党的二十届四中全会明确指出，加强人工智能同产业发展等相结合，抢占人工智能产业应用制高点。2025年8月印发的《国务院关于深入实施“人工智能+”行动的意见》强调，在软件、信息、金融等领域，推动新一代智能终端、智能体等广泛应用，推动现代服务业向智向新发展。当前，金融业的AI发展已跨越技术探索阶段，进入大模型引领实践落地的阶段。一方面，领先金融机构依托数据与资本优势，加速推进大模型体系构建并形成示范效应；另一方面，开源与技术普惠齐头并进，为中小机构参与创新、形成差异化优势提供了现实路径。在这一阶段，金融业亟须推动前沿创新，同时健全治理机制，确保金融业AI行稳致远。

　　AI大模型在金融业的应用现状

　　金融业AI应用已由概念探索迈向规模化落地，行业格局逐步呈现出头部机构引领带动与中小机构探索突围并行的发展态势，大模型应用从分散式试点加速转向体系化部署。

　　在实践推进过程中，金融机构普遍遵循三项原则，目标指向提质增效。一是风险可控优先。聚焦幻觉风险可控、信息边界清晰的场景开展应用，强化风险前置识别与防护。二是内部提效优先。率先面向技术研发、运营管理等中后台流程落地应用，便于快速验证技术成效。三是辅助决策优先。强调赋能员工而非岗位替代，通过工具化手段提升分析判断效率。

　　银行业发挥头雁效应，在应用深度与广度上保持领先。银行机构正在加大资本支出和研发投入力度，发挥其场景广泛覆盖的优势，持续夯实技术底座、保障落地成效。从短期来看，代码助手、智能问答等成熟场景快速释放效率红利，部分机构已有超过30%的代码由AI生成；从长期来看，AI应用正向智能投顾、一线营销赋能等核心创收领域拓展。

　　技术普惠正在重塑行业竞争格局，为中小金融机构提供了换道发展的窗口。随着DeepSeek、腾讯混元等高性能模型的开源与普及，AI应用的资金和技术门槛显著降低。中小机构可以将资源聚焦于特定业务场景与私域数据价值挖掘，形成差异化优势，其关键在于战略聚焦与组织灵活性。例如，依托决策链条短等特点，深耕供应链金融、特定客群财富管理等垂直领域，并与领先大模型企业合作弥补技术短板、提升落地效率。

　　AI技术持续演进对金融业的影响

　　大模型技术快速迭代，在模型架构创新、训练范式突破、任务边界拓展等方向持续取得关键进展，高性能模型的不断涌现正加速推动产业应用向更深层次延伸。在此背景下，具备感知、规划、决策与执行能力的智能体成为AI演进的前沿形态。智能体作为可自主完成任务的智能系统，能够调用API、知识库等多类工具，实现从理解、判断到行动的闭环，突破大模型“只建议、不行动”的局限。其带来的范式变革，将重塑金融服务与产品形态，并对金融体系的运行效率带来积极影响。

　　在投资研究领域，智能体通过重构研究逻辑破解行业痛点。传统模式面临认知过载、信息孤岛与知识断层等瓶颈，大模型虽擅长共识性信息检索，却难以支撑非共识洞见挖掘。构建研究规划、数据采集、策略分析等分工明确的多智能体研究团队，可自动构建因果推理框架并迭代假设，从另类数据中挖掘投资机会，同时通过自我修正机制降低模型幻觉风险。

　　在风险管理领域，智能体可推动行业从被动响应向主动预警转型。传统模式以事后应对为主，风险识别滞后，且各类风险数据分散，缺乏联动与统一响应机制。多智能体协同网络（含信用评估、市场监测、流动性管理等）可打破数据壁垒、实现风险要素实时联动，推动风险管理体系升级为实时全覆盖的数字化决策系统，实现毫秒级风险识别与决策同步，显著增强金融体系韧性。

　　为支撑智能体在金融业落地并有效控制潜在风险，需要构建开放、标准化的智能体生态。当前，智能体通信协议、模型上下文协议等标准逐步形成，为数据机构、研究机构的专业能力向金融智能体安全开放提供了基础，有望加速智能体在金融场景中的规模化渗透与应用成熟。

　　多路径深化AI大模型在金融业的应用

　　在拥抱机遇的同时，必须清醒认识到金融AI应用面临的多重挑战。一是模型内部机制不透明带来的算法黑箱风险；二是技术迭代与监管更新不同步形成的时滞性风险；三是模型趋同易引发羊群效应和市场共振风险；四是大模型开发成本高、收益评估难，存在资源投入与产出不匹配的现实挑战。应对上述问题，金融机构需建立系统化方法论，围绕关键环节分阶段推进AI落地实施。

　　坚持价值牵引，构建业技协同的落地机制。金融机构推进AI应用，首先需明确战略动机、投入方向、组织承担主体与效益转化机制。为此，应建立覆盖运营增效、业务创收、风险控制、客户体验等多维度协同的价值评估体系，将其作为项目立项、资源投入与绩效检验的标准，避免盲目投入和重复建设。在此基础上，打破“业务提需求、技术去实现”的线性模式，组建由业务、产品、技术组成的跨部门作战单元，实现对价值目标的共同负责，并予以充分授权和允许试错。流程上做到双向对接，前端精准识别最具价值的痛点场景，后端匹配最成熟的技术能力，使每一次投入都可量化、可验证，形成价值牵引、协同落地的敏捷闭环。

　　夯实技术底座，采用分层协同的模型架构。行业实践表明，一个大模型解决所有问题的思路难以奏效。在模型能力搭建层面，金融机构应构建多层次协同体系：通用大模型提供基础认知与泛化能力；领域轻量模型面向风控、投研、财富管理等具体场景，在高质量业务数据的支撑下进行强化学习与深度精调；传统机器学习模型嵌入关键决策环节，以保障逻辑透明和结果可解释。在模型部署层面，推理阶段采用私有化部署保障敏感数据安全，训练阶段可合理运用公有云降低成本，从而在性能、风险与成本之间实现平衡。

　　治理模型幻觉，夯实可信AI的底层根基。模型幻觉是大模型进入金融高风险领域的核心障碍，需在模型训练源头与知识库调用机制两端同步发力，以提升其可信度与可控性。在模型训练阶段，可通过优化评估和激励体系，引入更精细的评价指标，或在强化学习阶段嵌入带惩罚机制的置信度校准算法，对模型因过度自信而产生的错误赋予更高惩罚权重，使AI在不确定时回答“我不知道”，而非生成模糊或虚假信息。在知识库调用阶段，一方面通过知识审批、内容AI质检及有效期管理加强数据治理，另一方面确保每条AI回答都可追溯至原始资料，让用户能够自主判断可信度。最后，技术手段无法完全替代管理机制，应打造技术与管理协同的全流程风险防控闭环，确保人类专家在所有关键决策点始终拥有最终否决权，守住不发生系统性风险的底线。

　　（作者单位：腾讯金融研究院）

（责编：郑继民）