文章｜《中国金融家》2026年第10期
张敦奎
过去两三年间，金融机构在大模型与智能体领域的项目布局明显提速，人工智能正从边缘试验走向核心业务。招商银行将“AI First”写进战略，截至2025年末累计落地183个领域专精模型、856个场景应用；交通银行部署超过2500个智能体助手，覆盖零售普惠、风险授信、营运客服等条线；多家国有大行亦将大模型应用列入年度重点投入方向。从零星试点到体系化推进，这些数字背后，是金融行业对人工智能态度的根本转变，AI已不再是要不要做的事，而是必须做、如何做深做透的事。
但另一面同样真实。与这些规模数字并存的，是大量项目仍然停留在演示和小范围试点阶段，没有真正进入核心生产系统，投入产出也说不清楚。做技术的人说模型跑通了，业务部门却觉得这跟原来的流程没什么关系。试点热闹、落地难，几乎成了行业共同面对的难题。从行业整体看，大模型应用呈现明显的梯队分化：领先机构已经过了技术验证期，把投入转向规模化和业务价值；更多机构还停在试点阶段，尤其需要一套可复制、可落地的办法。
当前有个不争的事实：AI在金融落地，难的并非模型本身，而是模型之外的一整套配套—数据、口径、业务流程、合规审查、组织机制。监管方向其实已经明确。国家金融监督管理总局2025年12月印发的《银行业保险业数字金融高质量发展实施方案》，明确提出加快“人工智能+金融”，鼓励有条件的金融机构建设企业级人工智能平台；2026年6月发布的《关于银行业保险业人工智能安全开发应用的指导意见》，进一步强调“谁使用谁负责”，要求建立覆盖需求、开发、部署、迭代、退出全过程的管理体系。AI要用，也要管得住。
金融行业还有一个与其他行业不同的特点：业务链条长、环节相互牵连，一个环节出问题会沿链条传导。这也决定了金融AI不能像互联网产品那样快速试错、快速上线，每一步都要先想清楚对整条业务链的影响。走得稳，往往比跑得快更重要。
本文结合用友金融在银行、证券、信托、保险、租赁等金融机构的落地实践，探讨金融行业AI应用从技术试点走向规模化，究竟靠什么打通。这些项目的共同点，与其说是技术领先，不如说是把AI嵌入了具体的业务流程，守住了合规底线，并把业务价值量化了出来。
落地难在哪里：三个绕不开的现实矛盾
讨论落地之前，先看清为什么落地难。这几年我们复盘了大量项目，问题集中在三个矛盾上。
一是模型先进，不等于场景可用。通用大模型能力强，但它是为通用场景设计的。金融业务里到处是专有术语、监管规则、内部制度，通用模型未必能准确理解，还可能生成看似合理、实则错误的内容。将这样一个结果不确定的环节，嵌入一条必须确定的流程里，操作风险和合规风险均不可控。因此不少机构的第一版试点，卡在“模型能聊、业务不敢用”。
二是单点试点，不等于规模化。多数机构启动AI，是先挑一两个场景试点。项目做出来了、效果也认可，一推广却发现，每个场景都是单独开发，数据不打通、能力不通用，这个场景的模型迁移到下一个场景几乎要重做。做出一个场景容易，复制出一批场景很难，成本高、周期长，规模化的账算不过来。
三是技术投入，不等于业务价值。这一点最容易被忽视。不少AI项目汇报时讲的是“上线了多少模型”“跑通了多少个场景”，却说不清给业务带来了什么：单据审核是不是更快了，差错是不是更少了，风险是不是更早被发现了。价值说不清，业务部门自然缺乏动力去用，项目也就停在演示层面。
反过来看，能真正落地的项目，几乎都避开了这三个坑。它们选择的是业务真实需要、规则相对清晰的环节，先把数据口径统一，把合规审查前置，每一步都能量出业务价值。下文将从数据、场景、可信、组织四个方面展开。
先把数据和口径管好，再谈模型
模型的能力，取决于喂给它的数据。金融数据分散在核心、信贷、财务、OA、客服等各个系统里，业务口径不统一，是AI落地的第一道坎。口径不统一，再强的模型也算不出对的结果。
某头部信托公司同时做信托和固有业务，财务管理涉及借款预付款、应收应付、财务共享、经营分析等多个维度，长期存在业务、财会、管理会计三套报表“三张皮”的问题—三套口径各说各话，数据割裂成孤岛。做AI之前，它先做的事，是把三套报表统一到一个指标平台上，让财务数据“一平台贯通、一口径可比”。口径统一之后，自动化分析才具备前提。
某头部农商行下辖众多分支机构，过去经营分析是各机构“各算各的”，横向不可比，一份报告要编好几天。项目把管理会计指标做成统一的指标宽表，形成“一行一指标粒度”的数据底座，经营分析报告从“数天人工编制”缩短到“分钟级智能生成”。某证券公司同样在财务数据集市上先统一指标口径和对标基准，分析报告从人工编制转为智能生成。
这些项目的技术路线有一个共同点：数据治理和大模型两条腿一起走，而不是只靠模型。先治理数据、统一口径，再让模型在干净的数据上工作。有的项目还做了指标血缘的穿透。某股份制银行的组织级问数智能体，把40家分行的指标计算关系追溯起来，从总分钻取到维度、指标、基础指标，口径统一、横向可比、血缘可追溯。
非结构化的数据同样需要治理。财务审核、合同、尽调材料里有大量票据、合同、报告，过去依赖人工阅读。要让AI在这些环节站得住脚，需要先把非结构化数据做标准化治理，让模型能稳定地抽取、理解和核对。与此同时，数据合规不能放松：权限要隔离、敏感信息要脱敏、要做到“数据可用不可见”，既让数据流动起来，又不越合规红线。某租赁公司项目在这方面很能说明问题—客户信息分散在五个以上平台，过去查一个客户的完整信息平均要1.5小时，数据打通后做到秒级响应，风险画像、精准授信、贷后预警都建立在统一的客户视图上。
落到操作层面，数据治理有几个动作绕不开：摸清家底、统一口径、建立标准、持续盯质量。口径不能由IT部门单方面定，要由业务和财务共同定义，最终落到指标字典、数据字典上，让各系统按同一套标准对齐。模型上线之后还要持续看数据质量，防止输入分布变化导致结果失准。这些工作不显眼，却决定模型的成败—数据不干净，后面所有的功夫都白费。
场景怎么选：
先做高频、标准化、可量化的中后台场景
数据和口径是地基，场景选择则是路线。AI项目铺开的时候，最容易犯的错是抢着做“最时髦”的场景—营销对话、智能客服看着亮眼，但中后台那些高频、标准化、合规压力大的基础场景反而被忽视。而恰恰是后者落地最快、价值最能量化，是规模化最好的突破口。
场景可以分成三类。第一类是速赢场景：低风险、高重复、结果可度量，比如财务单据审核、合同审查、制度问答、经营问数，优先推进。第二类是深化场景：有一定复杂度，需要人机协同，比如尽调材料核验、风险舆情分析，AI做信息提取和疑点识别，人做最终判断。第三类是探索场景：高风险决策，比如信贷审批、资金交易，严格限制、小步验证。
先看速赢场景里几个案例：
一是财务审核和合同审查。某头部投行报销票据繁杂、多语种凭证混杂，过去人工逐单核验、对照制度，耗时且容易出错；合同审核靠人工逐条看，效率低、标准不统一。项目做了智能审核和智能合同两个能力：AI识别各类票据、实时翻译多语种凭证、内置审核要点做初审，合同审查用审查要素驱动加专业审查建议。结果是合同缔约风险检出率超过70%，法务团队大量基础性审核工作被释放出来。
北京某融资租赁公司在租前到放款的全流程部署了四个智能体—尽调、风险审查、合同信息核验、付款核验，用“规则引擎+大模型语义分析”双驱动，内置区域财政数据库和专业审查技能。结果是高风险交易拦截率达到90%以上，单份合同信息提取效率提升约60倍，批量核验效率提升80%，释放人工核对工作量80%，识别准确率达到98.7%。
二是智能问答和智能填单。这类场景直接解决中后台人员最普遍的困扰。某政策性银行的智能财务共享做了智能填单、智能审核、智能问答三件事，用RAG技术把财务制度、报销标准、操作指引这些分散的知识统一起来，做到7×24小时即问即答。在一家财险公司和证券公司也是同一思路，智能审核内置监控规则，把“事后纠错”变成“事前拦截、事中预警”。
三是组织级问数和经营分析。这一层解决的是“管理者看不看得懂经营”。某股份制银行的组织级问数智能体，把40家分行经营健康度评价从“2—3天人工制表”缩短到“秒级问数”，又因为40家分行复用、得分预计算，问数Token消耗比个人级降低约80%。某头部农商行把经营分析报告从数天缩短到分钟级生成。
这组案例给场景选择提供了一个朴素的判断标准：先做“算得清价值”的场景，而不是“听起来高级”的场景。凡是想清楚考核指标—处理时效、差错率、风险识别率、人力释放的项目，落地都扎实。
再往深一层，是深化场景。这类场景里AI尚不能全自动，但能明显帮人减负。比如尽调材料核验，财报、工商、舆情、合同混在一堆，AI先把信息抽出来、把疑点标出来，专家再集中精力做风险判断。AI负责口径统一的价值测算，把高价值客户和低效资源占用识别出来，营销和资源配置的决策仍由业务人员来做。人机协同的关键在于划清边界：哪些交给AI、哪些由人把关，要写进流程和制度，而不是临时靠自觉。
可信、可追溯、可审计：金融AI的底线
金融行业对AI的容忍度和别的行业不一样。别的行业可以用，错了再改；金融不行，一次错就可能造成资金损失、声誉风险、监管处罚。因此金融行业AI落地的前提，是可信、可追溯、可审计。
监管要求已经很明确。2026年6月金融监管总局发布的《关于银行业保险业人工智能安全开发应用的指导意见》，提出“谁使用谁负责”，要求对AI应用分级分类管理，涉及资金交易、信贷审批、承保理赔等高风险场景要严格准入、经风险管理委员会批准。这些是金融机构落地AI的硬约束。
把可信落到操作层面，一个比较有效的做法是“规则引擎+大模型”结合，而不是把决策全交给模型。规则守住底线，大模型负责理解信息、抽取要素、生成初稿。某租赁公司项目是个典型：内置区域财政数据库和专业审查技能，用规则引擎先把高风险交易拦下来，再用大模型做语义分析、提炼风险点，两套能力叠加，拦截率做到90%以上。
另一个关键是全生命周期和留痕。模型从需求、数据、训练、上线到迭代，每个环节都要有管理；AI输出要留痕、可追溯，出了问题能查到源头、能回滚。这正是金融AI区别于一般AI应用的地方—它必须经得起审计。
还有一点容易被忽视：金融AI落地，不必追求模型“全能”。与其让一个大模型什么都干，不如让规则、专用模型、知识库各司其职，把AI限定在它擅长的环节。人机协同的定位要事先想清楚：AI做信息提取、疑点识别、初筛，最终判断和责任由人来承担。
分级分类也不只是审批时把关一次，还要落到运行中。低风险场景可以放开用，高风险场景要有持续的模型监控，效果一旦漂移要能及时干预，必要时回滚到人工。同时要明确AI应用的负责人和团队，出了问题追得到人。这就是“谁使用谁负责”在操作层面的具体落地，也是金融AI能不能长期安全运行的关键。
落地是组织的事，不只是技术的事
前面三件事—数据、场景、可信，都做对了，项目还不一定能跑起来，因为落地最后往往卡在组织上。
一个显著的变化，是从“少数专家”到“全员可用”。过去像杜邦分析、EVA测算、经营诊断这些专业能力，掌握在极少数专家手里，别人用不上。AI把这些能力做成标准化的智能体、指标平台之后，普通业务人员和管理者也能用。这背后是一种组织级复用：能力不归某个人、某个部门私有，而是沉淀在平台上，谁需要都能调。
要做到这一点，得有一个能复用的统一底座，否则又是烟囱。本质上要把能力和数据做成平台，让几十家分支机构共用一套口径、一套方法。这也呼应了监管鼓励建设企业级人工智能平台的方向—能力集中建设、场景分散使用，规模化才成立。
最后是度量。AI项目汇报，别只报“上了几个模型”，要报业务指标：单据审核时效降了多少、差错率降了多少、风险事件提前多久被发现、多少人力从重复劳动里释放出来。指标立得住，业务才愿意用，投入产出才算得清。
落到人，还需要一支既懂业务又懂AI的队伍。这不是让财务、风控人员都去写代码，而是让他们能看懂模型在做什么、能把业务规则讲清楚、会校验AI的输出。借助低代码智能体工具，业务人员可以自己配置一部分AI能力，减少对算法团队的依赖，一线也更愿意用。AI要成为业务人员手里的工具，而不是科技部门关起门来做的项目。
也要说清楚，AI落地没有放之四海而皆准的模板，每类金融机构的起点不一样。大型机构能力强，可以做平台化和跨场景复用；中小金融机构资源有限，更适合从一两个高频场景入手，借助成熟服务商的能力，先把见效快的场景做扎实。量力而行、循序渐进，往往比贪大求全更稳妥。
金融AI的成熟还需要行业一起努力。数据、标准、评测、算力这些基础设施，单靠一家机构建不起来，需要监管、机构、科技厂商协同发力。厂商提供平台和工程化能力，机构沉淀业务知识，监管引导标准和安全规范，齐集三方合力，AI在金融领域才能真正实现规模化。
总体来看，AI在金融领域落地，从技术试点到规模化，靠的不是某一个先进模型，而是一整套配套：数据要治理、口径要统一、场景要选对、合规要前置、组织要跟上。监管已经指明方向—既鼓励“人工智能+金融”，又要求安全可控、谁使用谁负责。在这样的框架下，比较务实的路子是：从算得清价值的高频场景起步，把数据和平台底座打牢，坚持人机协同和全程可审计，走“试点验证—平台沉淀—规模化推广—持续迭代”的路。
这条路没有捷径，但每一步都算数。技术会迭代、场景会更新，只要把底下的地基—数据、可信、组织夯实，AI给金融带来的就不是几场演示，而是实实在在的提质增效。这也正是用友金融持续在做的事：与银行、证券、信托、保险、租赁等金融机构一起，把AI落地这件事做扎实，让技术在金融服务实体经济中真正产生价值。
制作：隗晨阳
