一場不可逆的生產力革命。

——馨金融

洪偌馨、伊蕾/文

2025 被稱為AI Agent（智能體）元年，更準確地說，應該是它從前沿技術到應用落地的進階之年。

如果說大模型技術是一把萬能鑰匙，那AI Agent 則像一個更清晰的指引、一個具象化的抓手，可以讓企業(yè)快速鏈接到那扇通往「新世界」的大門，打開它、走進去。

不只是停留在營銷、客服等輔助環(huán)節(jié)，而是可以直抵「核心生產場景」，讓企業(yè)以更低的成本、更高的效率實現(xiàn)「生產力重塑」，推動業(yè)務增長。

金融行業(yè)也在今年迎來了自己的智能體時代，包括螞蟻數(shù)科、奇富科技等幾家頭部的金融科技公司，都正式發(fā)布了金融智能體產品。

當然，對于這個新興事物，業(yè)內也有不同的聲音，有保持觀望的、有躍躍欲試的，也有覺得看不懂摸不透的。

但不可否認的是，這場「不可逆的生產力革命」已經吹響號角。

所以今天我們試圖回答，關于金融智能體最重要的一些問題：他到底是什么？能做什么？對于一家金融機構而言，他最大的價值又是什么？

1、「數(shù)字專家」：從認知到執(zhí)行

在說到 AI Agent 的時候，最通俗的一個比喻就是「數(shù)字員工」，可以替代人工處理更多問題。

但乍一聽這個概念，有些人可能會聯(lián)想到金融數(shù)字化，或者金融行業(yè)的RPA（Robotic Process Automation，機器人流程自動化），這不是已經存在很多年了嗎？

上個世紀90年代，許多企業(yè)就已經開始使用自動化軟件來代替人類執(zhí)行某些重復性操作，比如點擊鼠標、輸入文本、拷貝文件等等。

它的優(yōu)點是穩(wěn)定性強、準確率高，但需要人來預設規(guī)則、固定流程，處理明確的任務，只能算是一個工具。

而到了金融數(shù)字化階段，就涌現(xiàn)出了更智能的、可以解決更復雜流程的產品。

類似10年前網商銀行推出了「310模式」——三分鐘申請、1分鐘放款，0人工介入；還有這幾年，很多保險公司的核保賠付也是完全由AI完成，客戶只需要將單據(jù)拍照上傳就可以完成「秒級」審批。

他們在一定程度上都實現(xiàn)了「去人工化」，那么AI Agent 時代的「數(shù)字員工」又有何不同呢？

先來個比較正式的定義，來自《2025金融智能體深度應用報告》：

金融智能體（Financial AI Agent）是一個具備一定自主性的AI實體，它能夠感知其所處的金融環(huán)境，基于內部的模型或知識進行推理和決策，規(guī)劃實現(xiàn)目標的行動步驟，并通過調用外部工具或系統(tǒng)接口來執(zhí)行復雜金融任務，并根據(jù)執(zhí)行結果進行反饋和調整。

標記一下關鍵詞，「感知-推理-規(guī)劃-執(zhí)行-進化」。

在金融數(shù)字化階段，類似工業(yè)生產從手工作業(yè)進化到自動流水生產線，生產線是一套提前設定好的程序、一旦開啟不可跳過任何環(huán)節(jié)。并且，「投喂」的數(shù)據(jù)不能「超綱」，也必須規(guī)范（比如早期，非結構化的數(shù)據(jù)就不行）。

這一階段，盡管智能系統(tǒng)具有一定的決策和交付能力，但主要還是按照人工預設的腳本「照本宣科」，就像現(xiàn)在很多智能客服，只能根據(jù)既定的模板和「題庫」回答問題，遇到稍微復雜的問題、甚至提問方式不同，系統(tǒng)就會答非所問。

但在金融智能化階段，大模型技術的發(fā)展讓AI有了更聰明的「大腦」。

相比于之前，大模型能夠理解和「學習」的范圍更廣，包括文字、圖片、音頻、視頻等等，通過海量數(shù)據(jù)訓練，大模型還可以具備自然語言理解、生成能力甚至是推理能力，能夠進行邏輯分析并生成高質量的內容。

而以大模型技術為底座的AI Agent則更進一步，因為有了更加聰明的「大腦」，他們已經不需要任何人工預設的流程、腳本，而是真正和人一樣去感知、思考和解決問題，實現(xiàn)「端到端」的「結果交付」，而不僅僅是過程輔助。

如果說大模型是一個聰明的「大腦」，那么金融智能體就是將這個「大腦」的認知和理解能力轉化為對金融業(yè)務的執(zhí)行力，包括制定多步驟策略和調用內外部工具，并且根據(jù)執(zhí)行結果進行學習優(yōu)化。

簡單來說，金融智能體更像是連接大模型技術與現(xiàn)實金融世界的一座橋梁、一個快捷通道。

如果要用「數(shù)字員工」來比喻，那也是一個經驗更豐富、專業(yè)能力更強的專家級員工。他具備一套專業(yè)、高階的思考、規(guī)劃、執(zhí)行能力，甚至可以靈活變通地處理既有經驗以外的問題，并且自身能力還在不斷進化。

螞蟻數(shù)科在一場關于金融智能體的內部分享中總結道，一個金融智能體應該具備幾個關鍵要素：金融大模型、金融知識庫、金融工具集、安全&專業(yè)評測。也就是說，這不是單一模型，而是「系統(tǒng)工程」。

所以，AI Agent 時代的「數(shù)字員工」，更「擬人化」，但也遠遠超越了普通人的能力。

2、生產力革命：從外圍到核心

了解了金融智能體的能力，我們就不難理解他為什么能在金融領域掀起新一輪「生產力革命」。

他不僅是對現(xiàn)有工具的簡單升級，其自主工作能力正在從根本上重塑金融行業(yè)的生產方式，所以才能釋放巨大的生產力。

《2025金融智能體深度應用報告》總結了金融智能體的5個顛覆式潛力：

1、打破流程壁壘，實現(xiàn)端到端自動化

智能體的核心優(yōu)勢在于能夠感知、規(guī)劃并執(zhí)行復雜任務鏈，從而打破傳統(tǒng)流程中的自動化斷點，實現(xiàn)端到端的流程自動化。

2、自主感知與實時響應

智能體能夠通過感知器實時監(jiān)控內外部環(huán)境變化，例如市場價格波動、風險事件發(fā)生、客戶行為模式改變或突發(fā)事件。

3、智能規(guī)劃與復雜任務執(zhí)行

面對一個高層級的業(yè)務目標（如「為客戶生成一份定制化投資報告」），智能體能夠自主將其分解為一系列具體的子任務（如「查詢客戶持倉、獲取最新市場數(shù)據(jù)、運行資產配置模型“根據(jù)模型結果撰寫報告草、格式化報告），并規(guī)劃執(zhí)行順序。通過調用相應的外部工具（如投資模型API、報告生成工具），智能體能夠自主完成整個復雜任務鏈。

4、持續(xù)學習與自我優(yōu)化

優(yōu)秀的金融智能體具備從歷史任務執(zhí)行中學習的能力。通過分析成功或失敗的案例，智能體可以不斷優(yōu)化其決策邏輯、規(guī)劃策略和工具調用方式，提高應對復雜和未知情況的能力，從而在長期應用中持續(xù)提升性能和準確性。

5、降低金融服務的門檻和成本

金融智能體的自動化和低成本特性使其能夠有效地觸達傳統(tǒng)金融服務難以覆蓋的邊緣人群和欠發(fā)達地區(qū)。

「金融智能體在金融體系中的角色正在逐步演進，引領一場不可逆的生產力革命，其發(fā)展軌跡從最初的輔助工具向更高級別的協(xié)作者發(fā)展，在特定場景下甚至可能成為任務主導者?！?/strong>該報告總結道。

在生成式 AI 剛出現(xiàn)的時候，大家對于大模型技術充滿了期待和憧憬，金融業(yè)也不例外。但這兩年看下來，起初的熱鬧過去，金融機構對大模型技術的態(tài)度始終有些不溫不火。

說到底，智能客服、智能營銷都是外圍場景，不直接貢獻增長。成本、數(shù)據(jù)、技術門檻……挑戰(zhàn)客觀存在，但本質還在于大家并沒有看到新技術對于核心業(yè)務和收入利潤的貢獻。

但如今，AI Agent（智能體）的出現(xiàn)或許會改變這一局面，因為他正在重塑生產力，從業(yè)務外圍向核心場景不斷突進。

從目前的實踐來看，已經推出的金融智能體產品都滲透到整個金融產業(yè)鏈的不同環(huán)節(jié)，比如奇富科技的「信貸超級智能體」。

螞蟻數(shù)科更是探索了超過 100 個金融智能體的深度應用場景，覆蓋了銀行、證券、保險、通用四大領域，滲透到客戶服務、內部運營、營銷與銷售、風險管理、產品創(chuàng)新、決策支持等場景之中。

我們不妨從一個具體的財富管理場景切入，來看金融智能體可以做什么？又能創(chuàng)造哪些增量價值。

比如，當客戶拋出一個問題，「我現(xiàn)在的持倉合理嗎？請?zhí)岢鼋ㄗh?！?/p>

金融智能體收到這個問題之后，首先會分析用戶指令，包括解讀指令背后的隱藏需求，比如，客戶這句話的潛臺詞可能是「市場變化了我是否需要調整持倉，我現(xiàn)在的持倉是不是風險有點高？」

當分析了指令之后，金融智能體會把這個需求拆分成若干具體的任務：要去了解客戶畫像、持倉情況以及近期市場變化，再完成分析診斷、給出相應建議等等。然后基于這些任務，去調用相關的數(shù)據(jù)和工具來一一完成。

在此基礎上，金融智能體還會綜合專業(yè)和情感等多個維度輸出答案，甚至主動猜測客戶還想提出的問題。

至此，客戶在極短時間內獲得了一次高質量的財富管理「問診」和「咨詢」。

相比信貸業(yè)務相對標準化的業(yè)務流程，財富管理業(yè)務的痛點在于客戶的自身情況和理財需求千差萬別，很難提供精準的服務。而目前來看，人+數(shù)字化的方式仍有「斷點」，客戶體驗并不流暢。

而金融智能體「感知-推理-規(guī)劃-執(zhí)行-進化」的閉環(huán)機制，可以實現(xiàn)「端到端」解決更復雜的理財問題，有望真正實現(xiàn)「千人千面」的理財服務。

3、擁抱AI Agent：最終還是「一把手工程」

前些年的金融數(shù)字化轉型，為今天的智能化打下了一定的基礎。即便如此，金融機構在更復雜的業(yè)務場景下，依然面臨流程固化、數(shù)據(jù)孤島、人力成本高企、個性化服務不足等挑戰(zhàn)。

生成式 AI的橫空出世讓各行各業(yè)都為之一振，但對于金融機構來說，大模型技術從部署到應用仍存在不少障礙。很多年初高調接入 DeepSeek的金融機構，也再沒有更進一步的動作。

盡管 DeepSeek 在一定程度上降低了企業(yè)部署和使用大模型的門檻，但這并不代表沒有投入。

據(jù)了解，從基礎設施投入到應用落地，金融機構一次性的成本投入至少在百萬量級，但產出是什么？可量化的結果有多少？卻沒有答案

此外，還有一些「隱性門檻」不能忽略。比如前面提到的「數(shù)據(jù)孤島」問題，根據(jù)麥肯錫的調研報告，40%的企業(yè)存在50個以上的數(shù)據(jù)孤島，這會導致大模型精度下降20%-30%。

還有就是復合型人才短缺的矛盾愈發(fā)尖銳。將 AI 大模型技術應用到具體的金融場景當中，并非易事，AI+金融的跨能力協(xié)作還是要復雜的多。

麥肯錫預測，2030年中國AI人才缺口將達500萬，兼具算法與金融業(yè)務能力者不足15%。

面對種種挑戰(zhàn)，金融智能體深入業(yè)務場景、自主解決問題的能力，降低了金融機構前期的投入成本、磨合成本和合規(guī)風險，讓更多機構看到了通過投資「技術變量」帶來「價值增量」的曙光，尤其，這種價值增長既是可量化的，也是可持續(xù)的。

眼下，國內的金融智能體發(fā)展處于單智能體與多智能體協(xié)同應用并存的狀態(tài)。

根據(jù)麥肯錫的定義，「單智能體」主要解決一些具體的、相對簡單的業(yè)務需求。而「多智能體系統(tǒng)」則像是一個虛擬職場，每個智能體都有自己專長的特定領域，并統(tǒng)一受「協(xié)調智能體」調用，從而使得多智能體系統(tǒng)能夠與人類一樣，具備行動規(guī)劃、使用工具執(zhí)行規(guī)劃、與其他智能體及人員合作、邊實踐邊學習以自我改進的能力。

這種單+多的智能體生態(tài)，進一步降低了金融機構的「試水」門檻?？梢韵葟哪硞€具體業(yè)務場景或訴求切入，來試用相應的金融智能體產品，而不需要從一開始顛覆以往的業(yè)務框架。

基于對金融智能體的落地經驗，螞蟻數(shù)科總結了四條路徑：

在大模型時代，AI的進化與迭代速度遠超我們的想象。隨著金融智能體的加速落地，其應用的門檻更低、見效更快，對于金融機構而言，是否應用「新質生產力」所帶來的業(yè)務差距也會越來越大。

當然，新一輪生產力變革所帶來的不只是技術升級，更是戰(zhàn)略重構、組織變革和文化重塑的系統(tǒng)工程。

麥肯錫的調查分析表明，由CEO親自監(jiān)督這項工作，是企業(yè)借助生成式AI提升財務表現(xiàn)的關鍵因素之一。尤其在大型企業(yè)中，CEO的直接參與對息稅前利潤（EBIT）的拉動效果最為顯著。

對于金融行業(yè)而言，從數(shù)智遷徙到范式重構，未來已來。

參考資料：

1、零壹財經《2025金融智能體深度應用報告》

2、麥肯錫：《區(qū)域型銀行如何實現(xiàn) AI 戰(zhàn)略突圍？》

3、麥肯錫：《麥肯錫全球AI調研：企業(yè)AI部署現(xiàn)狀》