金融AI大模型來到爆發(fā)

文｜周享玥

編｜趙艷秋

“一半是火焰，一半是海水”，這是業(yè)界對金融行業(yè)落地大模型的現(xiàn)狀描述。一方面，全球近半數(shù)金融機構(gòu)已啟動大模型應(yīng)用建設(shè)，行業(yè)已處在爆發(fā)臨界點；另一方面，“高投入、低滲透”一直是金融行業(yè)落地大模型遭遇的挑戰(zhàn)，這讓行業(yè)又未完全實現(xiàn)爆發(fā)。

金融行業(yè)與大模型之間，既有巨大的深度融合潛力，也存在落地的現(xiàn)實鴻溝。如何在監(jiān)管合規(guī)與創(chuàng)新突破之間找到平衡點？如何將高投入轉(zhuǎn)化為高產(chǎn)出？已成為金融機構(gòu)和業(yè)界必須回答的問題。

01

臨界點。

“一半火焰，一半海水”

“過去一年，大模型在金融行業(yè)的落地狀態(tài)，可以用‘一半是火焰，一半是海水’來形容?！苯盏囊粓鯝I+金融論壇上，百度集團副總裁袁佛玉的這一觀點，道出了行業(yè)的狀態(tài)。

“火焰”的一面，大模型已成金融機構(gòu)必選題，將給金融業(yè)帶來體系性變革，而非簡單降本增效，這包含三個根本性重構(gòu)：重構(gòu)用戶體驗與習(xí)慣，實現(xiàn)“人找服務(wù)”到“服務(wù)找人”；重構(gòu)業(yè)務(wù)流程和模式，從“流程與數(shù)據(jù)驅(qū)動”到“知識與智能驅(qū)動”；重構(gòu)員工角色和價值。

“每個場景都有可能會被重塑。”螞蟻數(shù)科CTO王維表示，這輪AI革命給金融行業(yè)帶來的影響，將不亞于移動互聯(lián)網(wǎng)對社會各層面的改變。

人工智能在金融領(lǐng)域的應(yīng)用已是全球現(xiàn)象。畢馬威8月發(fā)布的《2025金融業(yè)大模型應(yīng)用報告》中指出，2025年已成為金融行業(yè)深度整合AI、借助大模型進行創(chuàng)新的關(guān)鍵拐點。全球近半數(shù)金融機構(gòu)已啟動大模型應(yīng)用建設(shè)，行業(yè)正從零星試驗階段邁入規(guī)?；渴鹌?。其中，海外側(cè)重技術(shù)與業(yè)務(wù)創(chuàng)新協(xié)同，國內(nèi)目前更聚焦于知識庫、文檔處理等效率提升場景。

根據(jù)報告的統(tǒng)計，2024Q1至2025Q2這一年多時間，中國金融市場共計產(chǎn)生191個大模型相關(guān)中標項目，其中2024年112個，2025年上半年79個，基本形成銀行業(yè)主導(dǎo)、證券保險跟進、信托資管探索的梯次發(fā)展格局，2025年建設(shè)節(jié)奏明顯提速。

而“海水”的一面，大模型要落地到嚴謹業(yè)務(wù)場景，仍然困難重重?！案咄度?、低滲透”一直是金融行業(yè)最近幾年共識的大模型“落地陷阱”。從“通才”到能成為理解業(yè)務(wù)、符合行業(yè)安全合規(guī)要求且能創(chuàng)造實際商業(yè)收益的“業(yè)務(wù)伙伴”，大模型還有不小差距。

比如，金融從業(yè)人員曾反饋，部分智能化工具沒有契合業(yè)務(wù)場景痛點，反而增加了人工重新檢驗和校正的工作量。也有大行科技部門員工向外透露，引入大模型后，硬件設(shè)備投入成本大增，但實際業(yè)務(wù)效率提升并不明顯，管理層因此對后續(xù)投入產(chǎn)生疑慮。

7月底的WAIC媒體溝通會上，螞蟻數(shù)科金融AI產(chǎn)品總經(jīng)理曹剛曾直言：“目前金融機構(gòu)的AI應(yīng)用中，80%集中在客服問答、文檔處理等通用場景，而風(fēng)控、投研、財富管理等核心業(yè)務(wù)的滲透率不足20%?！?/p>

百度智能云金融業(yè)務(wù)部總經(jīng)理徐旭則觀察到，最近金融機構(gòu)的領(lǐng)導(dǎo)，尤其高層，思考維度已深入到更底層的挑戰(zhàn)與問題。比如，大模型催生的數(shù)字員工并非單純技術(shù)議題，而是新時代的人力資源課題。

技術(shù)創(chuàng)新可能引發(fā)的競爭格局變革，也在金融機構(gòu)引發(fā)更深的思考。7月，徐旭在拜訪一家頭部保險公司副總裁，分享智能體應(yīng)用場景時，對方便拋出核心疑問：“我知道這能做，但在這個時代，我們的護城河在哪？”而這可能需要讓大模型直抵核心業(yè)務(wù)場景，用AI原生技術(shù)和新的管理范式重構(gòu)競爭力。

02

技術(shù)快速演進中的三大共性趨勢

“高投入、低滲透”陷阱背后，是大模型的通用性與金融業(yè)務(wù)的專業(yè)性存在矛盾。4月的一場峰會上，時任中國銀行首席信息官孟茜指出，目前預(yù)訓(xùn)練基礎(chǔ)大模型金融知識配比僅占約5%，導(dǎo)致金融專業(yè)性不足，限制了其在金融場景的深度應(yīng)用。

今年，這個問題開始有了新解法，專業(yè)智能體是大模型落地到金融等嚴謹產(chǎn)業(yè)的有效路徑。這個過程中，行業(yè)逐漸總結(jié)出了一些共性趨勢和落地方法論。

趨勢一，大小模型融合已成金融業(yè)場景主要解決方案。二者協(xié)同關(guān)鍵在匹配分工，大模型多承擔(dān)指揮和協(xié)調(diào)角色，解決長尾、小樣本問題；小模型則憑借多年打磨優(yōu)勢，負責(zé)生產(chǎn)執(zhí)行，并著重滿足業(yè)務(wù)場景中大模型暫時難以實現(xiàn)的毫秒級響應(yīng)需求。

如反欺詐、合規(guī)審計中小模型打分判定，大模型解釋說明；投資研究里，小模型擬合行情數(shù)據(jù)，大模型整理成報告。信貸審批時，大模型初評客戶信用與還款能力，小模型深挖歷史數(shù)據(jù)補充修正。

趨勢二，金融垂直大模型，尤其金融推理模型，開始越來越被需要。

智能體需要好模型。要不要行業(yè)模型、場景模型，很多行業(yè)存在“非共識”。但經(jīng)過實踐，金融行業(yè)明確需行業(yè)大模型與垂類場景模型，以應(yīng)對合規(guī)、嚴謹性、一致性、專業(yè)性等獨特挑戰(zhàn)，滿足精準金融能力需求。

此前，一些金融機構(gòu)，尤其頭部大行，已開展二次訓(xùn)練，各家廠商也都在打造金融行業(yè)大模型。而今年，還要更進一步。

4月初的一場大會上，中國工商銀行首席技術(shù)官呂仲濤曾透露，工行已建成以生成能力為主的企業(yè)級千億級大模型，今年起，其核心方向之一是打造金融推理大模型，以解決可解釋性問題，更好適配業(yè)務(wù)需求。

百度云則在6月推出了千帆慧金金融知識增強、推理增強兩大模型，各含8B和70B兩個版本。百度智能云千帆大模型行業(yè)增強技術(shù)負責(zé)人李曙鵬曾向數(shù)智前線舉例稱，推理增強模型適用于金融表格分析、金融計算等場景，如賦能房貸利率計算，推理得出最優(yōu)金融方案。

7月底的世界人工智能大會上，螞蟻數(shù)科也正式發(fā)布專為金融領(lǐng)域打造的金融推理大模型 Agentar-Fin-R1。

“一個好的垂直大模型，特別是推理能力很強的推理大模型，才能成為一個智能體可控、可靠、可優(yōu)化的智能中樞?！蔽浵仈?shù)科CTO王維觀察，尤其當(dāng)步入深水區(qū)，想用智能體去解決理財、風(fēng)控等場景的問題時，模型推理能力愈發(fā)關(guān)鍵。

螞蟻數(shù)科AI技術(shù)負責(zé)人章鵬則告訴數(shù)智前線，這源于兩方面的需要，一是技術(shù)內(nèi)生需求，推理模型出現(xiàn)后，客戶主動要求跟進先進技術(shù)。二是客戶需可解釋性，希望知曉大模型回答的思考過程，此前主要靠Prompt強制模型的思考，但金融復(fù)雜場景對推理鏈條和邏輯要求更高，僅靠Prompt難以滿足。

但并非所有場景都需推理模型。進入業(yè)務(wù)深水區(qū)，客戶更關(guān)注效率與成本，需按問題差異決定是否深度推理。“比如生成報告、審查報告是否該通過或?qū)徟葓鼍埃沁m用的；但在客服、呼叫、坐席助手場景不實用，因其實時性要求高，哪怕半分鐘，對方都可能掛機?！?中關(guān)村科金副總裁劉倩說。

趨勢三，與基礎(chǔ)大模型解耦，逐漸成為金融機構(gòu)共性選擇。

當(dāng)前，基礎(chǔ)大模型迭代持續(xù)加速，每周都有新的或升級版基礎(chǔ)大模型推出。基于之前模型開發(fā)的應(yīng)用實踐該何去何從？

在7月中旬一場由螞蟻數(shù)科發(fā)起的直播中，香港科技大學(xué)數(shù)字金融實驗室主任陳卡你提到，他們現(xiàn)在做AI應(yīng)用，很多時候會設(shè)為“可插拔”模式，以便隨時更換基礎(chǔ)大模型。尤其金融行業(yè)，因多要求本地部署、成本高昂，對這種靈活適配的需求會更為迫切。

8月底一場由百度云主辦的AI+金融專題論壇上，中國建設(shè)銀行金融科技部副總經(jīng)理張曉東也透露，為適應(yīng)模型的快速迭代，建行打造了企業(yè)級松耦合的整體架構(gòu)，基礎(chǔ)大模型與建行大小模型間、建行大小模型與應(yīng)用場景間雙重解耦，達成“水漲船高”效果?！澳壳拔覀円淹瓿?9個大模型版本的更換，逐步提升了我們對業(yè)務(wù)的支撐能力?！睆垥詵|說。

03

核心場景，有哪些突破？

當(dāng)下，在金融場景落地中，已逐步形成以員工、客戶為兩大主線的發(fā)展方向，持續(xù)深化大模型與智能體的體系化應(yīng)用。相關(guān)落地成果也在持續(xù)涌現(xiàn)。

在員工智能方面，百度云徐旭告訴數(shù)智前線，目前業(yè)界在前臺、中臺、后臺全流程都已有不少案例。

以保險公司營銷場景為例，一些險種的銷售人員成本約占運營成本的40%-60%，且產(chǎn)品條款復(fù)雜、同質(zhì)性強，銷售難度大，業(yè)界圍繞保險銷售全鏈路開展場景探索。比如，泰康在代理人培訓(xùn)場景推了AI智訓(xùn)，可將特殊險種代理人持證上崗的培訓(xùn)期縮短一半。

建行張曉東則介紹，建行為客戶經(jīng)理打造了“幫得” 智能助理，實時推送高凈值客戶、資金變動客戶信息，匹配理財產(chǎn)品與客戶畫像，提供營銷話術(shù)。借助該智能助理，專營客戶經(jīng)理服務(wù)客戶數(shù)從200人升至了600人，直營客戶經(jīng)理服務(wù)客戶數(shù)從幾百人提升至2萬人，幾乎超過單個網(wǎng)點覆蓋的客戶經(jīng)營范圍。

位于中臺位置的投研顧問場景，如高華證券發(fā)布了大模型指數(shù)化股票投資系統(tǒng)。其中，華證高度大語言穩(wěn)健50策略指數(shù)自2024年11月上線以來，年化收益率在25%以上，較中證紅利全收益指數(shù)實現(xiàn)15%超額年化收益。

在更核心的風(fēng)控領(lǐng)域，今年行業(yè)內(nèi)也有新突破。工商銀行用大模型+智能體形式，把業(yè)務(wù)流程串接起來，更快地完成風(fēng)險評估和體系性的能力。在這個過程當(dāng)中，通過強化學(xué)習(xí)理解業(yè)務(wù)專家的工作模式，更好地形成可解釋的風(fēng)險管理的報告。

今年5月谷歌DeepMind 發(fā)布AlphaEvolve，以科學(xué)計算結(jié)合大模型，實現(xiàn)算法自動生成、評估與迭代。百度以此為思路，攻克工程化難點，推出了“伐謀” 智能體，試用于金融行業(yè)風(fēng)控特征工程與建模。在與某直銷銀行的試驗中，最終端到端風(fēng)控模型抓違約人群能力提升了3個千分點?！帮L(fēng)控領(lǐng)域提升一個千分點就屬于顯著指標了?！币晃恍袠I(yè)人士表示。

而客戶智能方面，大模型及智能體，正在推動金融行業(yè)的客服、交易、交互等發(fā)生形態(tài)變化。

如新交互方面，不管是銀行、證券還是保險公司，都已經(jīng)在嘗試探索下一代金融APP，最終目標是從“人找服務(wù)”變?yōu)椤胺?wù)找人”。行業(yè)人士告訴數(shù)智前線，上一代的手機銀行，3-4層的繁雜菜單中，約有70%的按鈕從未被按過，但真想找服務(wù)時又很難，而這些，未來都有可能一句話解決，讓金融APP實現(xiàn)交互躍遷。

另外，交易形態(tài)也在發(fā)生變化。銀行做市業(yè)務(wù)，原來主要靠人工操作。中國工商銀行軟件開發(fā)中心大數(shù)據(jù)和人工智能實驗室資深經(jīng)理夏知淵告訴數(shù)智前線，通過構(gòu)建面向債券交易員的債券交易智能體，實現(xiàn)系統(tǒng)多渠道復(fù)雜詢價交易的一站式交易，平均回價時長從3分鐘降至15秒，交易效率提升10倍，日均交易報價筆數(shù)從200+筆提升至2000+筆。

04

ROI在某些場景可以被量化了

自大模型落地探索至今，ROI（投入產(chǎn)出比 / 投資回報率）始終是金融機構(gòu)關(guān)注的關(guān)鍵指標，卻也長期面臨難量化的問題。

早期開拓階段，因企業(yè)不了解大模型技術(shù)，多需服務(wù)商主動幫忙將ROI明確出來。彼時，ROI測算相對簡單，有時甚至是較為直觀的計算。比如，工作效率的具體提升，獲新客戶與客戶轉(zhuǎn)化的量化、購買數(shù)字人與新招一個員工的成本比對。

而隨著金融AI落地進入深水區(qū)，ROI的重要性和受關(guān)注度還在持續(xù)提升?！拔覀儸F(xiàn)在見客戶經(jīng)常會是科技加業(yè)務(wù)的領(lǐng)導(dǎo)一塊見?！?中關(guān)村科金副總裁劉倩表示，這背后是金融行業(yè)更加向業(yè)務(wù)預(yù)算或科技+業(yè)務(wù)聯(lián)合立項預(yù)算的方向在遷移，立項邏輯更多以“以業(yè)務(wù)價值為導(dǎo)向”，也是其更注重ROI的一個表現(xiàn)。如某銀行新任董事長最近暫停或降低了部分產(chǎn)品屬性類項目預(yù)算，保留甚至加大與“增收、降本、增效” 相關(guān)預(yù)算。

這個過程中，需要建立一個更完善的價值評估體系。

最近，百度云聯(lián)合IDC發(fā)布的《金融大模型應(yīng)用落地白皮書》中就提出，金融機構(gòu)在落地大模型過程中，要以ROI為核心構(gòu)建模型落地效果評估體系，包括提效、增益、使用頻率（MAU、DAU）等維度。同時圍繞 ROI 成本與收益類指標劃分場景落地優(yōu)先級，進行動態(tài)調(diào)整。

部分金融機構(gòu)在一些場景中，已通過多種途徑開展ROI測算，且能明確量化出相應(yīng)價值。

“我們現(xiàn)在主要看業(yè)務(wù)量。”工行夏知淵告訴數(shù)智前線，比如原來人工操作日業(yè)務(wù)量可能只有1000筆，使用AI后，每筆業(yè)務(wù)的操作時間能壓縮十幾分鐘，業(yè)務(wù)量可能增加到2000-3000筆。

一方面，這些業(yè)務(wù)每一筆都會收取手續(xù)費，將每天多調(diào)用AI的次數(shù)與多收的手續(xù)費相比，就能換算出成本和收益。另一方面，原本因人力處理不過來而放棄的50萬元以下的匯款業(yè)務(wù)，隨著AI帶來的提效，可能也能做了。這將會帶來業(yè)務(wù)邊界的擴展。

05

下半場，還存在哪些挑戰(zhàn)？

業(yè)界觀察，過去一年，金融行業(yè)對大模型已經(jīng)從“追逐”轉(zhuǎn)向“審視”，關(guān)注焦點從參數(shù)規(guī)模、榜單排名、打榜成績，全面轉(zhuǎn)向了模型在實際業(yè)務(wù)場景中的價值創(chuàng)造、投入產(chǎn)出測算，以及如何同時說服科技部門和業(yè)務(wù)部門。

這或是產(chǎn)業(yè)已經(jīng)在走向成熟的重要信號。

在這個過程中，除了需繼續(xù)關(guān)注算力如何有序建設(shè)、模型與應(yīng)用范式如何選擇等問題，更關(guān)鍵的是，人工智能已進入以智能體應(yīng)用為核心的下半場，企業(yè)需重點解決圍繞智能體規(guī)模化應(yīng)用的一系列新挑戰(zhàn)。

第一，解決面向智能體規(guī)模應(yīng)用的架構(gòu)適配挑戰(zhàn)。

銀行原來的業(yè)務(wù)架構(gòu)、技術(shù)架構(gòu)按業(yè)務(wù)部門劃分，不同部門有各自的業(yè)務(wù)系統(tǒng)、用戶及研發(fā)團隊。而智能體時代，一個智能體可能需跨系統(tǒng)處理業(yè)務(wù)?！斑@個過程中，智能體的研發(fā)和配置到底由誰來負責(zé)，由誰來驅(qū)動，它底層的子智能體又是誰來負責(zé)研發(fā)，保證它的質(zhì)量，需進一步思考?！毕闹獪Y表示，這樣才能實現(xiàn)更高效運轉(zhuǎn)，否則可能出現(xiàn)大量重復(fù)的低效智能體，浪費研發(fā)資源。

徐旭也提到，智能體落地目前存在工具建設(shè)重復(fù)的問題，認為其落地更需企業(yè)級服務(wù)及連接技術(shù)與業(yè)務(wù)的能力。其團隊與某股份制銀行合作搭建全行員工智能體平臺后，該行通過這一平臺建立了一個總分行MCP庫，使得其中一家分行開發(fā)的智能體上線后快速被三十多家分行拷貝，實現(xiàn)了能力的快速復(fù)用。

第二，解決面向智能體的技術(shù)資產(chǎn)納管治理挑戰(zhàn)

AI時代融合了業(yè)務(wù)專家知識的專業(yè)模型、行業(yè)模型是寶貴資產(chǎn)，如何保護、復(fù)用、管理這些模型，以及管理、更新、調(diào)整那些結(jié)合業(yè)務(wù)流程打造的智能體，將面臨類似過往數(shù)據(jù)資產(chǎn)治理的挑戰(zhàn)。

第三，解決面向模型的專業(yè)數(shù)據(jù)集采洗管用的挑戰(zhàn)。

好的模型和智能體，都需要高質(zhì)量的專業(yè)知識和數(shù)據(jù)。哪些數(shù)據(jù)可以使用，數(shù)據(jù)安全和隱私如何保障，如何將分散的數(shù)據(jù)整理成大模型可用的知識，仍然是一項長期工程。

張曉東介紹，建行正在探索應(yīng)對措施。如在數(shù)據(jù)隱私方面，打造了一個數(shù)據(jù)安全的雙閉環(huán)，一方面，數(shù)據(jù)用于大模型訓(xùn)練方面一定要脫敏，另一方面，訓(xùn)練到大模型里面的數(shù)據(jù)禁止下載。

第四，解決智能體嵌入業(yè)務(wù)邁過最低智能門檻的挑戰(zhàn)。

最首要的是，模型要可控，保障它回答的準確性、專業(yè)性，同時盡可能降低幻覺問題。目前，業(yè)界正在通過推動金融可信機制或一些工程化手段，提升模型可控性，但這仍將是未來幾年內(nèi)的最大挑戰(zhàn)之一。

大模型和智能體的浪潮還在滾滾向前，隨著金融AI落地邁入深水區(qū)，行業(yè)正在加速深挖有深度、高性價比的場景。如何更大范圍滲透進金融核心生產(chǎn)場景，解決好“最后一公里”問題，仍然是一個長期課題。