金融AI能力跃升：智能体规模化应用起步，效率革新之下多重挑战待解

每经记者｜涂颖浩    每经编辑｜杨军    

AI（人工智能）产业发展重心正从大模型训练加速转向智能体规模化落地应用，金融行业作为AI落地的前沿阵地，正加速迈入智能体迭代新阶段。

《每日经济新闻》记者注意到，在2026年中国国际金融展上，蚂蚁数科发布Agentar金融智能体专家团，面向银行、证券、保险等行业，覆盖财富管理、金融风控、金融营销等金融核心业务领域。阿里云、OceanBase、长亮科技、神州信息、浪潮计算机等科技厂商也集中亮相金融智能体相关产品与解决方案，行业落地氛围持续升温。

“Agent化（智能体）以后确实极大地提升了效率。”一位与会人士在受访时指出，以信贷场景为例，传统模式依靠人工/简易模型处理客户上传的票据、合同等材料，核查贷款流向并完成监管报送，流程繁琐；依托智能体能够自动化完成全流程核验报送，显著节约人力与时间。

金融AI应用持续升级：初期AI工具/助手只能处理独立任务，如生成研报摘要、执行合规审查、响应客户咨询；而后，AI应用开始辅助管理工作流程，帮助从业者梳理任务节点、汇总多源信息，这也是当前大多数金融机构所处的AI阶段。“当前，智能体在产业中已经从辅助人、模拟人走向真正承担岗位级价值交付，金融行业也正在这个趋势下进行前所未有的组织演进。”蚂蚁数科金融事业部总经理曹刚表示。

业内人士坦言，智能体规模化落地在为金融业带来效率红利的同时，也催生全新行业挑战。金融业务对数据精准度、风险管控有着零容错的严苛要求，智能体运行中的微小偏差都可能引发业务风险与合规隐患。与此同时，多轮推理、协同作业的智能体运行模式也推动金融智能算力需求迎来爆发式增长，行业算力消耗模式随之迎来根本性迭代。

从问答交互到自主作业

金融业务效率数十倍提升

随着大模型深度落地金融业，行业AI应用正实现代际跃迁，由基础对话问答升级至可自主完成业务全流程的智能体阶段。

过去，营销经理要制定推广方案，得找分析师跨系统手动拉表，客户数据零散没法搭建精准画像，方案全凭个人经验打磨，整套流程动辄耗时数天。在金融智能体时代，只需下达业务目标，AI即可自动统筹数据分析、市场研判、渠道投放等环节，短短几分钟就能产出完整营销方案。

区别于传统单点AI工具，金融智能体可自主拆解业务目标、分拆任务，调度多类专业AI模块协同作业，完整输出业务成果，大幅缩减人工干预环节。

记者注意到，在金融智能体落地场景中，保险营销、核保理赔、银行信贷、证券投研、风险管理等领域均有较高门槛，能力构建的难点在于支撑判断的专业知识体系，这来自大量真实金融场景中长期积累的业务经验，无法通过短期技术搭建获得。如客户经理对应的数字客户经理专家，不只是执行销售动作，还需要理解不同客群在不同市场行情下的资产行为规律，才能制定有效的服销经营策略。

国内一家头部股份制银行落地案例显示，过去该行客户经理多数精力耗费在数据调取、材料整理等重复性事务上；上线智能体后，客户经理得以聚焦客户深度经营、复杂需求对接等高价值工作。该行测算数据显示，相关业务全流程处理效率提升数十倍，单人可服务管理的客户规模增长十倍以上。

对于金融AI下一阶段发展方向，神州信息金融新创技术部总经理张劲在采访中提出，希望AI在核心业务系统里不是外挂，而是真正融入整个业务流程的闭环。未来行业将实现从“人找服务”到“服务找人”的转变，迭代重心将转向打造具备感知力、有温度的业务，提升客户服务体验。

落地遇多重关卡

数据、合规成核心考验

在业内看来，金融行业数据安全与合规监管标准严苛，公域、私域数据打通困难，成为制约垂直大模型规模化落地的瓶颈。

恒生电子控股子公司恒生聚源产品总监傅健一坦言，人工智能发展浪潮下，金融业对高质量专业数据的需求只增不减。“即便技术顶尖的大模型，如果缺少专业适配性强的数据支撑，面对复杂的金融分析任务时的表现，其实远远不如当下的专业人士。”

保险核保是AI提效成果突出的典型领域。理赔环节需处理病历、票据、手写单据等多类型非标准化材料，识别难度较高。OceanBase AI解决方案总经理尹博学介绍，传统模式以人工审核为主，机器仅依靠固定算法辅助校验；引入大模型后，可由AI先行完成材料归集识别，再交由人工复核。依托多模态文件与结构化业务数据交叉核验，核保识别准确率、人工审核工作量均可同步改善一个数量级。

“在营销场景下，依托根因分析、自然语言交互与智能体流程编排能力，普通营销人员可快速搭建完整营销链路并迭代优化。”尹博学指出，市面上通用自然语言转SQL（结构化查询语言）仅满足语法标准，极易因缺少业务语境出现数据查询偏差；金融场景需要搭建专属业务语义网络，锚定行业语境，才能保证查询结果贴合真实业务需求。

当前图文、视频等非结构化数据增速、体量远超交易类结构化数据，未来或将占据全球数据总量八成。OceanBase高级副总裁、金融政企事业部总经理翁睿表示，盘活海量非结构化数据、将其转化为可用的高质量金融数据，搭配底层模型与算力一体化调度，才能真正完成金融业AI体系的升级变革。

效率提升之外，合规风险是机构落地AI不可忽视的核心难题。业内人士表示，大模型产出有效业务结果的门槛高，输出内容也难以精准管控。以理财营销推荐为例，大模型泛化生成的推介话术极易存在诱导倾向，属于监管明令禁止的行为。

算力范式变革

Token化破解资源浪费

随着金融业加速迈入智能体时代，行业算力消耗模式迎来根本性迭代。区别于传统AI单次请求、单次推理的短时调用模式，金融智能体依托多主体协同、多轮推理、高频工具调用完成完整业务闭环，使Token（词元）消耗呈现链路式放大特征，且消耗规模难以预判，算力成本管控难题凸显。

多位业内人士受访时坦言，金融智能体Demo场景的智能化效果普遍亮眼，但背后的模型Token、算力消耗与业务产出严重不匹配，导致多数优质技术方案难以规模化落地。业内普遍认为，算力性价比已成为金融机构落地智能体应用的核心考量指标。

作为可计量、可定价、可交易的标准化单位，Token成为衡量AI服务能力的核心标尺，也正因如此，AI时代的算力供给方式也逐渐开始了Token化。

IDC中国研究经理王楠表示，金融行业出于数据安全、合规监管、容灾备份的严苛要求，分布式数据库部署呈现明显分化格局，行业四分之三采用本地部署模式。其中，银行账务、信用卡及保险、证券交易等核心关键系统均以本地部署为主，公有云仅广泛应用于零售、营销、客户管理等非核心业务场景。

部署模式的割裂，让金融机构普遍面临算力资源异构分散、跨云调度困难等痛点。叠加传统硬件租赁时长、外部API（应用程序接口）调用的粗放计费模式，行业算力闲置、成本浪费问题愈发突出，制约AI规模化落地。

“当前金融行业通用算力需求仍占主流，但智能算力需求爆发已成不可逆趋势。”浪潮计算机AI产品线负责人刘伟向《每日经济新闻》记者表示，正如水电煤等公共事业资源有“度”“吨”等明确计量单位一样，Token化后的算力，其价值体现在最终的业务输出上——一个字、一段话、一篇文章，乃至一次复杂的信贷评级分析。对于金融机构而言，这意味着一种更灵活、更高效的范式转变。

在刘伟看来，未来头部金融机构将搭建全域统一算力调度平台，各业务部门无需关注底层芯片硬件类型，仅根据业务需求申领对应算力Token。该模式可彻底打破硬件资源孤岛，实现算力跨区域、跨集群统一调度与纳管，大幅提升行业算力利用效率。

目前，金融各细分场景的Token计量标准虽未完全统一，但算力Token化的行业共识已逐步形成，为金融行业AI算力的精细化管理和市场化交易奠定了基础，同时也为金融智能体规模化落地扫清成本与资源调度障碍。

封面图片来源：每经媒资库