金融業正遭遇一場“智能化悖論”：頭部機構砸下數億研發大模型，中小玩家爭相采購 AI 工具，可重金投入卻難在核心業務中泛起漣漪，“高投入低滲透”的困局成為行業轉型的攔路虎。

這一困局背后，是通用大模型與金融業特性的深層錯位。金融業的風險描述高度依賴規則與監管要求，且業務的交付邊界不夠清晰，這兩點天然壓縮了大模型的應用空間；強監管下的全程留痕要求延緩了變革節奏；而行業各自為戰的 “重復造輪子” 模式，更讓中小機構難以共享技術紅利。三重阻力筑起 AI 滲透的高墻。

當技術狂奔撞上現實壁壘，金融業的智能化轉型亟需新支點。此時，能實現“感知-推理-規劃-執行-進化”閉環的金融智能體（Agent）進入視野。它以精準的場景適配、可控的合規路徑和協同的應用模式，正成為撕開困局的關鍵力量，為金融業從“投入黑洞 走向“價值破局”帶來曙光。

為了深刻呈現金融智能體的應用情況和落地場景，螞蟻數科聯合零壹財經于7月中下旬發布《2025金融智能體深度應用報告》（點擊文末閱讀原文可下載完整版報告），并啟動「穿透場景·智解難題——破局金融AI“高投入低滲透”陷阱」大模型深度應用直播周（通過零壹財經視頻號可觀看直播回放），聚焦轉型痛點與智能體發展、AI重塑財富管理、AI升級風控合規以及技術可信與場景適配，系統拆解金融AI從概念驗證到規模應用的完整路徑，為行業破局提供清晰指引。

 01 深度診斷：金融大模型為何“叫好不叫座”？

金融業AI應用基礎深厚，大模型更是當前重要趨勢。螞蟻數科Agentar負責人馬振雄指出，金融機構正多維度推進智能化，表現為持續擴充算力，并在場景創新上突破，涵蓋流程提效、交互體驗升級、運維優化、非核心業務自動化，甚至開始審慎探索核心業務的AI應用。

然而，如此高強度的投入與技術迭代，尚未顯著轉化為用戶對金融服務變革的感知。換句話說，金融大模型應用往往叫好不叫座，陷入“高投入低滲透”陷阱。

在近日由零壹智庫和螞蟻數科聯合推出的大模型深度應用直播周中，相關學界與實戰專家表示，其癥結在于以下三點：

行業適配性不足。中央財經大學金融科技研究中心主任張寧揭示了關鍵制約：金融業的風險描述依賴規則與監管，具有“非純概率性”（存在“概率結果的懲罰性”）；同時，任務“交付邊界清晰度”不足，“語言價值密度”僅部分達標。三者中僅一項勉強合格，天然壓縮了大模型的應用空間。

張寧同時指出，當前金融大模型應用呈現兩個層次：一是機構層面的“集中式應用”，聚焦自建基礎設施、優化內部流程（如嵌入OA 系統）；二是更貼近用戶的“分布式應用”，即理財經理、保險代理人等觸達客戶“神經末梢”的前線人員對大模型的使用。

后者發展更快、更普遍，前線人員及客戶的使用頻率甚至高于機構內部，部分客戶甚至借此提升專業度，隨后才對金融機構形成“鞭策”效應。

強監管形成合規圍欄。例如，金融客服需全程錄音備案，客戶交互均需留痕以防差錯。盡管合規價值顯著，但香港科技大學數字金融實驗室主任陳卡你指出，這些要求客觀上延緩了變革進程。因此，模型優化的目標應是在提升多數用戶體驗的同時，有效識別風險。

行業協作存在短板。陳卡你進一步指出，各銀行各自為戰，仿佛在“重復發明輪子”。與醫療行業公開分享經驗（包括教訓）的模式不同，金融業因數據隱私等限制缺乏協作，導致中小機構難以復用大銀行的模型資源，制約了全行業AI應用的規模效應。

面對行業適配性不足、強監管約束與協作短板的多重挑戰，金融業的AI投入亟需找到新的方向與路徑。

 02 抉擇與轉向：金融業 AI 投入的路徑調整

面對“高投入低滲透”的困境，銀行、證券、保險、基金等機構在 AI 投入上的戰略選擇正面臨考驗：頭部機構布局自研大模型的熱潮未退，中小機構雖躍躍欲試，卻陷入兩難——跟進則需面對投資回報率不明、資源承壓的挑戰，觀望又恐錯失由技術代差帶來的戰略機遇。

對此，馬振雄認為，金融業對AI的投入不會停止，但重心將轉向場景創新。他強調，自建金融大模型不僅必要，而且投入可控。

金融機構的AI投入已悄然轉向，前兩年處于“基建期”，重心在于算力、平臺等基礎能力建設，如今則更側重“場景創新”，并遵循由易到難的漸進路徑：從簡單問答、內部辦公及非核心業務切入，逐步延伸至研發運維提效，最終邁向對客戶的業務流程重構及核心業務改造。這是一個雖需循序漸進卻目標堅定的過程。

金融場景的特殊性，決定了構建行業大模型的必要性，主要體現在四大核心能力要求上：

（1）精準意圖識別與路由：需精確理解問題所屬的金融業務領域和場景，通用模型難以勝任；

（2）可靠工具/知識調用：核心應用要求模型能穩定、準確地召回工具和專業知識，避免發散；

（3）準確金融實體識別：需精準提取金融文本中的關鍵實體信息；

（4）合規專業表達：回答必須嚴謹、合規、條理清晰，體現金融專業性（如規避個股推薦、唱空市場等）。

這四類“金融級能力”無法依賴通用模型實現，必須在基座模型基礎上，通過特定數據訓練出行業大模型。這是金融AI落地的必經之路。

實現投入可控的關鍵在于技術路徑選擇：無需從零開始進行成本極高的龐大模型預訓練。更可行的方案是基于成熟的開源基座模型（如通義千問等），通過后續訓練注入金融專項能力。所需資源主要集中于后訓練階段的人力、高質量樣本、中等規模算力（白卡級別）及微調平臺能力，有效規避了天價預訓練成本，使整體投入可控。

張寧同樣支持金融業持續投入AI，他建議，對于大中型金融機構而言，既要將技術優勢牢牢錨定在真實業務需求，實現需求驅動的技術落地，更要努力將大模型能力轉化為自身的核心競爭力和品牌優勢，構筑核心競爭壁壘。

對于中小金融機構，則需審慎權衡投入產出比，采取分步投入策略，將投入科學拆解到不同階段。同時，切忌全場景鋪開，必須聚焦自身優勢場景進行深度滲透，結合差異化需求選擇突破口，實現精準滲透。

而在明確了投入需向場景創新傾斜、并需構建金融級核心能力后，一種被視為技術演進下一焦點的“智能體“，開始進入行業視野，被期待成為破解困局的關鍵力量。

 03 破局希望：金融智能體的獨特價值

在2024年7月的產業發展主論壇上，螞蟻集團董事長兼CEO井賢棟表示,專業智能體能夠破解通用大模型在嚴謹產業應用的關鍵難題。

相較于單純的大模型，金融智能體的核心突破在于構建了“感知-推理-規劃-執行-進化”的閉環機制。這一機制驅動智能體實現從“被動問答”向“主動決策”的躍遷，其能力可拆解為三階段：

策劃階段，可精準解析問題所屬業務場景，動態規劃需調用的工具與知識（如客戶持倉數據、市場指標），避免結果漂移；

執行階段，能通過工具接口調用存量系統，確保指標查詢與知識召回的確定性；

表達階段，可輸出嚴謹、合規、圖文并茂的結論，嚴格遵循“觀點先行，有理

有據”的金融專業規范。

正因如此，智能體在應對大模型在金融行業應用中面臨的諸多問題時，可展現出獨特的優勢。

針對行業適配性不足，智能體可精準理解金融業務領域和場景。例如，螞蟻數科智能體在策劃階段能解析場景、規劃工具與知識調用以避免結果漂移，其核心應用能穩定召回專業知識，執行階段通過接口調用存量系統保障信息確定性，還能精準提取金融實體信息，表達階段輸出合規專業的結論，克服大模型的局限。

面對強監管形成的合規圍欄，智能體可通過強化檢索與遵循能力確保“用對知識”而非“自我發揮”，構建精準檢索系統并結合多種技術讓推理過程透明可追溯，同時建立動態優化機制，補充合規樣本并評測歸因，保障結果合規準確。

不過當前智能體能力有限，陳卡你認為瓶頸在于智能體的基座大模型，其能力受合規成本與迭代速度制約。本地化部署也存在困境，金融機構因保密需求僅限使用開源模型且無法外部調用，“滿血版”模型（如deepseek）部署成本高（可達近千萬元級別，且需持續維護投入）且面臨術迭代風險，易陷入“創新困境”。

螞蟻數科與零壹智庫聯合發布的《2025金融智能體深度應用報告》同樣指出，當前，智能體的金融業務場景以“金融業務 RPA（Robotic Process Automation）”為主，在客服、風控等場景實現規則化任務自動化，但受基座模型能力、思維鏈技術等限制，尚未實現完全自主工作。

不過，隨著技術迭代以及算力成本下降，智能體在投研分析、量化交易等復雜場景的多智能體協同應用逐步展開，正從單一工具向全業務鏈智能化解決方案演進。

行業內已有機構開始探索針對性的解決方案，螞蟻數科推出的“可信智能體”便是其中的典型實踐，為破解智能體落地難題提供了有益參考。

 04 實踐探索：螞蟻數科“可信智能體”的破題之道

金融服務的每一個數字背后都連著真實的財富與信任，這讓行業對錯誤有著天然的“零容忍”——哪怕萬分之一的偏差，都可能釀成難以挽回的損失。

正是基于這一行業特質，螞蟻數科大模型和智能體算法負責人齊翔提出“可信智能體”三大支柱，從供給可靠、過程可控、結果可優化三個維度構建保障體系。

在供給可靠層面，知識工程成為堅實基礎。金融領域的知識往往藏在PDF報表的褶皺里，PPT圖表的縫隙中，或是API接口的晦澀注釋里。螞蟻數科用一套“智能拆解術”讓這些知識活起來：

150 份銀行文檔經自動化處理，變成 2 萬條精準FAQ，可覆蓋50%的業務流量；數據庫注釋被轉換成通俗易懂的“說明書”，使Chat BI取數準確率提升4-5個百分點；就連那些“沉睡”的API接口，也在離線智能體的反復調試下，20%重新“蘇醒”投入使用。

過程可控方面，強化檢索與遵循能力。金融決策容不得“信馬由韁”，智能體的每一步推理都得有章可循。螞蟻數科構建起工業級檢索系統，涵蓋問題理解、多路召回、重排序等十余個環節，確保1秒內召回相關知識；知識遵循上，通過強化學習（如偏好對齊）鼓勵智能體優先使用外部檢索知識，結合SFT（有監督微調）+DPO（直接偏好優化）滿足金融合規與嚴謹性要求；SOP協同規則將業務流程（如企業查詢步驟）轉化為自然語言 SOP，嵌入智能體推理過程，使回答準確率提升10個點以上。

結果優化方面，聚焦量化評估與迭代。螞蟻數科建立動態優化機制，持續提升智能體輸出質量，一方面構建合成數據生成體系，針對性補充金融領域嚴謹性、合規性訓練樣本；另一方面，設計適配智能體的評測指標，結合人工標注與自動化工具，實現端到端效果評估與歸因分析。

基于 “可信智能體” 架構，螞蟻數科已落地 100 個金融智能體應用場景。《2025金融智能體深度應用報告》（點擊文末閱讀原文可下載完整版報告）顯示，其覆蓋銀行、證券、保險及通用四大板塊，全面滲透客戶服務、內部運營、風險管理等全業務鏈。

例如，在客戶服務場景，智能體直擊傳統金融服務時間受限、響應滯后、體驗同質化等痛點，以7x24小時在線服務提升效率與可得性，更通過深度個性化重塑服務體驗、增強客戶粘性。全流程助手智能體覆蓋售前咨詢、產品使用、售后運維等環節。

在營銷與銷售場景，智能體憑借強大數據分析與內容生成能力，推動金融機構從“大海撈針”式傳統營銷轉向“精準滴灌”式智慧營銷。其核心價值在于深度洞察客戶、實現個性化觸達，最大化營銷ROI。如營銷智能體在試點場景提效20%，金融問答智能體為C端用戶提供零“幻覺”的基金解讀與財富配置咨詢。

風險管理場景中，智能體可處理分析比傳統規則引擎更復雜海量的數據，實現風險的更早識別與精準預警，推動風控從“事后補救”向“事中攔截+事前防范”轉型。例如風控建模智能體替代人力完成機器學習建模，既提升模型區分度（KS值），又降低長尾需求的人力成本。

金融智能體的價值，在于它為“嚴謹產業”提供了一種“可控創新”的路徑，在合規圍欄內實現技術與業務的深度耦合。從實踐來看，智能體已展現出破解“高投入低滲透”的潛力，但這一過程仍需跨越監管協同、數據治理、知識沉淀等多重挑戰。

要釋放潛力并克服挑戰，必須攻克技術可信性這一核心難題。金融場景對AI模型的要求遠超一般領域，需構建涵蓋數據全周期安全、算法透明可追溯的全鏈路保障體系。只有將技術能力轉化為“可部署、可信賴”的金融級生產力，才能筑牢AI規模化落地的技術底座，打通從“可控創新”到“價值落地”的關鍵鏈路。

-End-

       原文標題 : 從“投入黑洞”到“價值破局”：金融智能體如何撕開AI滲透困局？