金融机构的人工智能(885728)(AI)应用,正迎来从辅助工具向业务执行者的模式切换。
过去,AI更多承担信息检索、智能问答和辅助分析等工作。如今,在银行、证券、保险等领域,智能体开始尝试参与投研分析、信贷风控、保险理赔、客户服务等专业业务流程。AI逐渐从辅助工具变为业务执行者,金融机构对底层技术的需求也随之发生变化。
国际数据公司(IDC)发布的数据显示,2025年上半年,中国金融云市场规模达到380.1亿元,同比增长20%。该公司发布的另一份金融AI全栈云市场跟踪报告显示,2025年下半年,中国金融AI全栈云市场规模达到119亿元。随着大模型和智能体应用不断深入,金融云建设也开始向智能化基础设施延伸。
智能体进入金融业务流程
与主要承担问答、检索和内容生成任务的大模型应用相比,智能体更强调任务规划和执行能力。它能够理解目标、拆解任务、调用工具和数据,并根据执行情况调整后续步骤。
2026年6月,在第32届中国国际金融展上,阿里云智能集团公共云事业部副总裁、新金融行业总经理张翅表示,早期金融AI应用更多是“对话框里的聪明人”,能够回答问题,却缺乏任务规划和工具调用能力。真正的智能体需要进入业务流程,完成相对复杂的任务,更像一个可以被分配工作的数字员工。
据了解,阿里云联合中电金信、中科软(603927)、恒生电子(600570)等近100家金融AI联盟伙伴共同启动“超级智能体计划”,为金融行业打造通用智能体。“依托通用智能体技术体系,联盟已构建起‘MaaS(模型即服务)伙伴+Agent(智能体)伙伴+全栈AI服务伙伴’的三维生态格局。”张翅表示,通过数据、工具、通用技能等多维度合作,该生态正全面打通智能尽调、智能客服、智能投研、智能审计等全场景应用。
事实上,金融机构的探索已从技术验证走向具体业务场景。比如,工商银行(HK1398)基于领先的AI算力和大模型搭建“工银智涌”技术体系,形成了以智能体为核心的“1+X”应用模式。保险领域同样出现了具体应用。中再产险基于阿里云的全栈AI能力实现了再保理赔系统的智能化改造,自动核赔场景处理时长从1至2天压缩至3分钟内,理赔时效大幅提升。
从这些实践看,金融智能体正在向投研、理赔、信贷审核等专业环节延伸。但在业内人士看来,金融业务对数据质量、专业规则和风险控制有着较高要求,智能体能否真正承担任务,仍取决于其对业务流程的理解以及与现有系统的衔接能力。
算力、模型与应用需协同推进
智能体应用不断增加,也对金融基础设施提出了新的要求。与传统信息系统相比,智能体需要持续调用模型、处理大量词元,并连接不同业务系统。算力资源如何配置、不同模型如何适配、推理成本如何控制,逐渐成为金融机构必须考虑的问题。
过去,金融机构数字化建设更多围绕核心系统上云、数据平台建设和分布式架构改造展开。如今,单纯增加算力资源已难以满足智能体规模化应用的需求,如何让算力、模型与业务场景有效衔接,成为新的建设重点。
近日,联想集团(HK0992)发布万全混合词元工厂品牌,提出以联想问天AI基础设施、万全混合词元工厂以及擎天与百应智能体解决方案和服务构成“三层混合动力”。其中,底层提供异构混合算力,中间层负责模型和算力资源调度,上层则将AI能力应用于具体业务场景。
联想集团(HK0992)高级副总裁、中国方案服务业务群总经理戴炜表示,堆砌算力带不来真正的价值,只有精准、高质量、可计量的词元才能成为智能革命的“燃料”。在他看来,企业需要关注的并非某一项参数是否领先,而是通过算力效率、运营效率和业务价值效率的协同提升,让算力发挥更大效能。
值得注意的是,如今,金融机构与科技企业的合作同样在向纵深推进。比如,交通银行(HK3328)与阿里云成立联合创新实验室,围绕智能体能力增强、算力模型适配、代码助手、智能化测试等启动多个项目。
可以看到,金融AI建设已经不再局限于模型采购和单点应用开发,底层算力、模型服务与业务系统之间的协同正受到更多重视。
规模化应用仍需破解安全难题
技术能力提升是否意味着金融智能体可以迅速覆盖所有业务场景?在业内人士看来,算力采购、模型部署、数据治理和系统改造都需要持续投入。对于金融机构而言,AI应用不能只看模型参数、算力规模和调用次数,更要看能否减少重复劳动、提高业务处理效率、改善客户体验,并形成可衡量的经营价值。
与此同时,金融行业对数据安全(885942)和业务风险有着严格要求。智能体一旦接入合同、票据及内部业务系统,其数据调用范围、操作权限和执行过程都需要受到严格管理。张翅表示,金融智能体面临输入不可信、执行不可控、过程不可追溯、责任边界不清等问题。这些风险需要技术平台、业务部门和管理制度共同应对。
尤其是在信贷审批、投资交易、承保理赔等关键环节,模型输出的准确性、数据使用的合规性和操作过程的可追溯性都十分重要。智能体可以承担信息整理、辅助判断和流程处理等工作,但不能因此模糊金融机构应承担的管理责任边界,必要的人工审核和责任机制仍不可缺少。
此外,在业内人士看来,不同金融机构在数据基础、业务流程、技术能力和资源投入方面存在差异,智能体部署也很难照搬同一套方案。如何根据自身业务需求选择模型和算力资源,如何在自主建设与外部技术合作之间找到合适的平衡点,仍需要机构结合实际进行探索。
金融云市场的增长,为金融业智能化发展提供了基础,大模型和智能体则推动技术进一步进入业务流程。下一阶段,金融机构既要关注算力和模型能力,也要重视应用成本、业务适配与风险管理。衡量金融AI发展的最终标准,仍是技术能否解决真实业务问题,并在效率提升与风险控制之间实现平衡。
