“加速金融行业基于AI原生的智能重构”是一句很绕的话,在大约十年前提出“数字原生”的时代,喊出的口号是要么成为数字原生的企业,要么转型为数字化的企业,经过近几年的验证,没有数字化的企业大部分已经消亡。简单来说靠天吃饭已经被淘汰,再小的经营也需要数据支撑。小的制造业工厂可以通过淘宝、京东、拼多多不同的平台测试出自身产品更加适合哪个群体;小的餐馆通过现场和外卖收入确定自身发展方向;抖音上关于城市的热点可以给当地做小生意的人提前做个预热准备。回过来看金融行业是一样的,经营无分大小,基础原理相同,工具越来越好用,就可以带来营销增长、成本下降、开拓新领域的多维效果。数字原生悄然退去,AI原生逐步崛起,一方面从业人员的接受度普遍提高,带来转型的时间相比之前的技术转型快很多;另一方面,AI大模型把数字化时代想做,但欠缺火候的事情都给玩转起来。有一些见效的数据可做参考:
1代发客群运营:AUM提升、流失率降低、活跃度+5%。
2断点营销:召回率20%、转化率+20%、流失率-10%。
3达标有奖活动:AUM+7%、手机银行活跃度+18%。
4消费贷促支:支用率+5%、新增贷款余额亿级。
5理财意向预测:转化提升3.5倍、建模周期从2-4周缩至2-3天。
6实时营销:大额入金/机票消费/内容订阅实时触达。
7策略智能沉淀:算法驱动规律总结、客群放大、效果预测。
8能力赋能:模板沉淀+专家团队培养种子骨干。
1、 AI原生的挑战
1.1 原生理解的挑战
首先明确个解释,这里讲的AI原生并不是推翻做技术重构,而是与AI赋能给各个应用的方式做对比,强调的是做AI原生的业务应用。
1)在已有基础上对业务应用AI大模型赋能,只能解决短期问题,使用年限1-2年。这块不是技术问题,更多是业务理解和使用习惯的培养。举个例子:现在到银行办理业务的人少了,到银行现场去找窗口的人办业务少了,主要个人业务要么APP、小程序处理,要么到柜员机上自助处理;那么,传统的升级做法是给APP、柜员机赋能AI大模型能力,让其办理效率更快、用户使用更加便捷;AI原生的方式是分析此用户的行为,建立其独有的自动化、推送式服务。
2)市场对用户的教育周期,从发展看这个时间会非常短。人们从手动开关灯、开电器,转变为全屋智能、语音控制、远程开关,也不过短短一两年的时间,那么,金融行业实际上留给金融企业自身消化的时间很有限,别纠结做个跟随者,能赶上就好。
3)从用户需求来看,随着数字原生代成为主流客群和数字化渗透率的持续提升,用户对金融服务的期望发生了根本性转变。尤其是实力雄厚的人群,人家肯定会问的:“现在买个票、订个餐,手机都可以自动处理,还有多种预案,为啥银行的小程序不能懂我呢?”、“辅助有啥用?能辅助干的事情找个秘书就成了,就是需要自己做的要省心、安全、简单,只有自己知道”。
AI大模型在客服、产品推荐等场景的应用,显著提升了客户满意度与忠诚度。AI大模型能够理解用户特定场景下的金融需求,并提供恰如其分的支持。例如,当用户表达"想给自己买养老金"的需求时,AI能在几秒内生成相关方案。
1.2 算力优化的挑战
金融客户对金融行业大模型的关注在不同时期聚焦在不同领域,关注重心经历了算力基础设施、模型训练平台、模型参数规模、提示词工程、知识工程以及智能体运营等阶段,目前金融机构开始关注大模型数据标准、安全体系以及投入产出策略,在落地过程中面临着诸如算力难调用、数据飞轮难打造、模型与场景难适配、智能体与业务难以深度关联、安全合规体系不完善、ROI难衡量、人才难匹配等挑战。
异构算力管理复杂,算力调度缺乏灵活性
算力、模型作为数字时代新的操作系统、基础设施普惠化和平权化,面向AI原生应用的算力应用要求算力管理动态化适应不断变化业务场景需求、智能体和模型技术持续演化。因此对于银行典型AI应用开发、大模型训练开发、AI模型统一管理部门,需要构建兼容能力强、具备技术领先的大模型训推加速云原生机制的异构算力管理平台。随着大模型应用的展开,异构算力环境下管理复杂度剧增。
一是异构AI框架之间存在技术壁垒,模型在不同框架间迁移转换时,需攻克兼容性问题并重新调试参数,转换成本居高不下;
二是早期银行采用算力卡单卡独占的使用模式,当训练或运行的模型规模较小时,单卡算力无法被充分利用,算力资源浪费明显;
三是千亿模型集中式部署的使用会带来高昂算力的使用,PD分离分布式成为千亿模型运用的最优方案。
1.3 数据价值的挑战
l高质量数据价值难以挖掘
金融行业积累了大量具备高准确性、完整性与时效性的优质数据集,但在面向大模型落地应用时,其价值释放仍面临显著挑战。
一方面,金融领域的高质量数据包含大量非结构化数据(如信贷申请材料、理赔影像、票据图片、客服通话录音等),这些数据因场景高度碎片化,需经复杂预处理(如OCR/ASR转写、实体对齐)才能构建统一语义表示,导致大模型训练与调优效率显著低于通用数据;
另一方面,数据安全与隐私约束下的流通壁垒也限制了数据的共享和流通,这使得部分高质量数据无法在大模型的生态系统中得到充分地利用。因此,高质量数据的挖掘受限于数据处理难度与数据安全约束,导致其难以转化为支撑大模型应用的关键资源。
l数据飞轮尚未形成
数据的采集、清洗、标注、回流及模型再训练需依赖强健的数据管道与算力支撑,然而当前多数机构仍存在高人工参与度问题,导致反馈迟滞,难以实现敏捷迭代。尽管金融机构已建立数据安全策略并开展验证性实践,但因数据合规要求(如未授权数据、金融安全数据与隐私数据需“数据不出域”管控),大模型在调用金融数据时面临多级隔离限制,致使“数据→模型→业务→数据”的飞轮效应难以运转。
1.4 复杂业务的挑战
l通用模型难以满足复杂金融业务的应用需求
通用模型缺乏对于金融业务的深度沉淀。金融业务对精确性的要求远大于通用模型的“概率性输出”。金融业务流程复杂,专业性较强,业务逻辑差异较大(信贷审批需要多系统跳转、银行风控与保险核保),金融业务的强专业属性超出了大模型的逻辑推理边界。因此模型并非缺乏金融知识,而是天然缺乏深度的金融业务沉淀能力,即需要充分掌握金融业务之间的关联,也需要明确金融细分领域的特有规则,这直接提升了通用模型应对复杂金融业务场景的难度。
l智能体难以穿透金融系统的业务流程、运营复杂度高
智能体工作流与金融业务流程难以对接。智能体的核心优势在于打破系统壁垒,实现跨系统、跨数据、跨部门的业务流程整合与优化。然而,真正要发挥这一优势,就必须深度嵌入金融业务链条,对业务环节的先后逻辑、数据触发条件、风险监控点有高度地掌握。现有智能体对金融业务(信贷、风控、支付结算、理财、核保核赔等)的细粒度环节、行业特有规则、监管要求等缺乏组件调用能力,在嵌入业务工作流的设计能力上仍显不足。
智能体运营复杂度较高。智能体的有效运行不仅依赖于稳定的模型性能,还依赖于运营人员具备多维度能力包括AI算法基础、工具调用与协同编排以及对金融业务的理解等。这要求运营团队不仅能掌握智能体调用与编排技术,还能将算法结果与业务目标对齐,包括对数据断点、模型偏差、任务中断等问题及时反馈与修正,复杂度较高。
1.5 安全体系的挑战
模型安全能力仍需加强。大模型在幻觉输出、黑盒不可解释性、版本漏洞与对抗攻击等方面仍存在显著风险,直接影响金融业务的稳定性、客户信息安全和系统性风险防控。当前亟待构建覆盖模型全生命周期的安全标准体系,并依托监管推动其强制落地,以实现更系统、可监督的安全治理。
数据安全能力亟需强化。数据是金融机构构建业务差异化优势的核心资产,也是大模型应用与训练的基础。然而,业务数据需严格存储在行内系统、不可出境,这一要求与数据驱动创新的诉求形成内在张力。数据安全与业务竞争力实则为相互制约、又需协同推进的双重目标。在这一背景下,金融机构必须构建覆盖数据全生命周期的安全体系,建立完善可溯源、可审计的数据治理机制,涵盖采集、加密传输、存储管理、敏感信息分级、权限控制及操作日志审计等环节。尤其在保障交易数据的强一致性、实现信贷数据的穿透式验证,以及维持舆情数据的高时效性方面,需构建闭环式治理框架,在安全可控的前提下最大化数据价值,支撑业务差异化竞争。
内容安全能力持续加固。金融领域中,模型生成的文本、代码、决策逻辑链等输出直接关联信贷审批、风险定价等核心业务,当前金融机构需围绕:内生安全设计、动态对抗演练、长推理链的可信性验证等方面进行加固,以降低业务决策偏差风险。
应用安全能力需要深化。机构需要建立与金融业务强绑定的模型安全管理细则,包括:风控领域(利率/汇率/业务合规)、展业场景(保险/理财/交易反欺诈等)、会计审计等关键环节,实施根据业务场景流程设计的模型调用鉴权机制。
行业标准深度适配仍需加强。除了满足大模型通用安全规范之外,还要深度适配金融行业数据不出域、高实时性以及金融合规的行业三大刚性要求,目前大模型与金融核心业务融合深度不足,尤其是对于风控类场景,需要提升模型与金融行业的深度适配能力。
1.6 模型评估的挑战
模型应用效果难以评估,金融机构对大模型的长期价值尚存顾虑
大模型应用效果难以量化。大模型落地具有长期性与滞后性,金融机构对大模型的投入多为战略性布局,前期需要承担高成本,但直接回报(如新业务带来的营收增长)与间接回报(如运营效率提升、风险降低、用户体验优化)多体现在业务侧,而业务的多样性导致大模型的应用边界较为模糊,因此难以形成统一的测算模型。
长期价值的不确定性加剧了金融机构的顾虑。大模型技术更新迭代快、监管环境变化频繁,使得大模型的长期投入面临被替代或被约束的风险。对于资本敏感、风险偏好较低的金融机构而言,如果短期回报不显著,长期收益又缺乏确定性,便容易产生观望甚至保守的投资态度。
1.7 业技人才的挑战
业-技融合的敏捷组织尚未成熟,复合型人才稀缺
金融机构在推进大模型技术落地的过程中,除了面对技术攻坚与业务效果显性化等挑战之外,同时面临着深刻的组织与人才瓶颈。一方面,业务团队与技术团队之间仍存在着难以弥合的“理解壁垒”,业务部门作为最终使用方,更关注技术能否直接解决具体业务痛点,比如提升信贷审批效率或优化客户服务体验,他们通常以投资回报率和合规要求作为核心评估标准,期望获得立竿见影的科技赋能效果。而科技部门则更注重技术实现的可行性和系统兼容性,需要权衡算力成本、数据质量以及与传统系统的整合难度等。这种思维方式的差异导致双方在需求优先级上难以达成一致,业务部门可能低估数据治理、知识建设等基础工作的复杂性,科技部门则容易陷入技术完美主义的陷阱。更复杂的是,虽然业务部门掌握着验收决策权与评估权,但技术投入往往由科技预算承担,这种状况下,很容易出现“各说各话、各讲各事”的现象,而导致大模型场景用例的实际落地效果不如预期。
此外,人才短缺的问题更为突出,既深谙金融业务逻辑又精通人工智能技术的复合型人才在行业内凤毛麟角,且现有的培养体系难以在短时间内填补这一人才缺口,导致金融机构在大模型应用上陷入“有技术无场景”或“有场景无技术”的两难境地。组织架构的固化与人才储备的不足,共同构成了制约金融机构智能化转型的隐性壁垒。
2、 金融行业AI原生应用的重构
根据IDC观察,金融行业大模型(token)调用量较大的场景主要集中对话交互类和内部运营类场景。例如,智能客服(如信用卡业务咨询、理财产品咨询)、智能投研,以及内部运营助手(如内部知识库问答、政策制度查询、智能陪练助手)等场景,这类场景对数据隐私及安全合规要求较低,且具有高频交互、数据密集型等特点。
通用场景与专精场景对模型的能力要求、落地重点等方面的差异较大。通用场景的定位更加偏重非决策与辅助类业务,对金融知识的专业要求与模型精调需求相对较低,落地重点是工具链轻量化部署,适用于金融通用大模型;专精场景的定位更加偏重决策与高价值类业务,需要深度理解金融业务逻辑,落地重点是可解释性提升与智能体调用,适用于金融专精模型。
金融行业大模型的业务场景落地已成为行业智能化转型的关键里程碑。在2023-2024年试点期,大模型多聚焦于单点场景技术验证,尚未形成规模化业务价值突破;伴随技术迭代与场景深化,当前大模型通过整合全域金融数据、深度挖掘细分场景需求,已完成从技术验证向深度金融属性业务渗透的质变,正式开启深度赋能金融核心领域的新阶段。
根据金融行业大模型的技术复杂度(纵轴)…