
证券之星APP
