从“投入黑洞”到“价值破局”：金融智能体如何撕开AI渗透困局？

金融业正遭遇一场“智能化悖论”：头部机构砸下数亿研发大模型，中小玩家争相采购 AI 工具，可重金投入却难在核心业务中泛起涟漪，“高投入低渗透”的困局成为行业转型的拦路虎。

这一困局背后，是通用大模型与金融业特性的深层错位。金融业的风险描述高度依赖规则与监管要求，且业务的交付边界不够清晰，这两点天然压缩了大模型的应用空间；强监管下的全程留痕要求延缓了变革节奏；而行业各自为战的 “重复造轮子” 模式，更让中小机构难以共享技术红利。三重阻力筑起 AI 渗透的高墙。

当技术狂奔撞上现实壁垒，金融业的智能化转型亟需新支点。此时，能实现“感知-推理-规划-执行-进化”闭环的金融智能体（Agent）进入视野。它以精准的场景适配、可控的合规路径和协同的应用模式，正成为撕开困局的关键力量，为金融业从“投入黑洞 走向“价值破局”带来曙光。

为了深刻呈现金融智能体的应用情况和落地场景，蚂蚁数科联合零壹财经于7月中下旬发布《2025金融智能体深度应用报告》（点击文末阅读原文可下载完整版报告），并启动「穿透场景·智解难题——破局金融AI“高投入低渗透”陷阱」大模型深度应用直播周（通过零壹财经视频号可观看直播回放），聚焦转型痛点与智能体发展、AI重塑财富管理、AI升级风控合规以及技术可信与场景适配，系统拆解金融AI从概念验证到规模应用的完整路径，为行业破局提供清晰指引。

一、深度诊断：金融大模型为何“叫好不叫座”？

金融业AI应用基础深厚，大模型更是当前重要趋势。蚂蚁数科Agentar负责人马振雄指出，金融机构正多维度推进智能化，表现为持续扩充算力，并在场景创新上突破，涵盖流程提效、交互体验升级、运维优化、非核心业务自动化，甚至开始审慎探索核心业务的AI应用。

然而，如此高强度的投入与技术迭代，尚未显著转化为用户对金融服务变革的感知。换句话说，金融大模型应用往往叫好不叫座，陷入“高投入低渗透”陷阱。

在近日由零壹智库和蚂蚁数科联合推出的大模型深度应用直播周中，相关学界与实战专家表示，其症结在于以下三点：

行业适配性不足。中央财经大学金融科技研究中心主任张宁揭示了关键制约：金融业的风险描述依赖规则与监管，具有“非纯概率性”（存在“概率结果的惩罚性”）；同时，任务“交付边界清晰度”不足，“语言价值密度”仅部分达标。三者中仅一项勉强合格，天然压缩了大模型的应用空间。

张宁同时指出，当前金融大模型应用呈现两个层次：一是机构层面的“集中式应用”，聚焦自建基础设施、优化内部流程（如嵌入OA 系统）；二是更贴近用户的“分布式应用”，即理财经理、保险代理人等触达客户“神经末梢”的前线人员对大模型的使用。

后者发展更快、更普遍，前线人员及客户的使用频率甚至高于机构内部，部分客户甚至借此提升专业度，随后才对金融机构形成“鞭策”效应。

强监管形成合规围栏。例如，金融客服需全程录音备案，客户交互均需留痕以防差错。尽管合规价值显著，但香港科技大学数字金融实验室主任陈卡你指出，这些要求客观上延缓了变革进程。因此，模型优化的目标应是在提升多数用户体验的同时，有效识别风险。

行业协作存在短板。陈卡你进一步指出，各银行各自为战，仿佛在“重复发明轮子”。与医疗行业公开分享经验（包括教训）的模式不同，金融业因数据隐私等限制缺乏协作，导致中小机构难以复用大银行的模型资源，制约了全行业AI应用的规模效应。

面对行业适配性不足、强监管约束与协作短板的多重挑战，金融业的AI投入亟需找到新的方向与路径。

二、抉择与转向：金融业 AI 投入的路径调整

面对“高投入低渗透”的困境，银行、证券、保险、基金等机构在 AI 投入上的战略选择正面临考验：头部机构布局自研大模型的热潮未退，中小机构虽跃跃欲试，却陷入两难——跟进则需面对投资回报率不明、资源承压的挑战，观望又恐错失由技术代差带来的战略机遇。

对此，马振雄认为，金融业对AI的投入不会停止，但重心将转向场景创新。他强调，自建金融大模型不仅必要，而且投入可控。

金融机构的AI投入已悄然转向，前两年处于“基建期”，重心在于算力、平台等基础能力建设，如今则更侧重“场景创新”，并遵循由易到难的渐进路径：从简单问答、内部办公及非核心业务切入，逐步延伸至研发运维提效，最终迈向对客户的业务流程重构及核心业务改造。这是一个虽需循序渐进却目标坚定的过程。

金融场景的特殊性，决定了构建行业大模型的必要性，主要体现在四大核心能力要求上：

（1）精准意图识别与路由：需精确理解问题所属的金融业务领域和场景，通用模型难以胜任；

（2）可靠工具/知识调用：核心应用要求模型能稳定、准确地召回工具和专业知识，避免发散；

（3）准确金融实体识别：需精准提取金融文本中的关键实体信息；

（4）合规专业表达：回答必须严谨、合规、条理清晰，体现金融专业性（如规避个股推荐、唱空市场等）。

这四类“金融级能力”无法依赖通用模型实现，必须在基座模型基础上，通过特定数据训练出行业大模型。这是金融AI落地的必经之路。

实现投入可控的关键在于技术路径选择：无需从零开始进行成本极高的庞大模型预训练。更可行的方案是基于成熟的开源基座模型（如通义千问等），通过后续训练注入金融专项能力。所需资源主要集中于后训练阶段的人力、高质量样本、中等规模算力（白卡级别）及微调平台能力，有效规避了天价预训练成本，使整体投入可控。

张宁同样支持金融业持续投入AI，他建议，对于大中型金融机构而言，既要将技术优势牢牢锚定在真实业务需求，实现需求驱动的技术落地，更要努力将大模型能力转化为自身的核心竞争力和品牌优势，构筑核心竞争壁垒。

对于中小金融机构，则需审慎权衡投入产出比，采取分步投入策略，将投入科学拆解到不同阶段。同时，切忌全场景铺开，必须聚焦自身优势场景进行深度渗透，结合差异化需求选择突破口，实现精准渗透。

而在明确了投入需向场景创新倾斜、并需构建金融级核心能力后，一种被视为技术演进下一焦点的“智能体“，开始进入行业视野，被期待成为破解困局的关键力量。

三、破局希望：金融智能体的独特价值

在2024年7月的产业发展主论坛上，蚂蚁集团董事长兼CEO井贤栋表示,专业智能体能够破解通用大模型在严谨产业应用的关键难题。

相较于单纯的大模型，金融智能体的核心突破在于构建了“感知-推理-规划-执行-进化”的闭环机制。这一机制驱动智能体实现从“被动问答”向“主动决策”的跃迁，其能力可拆解为三阶段：

策划阶段，可精准解析问题所属业务场景，动态规划需调用的工具与知识（如客户持仓数据、市场指标），避免结果漂移；

执行阶段，能通过工具接口调用存量系统，确保指标查询与知识召回的确定性；

表达阶段，可输出严谨、合规、图文并茂的结论，严格遵循“观点先行，有理有据”的金融专业规范。

正因如此，智能体在应对大模型在金融行业应用中面临的诸多问题时，可展现出独特的优势。

针对行业适配性不足，智能体可精准理解金融业务领域和场景。例如，蚂蚁数科智能体在策划阶段能解析场景、规划工具与知识调用以避免结果漂移，其核心应用能稳定召回专业知识，执行阶段通过接口调用存量系统保障信息确定性，还能精准提取金融实体信息，表达阶段输出合规专业的结论，克服大模型的局限。

面对强监管形成的合规围栏，智能体可通过强化检索与遵循能力确保“用对知识”而非“自我发挥”，构建精准检索系统并结合多种技术让推理过程透明可追溯，同时建立动态优化机制，补充合规样本并评测归因，保障结果合规准确。

不过当前智能体能力有限，陈卡你认为瓶颈在于智能体的基座大模型，其能力受合规成本与迭代速度制约。本地化部署也存在困境，金融机构因保密需求仅限使用开源模型且无法外部调用，“满血版”模型（如deepseek）部署成本高（可达近千万元级别，且需持续维护投入）且面临术迭代风险，易陷入“创新困境”。

蚂蚁数科与零壹智库联合发布的《2025金融智能体深度应用报告》同样指出，当前，智能体的金融业务场景以“金融业务 RPA（Robotic Process Automation）”为主，在客服、风控等场景实现规则化任务自动化，但受基座模型能力、思维链技术等限制，尚未实现完全自主工作。

不过，随着技术迭代以及算力成本下降，智能体在投研分析、量化交易等复杂场景的多智能体协同应用逐步展开，正从单一工具向全业务链智能化解决方案演进。

行业内已有机构开始探索针对性的解决方案，蚂蚁数科推出的“可信智能体”便是其中的典型实践，为破解智能体落地难题提供了有益参考。

四、实践探索：蚂蚁数科“可信智能体”的破题之道

金融服务的每一个数字背后都连着真实的财富与信任，这让行业对错误有着天然的“零容忍”——哪怕万分之一的偏差，都可能酿成难以挽回的损失。

正是基于这一行业特质，蚂蚁数科大模型和智能体算法负责人齐翔提出“可信智能体”三大支柱，从供给可靠、过程可控、结果可优化三个维度构建保障体系。

在供给可靠层面，知识工程成为坚实基础。金融领域的知识往往藏在PDF报表的褶皱里，PPT图表的缝隙中，或是API接口的晦涩注释里。蚂蚁数科用一套“智能拆解术”让这些知识活起来：

150 份银行文档经自动化处理，变成 2 万条精准FAQ，可覆盖50%的业务流量；数据库注释被转换成通俗易懂的“说明书”，使Chat BI取数准确率提升4-5个百分点；就连那些“沉睡”的API接口，也在离线智能体的反复调试下，20%重新“苏醒”投入使用。

过程可控方面，强化检索与遵循能力。金融决策容不得“信马由缰”，智能体的每一步推理都得有章可循。蚂蚁数科构建起工业级检索系统，涵盖问题理解、多路召回、重排序等十余个环节，确保1秒内召回相关知识；知识遵循上，通过强化学习（如偏好对齐）鼓励智能体优先使用外部检索知识，结合SFT（有监督微调）+DPO（直接偏好优化）满足金融合规与严谨性要求；SOP协同规则将业务流程（如企业查询步骤）转化为自然语言 SOP，嵌入智能体推理过程，使回答准确率提升10个点以上。

结果优化方面，聚焦量化评估与迭代。蚂蚁数科建立动态优化机制，持续提升智能体输出质量，一方面构建合成数据生成体系，针对性补充金融领域严谨性、合规性训练样本；另一方面，设计适配智能体的评测指标，结合人工标注与自动化工具，实现端到端效果评估与归因分析。

基于 “可信智能体” 架构，蚂蚁数科已落地 100 个金融智能体应用场景。《2025金融智能体深度应用报告》（点击文末阅读原文可下载完整版报告）显示，其覆盖银行、证券、保险及通用四大板块，全面渗透客户服务、内部运营、风险管理等全业务链。

例如，在客户服务场景，智能体直击传统金融服务时间受限、响应滞后、体验同质化等痛点，以7x24小时在线服务提升效率与可得性，更通过深度个性化重塑服务体验、增强客户粘性。全流程助手智能体覆盖售前咨询、产品使用、售后运维等环节。

在营销与销售场景，智能体凭借强大数据分析与内容生成能力，推动金融机构从“大海捞针”式传统营销转向“精准滴灌”式智慧营销。其核心价值在于深度洞察客户、实现个性化触达，最大化营销ROI。如营销智能体在试点场景提效20%，金融问答智能体为C端用户提供零“幻觉”的基金解读与财富配置咨询。

风险管理场景中，智能体可处理分析比传统规则引擎更复杂海量的数据，实现风险的更早识别与精准预警，推动风控从“事后补救”向“事中拦截+事前防范”转型。例如风控建模智能体替代人力完成机器学习建模，既提升模型区分度（KS值），又降低长尾需求的人力成本。

金融智能体的价值，在于它为“严谨产业”提供了一种“可控创新”的路径，在合规围栏内实现技术与业务的深度耦合。从实践来看，智能体已展现出破解“高投入低渗透”的潜力，但这一过程仍需跨越监管协同、数据治理、知识沉淀等多重挑战。

要释放潜力并克服挑战，必须攻克技术可信性这一核心难题。金融场景对AI模型的要求远超一般领域，需构建涵盖数据全周期安全、算法透明可追溯的全链路保障体系。只有将技术能力转化为“可部署、可信赖”的金融级生产力，才能筑牢AI规模化落地的技术底座，打通从“可控创新”到“价值落地”的关键链路。

-End-