來源 | 零壹智庫

過去一年，以大模型為代表的生成式AI在金融行業(yè)的滲透速度，明顯慢于外界的普遍預(yù)期。

從技術(shù)投入和試點數(shù)量看，金融機構(gòu)對生成式AI的關(guān)注度幾乎處于各行業(yè)的前列；但真正進入生產(chǎn)系統(tǒng)、參與關(guān)鍵決策的比例，依然有限。香港貨幣及金融研究中心在2025年的一項調(diào)查中指出，盡管超過七成受訪金融機構(gòu)已經(jīng)啟動生成式AI相關(guān)部署或試點，但真正投入核心業(yè)務(wù)流程的比例仍不足兩成。

一邊持續(xù)加大投入、一邊謹(jǐn)慎推進落地，成為很多金融機構(gòu)的共同狀態(tài)，也構(gòu)成了當(dāng)前金融AI走向?qū)嶋H業(yè)務(wù)的真實底色。

問題并不在于技術(shù)是否足夠先進。相反，恰恰是在模型能力快速躍升之后，金融機構(gòu)更清醒地意識到：當(dāng)AI進入金融體系，風(fēng)險不再是“做不到”，而可能來自“做得過頭”。一段看似合理的回答、一次不夠穩(wěn)的判斷，放在內(nèi)容平臺也許只是體驗問題，但放在金融業(yè)務(wù)里，卻可能直接觸及資產(chǎn)安全與風(fēng)險敞口，甚至在業(yè)務(wù)鏈條中被層層放大引發(fā)連鎖反應(yīng)。

也正是在這樣的背景下，行業(yè)開始重新審視金融AI的價值邊界。以馬上消費此前發(fā)布的天鏡3.0為代表，很多技術(shù)表述不再單純強調(diào)模型規(guī)模或生成能力，而是試圖回應(yīng)金融場景中長期存在的可控性、可信性與責(zé)任邊界問題。從行業(yè)視角看，這更像是一種信號：金融AI的競爭焦點，正在從能力展示轉(zhuǎn)向邊界管理。

01

金融AI的實踐前沿：從能力擴張走向結(jié)構(gòu)重構(gòu)”

在2025年的全球金融AI實踐中，行業(yè)關(guān)注的重點正在發(fā)生變化。相比模型能力又提升了多少，越來越多機構(gòu)開始關(guān)心：這些能力，能否在真實業(yè)務(wù)中被長期、穩(wěn)定地使用。

早期階段，金融機構(gòu)更多將大模型視為效率工具，主要用于客服應(yīng)答、文本生成或內(nèi)部信息檢索等風(fēng)險相對可控的場景。這些場景的共同特征在于，即便模型輸出存在偏差，也可以通過人工復(fù)核、規(guī)則校驗或后續(xù)流程進行修正，不會直接觸及資金安全和責(zé)任歸屬等核心問題。

但隨著應(yīng)用逐步深入，單一通用大模型在金融場景中的局限性開始顯現(xiàn)。金融業(yè)務(wù)高度依賴確定性、可審計性與穩(wěn)定輸出，而以概率生成內(nèi)容為核心機制的大模型，在缺乏外部約束的情況下，很多時候難以獨立承擔(dān)關(guān)鍵決策職能。不少機構(gòu)的真實體感是：大模型在理解和表達(dá)上的進步很大，但在“說得準(zhǔn)、說得穩(wěn)、出了問題可追溯”這些要求上，與金融系統(tǒng)的嚴(yán)要求之間，仍然存在不小差距。

正因如此，組合式架構(gòu)成為了不少金融機構(gòu)更現(xiàn)實的技術(shù)選擇。所謂組合式，并不是引入更多復(fù)雜技術(shù)，而是通過清晰分工來降低不確定性。通俗地說，就是不再指望一個模型解決所有問題，而是采用一種“團隊作戰(zhàn)”模式：讓大模型負(fù)責(zé)理解復(fù)雜信息、梳理問題和提供認(rèn)知支持，把真正需要穩(wěn)定性、可解釋性和可追責(zé)性的判斷，交由更專注、更可控的小模型完成。這種大模型+小模型的協(xié)同應(yīng)用模式，正成為當(dāng)前金融AI落地中更易被接受的路徑。

一些走在前列的金融機構(gòu)，已經(jīng)在這個方向上取得了實質(zhì)進展。以馬上消費為例，其在推進金融AI應(yīng)用時，就采用“大模型感知+小模型決策”的協(xié)同架構(gòu)。其中，“天鏡”大模型主要承擔(dān)任務(wù)理解與流程拆解任務(wù)，用于識別復(fù)雜用戶意圖、組織業(yè)務(wù)信息和調(diào)度處理步驟；而涉及風(fēng)險評估、規(guī)則校驗等關(guān)鍵判斷的環(huán)節(jié)，則由數(shù)千個更穩(wěn)定且可垂直的小模型執(zhí)行。這種設(shè)計將大模型的通用能力與小模型的垂直專業(yè)能力進行了組合，在提升效率的同時堅守了安全穩(wěn)健的底線。

與此同時，金融AI的訓(xùn)練和優(yōu)化邏輯也在發(fā)生變化。傳統(tǒng)模型往往圍繞單一目標(biāo)函數(shù)進行優(yōu)化，而在金融場景中，單一視角極易放大系統(tǒng)性偏差。近年來，群體強化學(xué)習(xí)和多源反饋機制開始被引入金融AI的訓(xùn)練與優(yōu)化體系，其核心目的并非追求更激進的策略，而是通過引入多主體、多經(jīng)驗來源，降低模型決策的極端性。在實踐中，這既包括來自不同業(yè)務(wù)角色的人類反饋，也涵蓋多模型協(xié)同博弈所形成的策略平衡。

馬上消費在“天鏡”3.0的升級過程中，正是沿著這一思路推進。其目標(biāo)并不是讓模型具備更強的自主決策能力，而是嘗試將散落在業(yè)務(wù)專家和一線實踐中的隱性“經(jīng)驗直覺”，通過技術(shù)手段進行系統(tǒng)性整理和沉淀，進而轉(zhuǎn)化為整個AI系統(tǒng)可以持續(xù)學(xué)習(xí)和參考的“群體智慧”。其價值并不在于提升模型的“聰明程度”，而在于讓其決策結(jié)果更貼近組織長期形成的風(fēng)險偏好與業(yè)務(wù)共識。

在應(yīng)用形態(tài)上，金融AI也正從早期的Chatbot，逐步演進為具備一定任務(wù)執(zhí)行能力的Agent系統(tǒng)。但與外界對“高度自動化決策”的想象不同，金融機構(gòu)在這一方向上的推進整體較為審慎。當(dāng)前更常見的做法，是將Agent定位為受約束的執(zhí)行單元：在明確授權(quán)范圍內(nèi)調(diào)用工具、完成流程性任務(wù)，而關(guān)鍵判斷節(jié)點仍保留人工介入空間。多智能體協(xié)作的潛力正在被討論，但其前提是清晰的責(zé)任劃分與可控的退出機制，而非完全自治。

總體來看，金融AI的技術(shù)創(chuàng)新正在呈現(xiàn)出一個清晰趨勢：從能力導(dǎo)向轉(zhuǎn)向結(jié)構(gòu)導(dǎo)向，從模型性能競爭轉(zhuǎn)向系統(tǒng)可信性建設(shè)。在監(jiān)管要求逐步明確、風(fēng)險意識不斷提升的背景下，金融AI不再以“無所不能”為目標(biāo)，而是逐漸回歸其作為決策輔助系統(tǒng)的現(xiàn)實定位。

02

技術(shù)狂飆的背后，如何給金融AI系上“安全帶”？

盡管前沿創(chuàng)新不斷涌現(xiàn)，但在真正走向業(yè)務(wù)落地的過程中，金融AI仍面臨一系列繞不開的問題。這些問題與當(dāng)前大模型的工作機制本身高度相關(guān)，短期內(nèi)難以被徹底消除。正是這些問題的存在，決定了金融AI現(xiàn)階段不可能完全實現(xiàn)自動化。

首先，幻覺問題在金融場景中具有放大效應(yīng)。大模型的輸出，本質(zhì)上并非基于事實驗證，而是對“最可能答案”的概率性生成。在多數(shù)應(yīng)用中，這種機制帶來的風(fēng)險是可接受的，但在金融業(yè)務(wù)中，任何看似合理卻并不準(zhǔn)確的判斷，都可能被直接嵌入決策流程，從而影響資金配置、風(fēng)險評估或客戶權(quán)益。

更重要的是，金融業(yè)務(wù)往往具有高度復(fù)雜性和強時效性，模型訓(xùn)練數(shù)據(jù)與現(xiàn)實情境之間不可避免存在滯后與缺口，這也意味著，幻覺并非偶發(fā)問題，而是可能長期伴隨著金融AI的結(jié)構(gòu)性風(fēng)險。

其次，數(shù)據(jù)偏見使金融AI的決策結(jié)果具有潛在的不公平性。AI通常依賴歷史數(shù)據(jù)進行訓(xùn)練，而金融數(shù)據(jù)本身承載著長期形成的制度安排、市場選擇和行為偏差。如果缺乏有效校正機制，模型不僅可能復(fù)現(xiàn)這些偏差，甚至?xí)谝?guī)模化應(yīng)用中加以放大。

在信貸審批、風(fēng)險定價等場景中，這種偏見具有現(xiàn)實后果：某些群體可能被系統(tǒng)性地低估或高估風(fēng)險。需要指出的是，即便在技術(shù)上移除顯性敏感變量，隱性關(guān)聯(lián)特征仍可能導(dǎo)致結(jié)果層面的不公平。

第三，不可解釋性限制了AI技術(shù)在關(guān)鍵決策環(huán)節(jié)的使用深度。金融決策的核心，不只是結(jié)果正確，更在于決策過程是否可被理解、復(fù)核與追責(zé)。然而，當(dāng)前主流大模型大都難以提供清晰、穩(wěn)定且可復(fù)現(xiàn)的推理路徑。

這在風(fēng)險管理、合規(guī)審查和事后問責(zé)中，構(gòu)成了實質(zhì)性障礙。當(dāng)業(yè)務(wù)人員無法清楚回答“模型為何給出這樣的判斷”時，AI的輸出就難以獲得制度層面的信任，也無法被納入正式的金融決策責(zé)任體系中。

馬上消費常務(wù)副總經(jīng)理蔣寧用自動駕駛作類比：“如果忽略安全因素，技術(shù)或許可以更快實現(xiàn)；但正因為涉及真實的人和真實的風(fēng)險，自動駕駛才走過了十余年的長路，至今仍在不斷逼近成熟。這種'慢'，并非保守，而是對現(xiàn)實復(fù)雜性的尊重。”

正是基于這些固有缺陷，金融行業(yè)逐漸形成一個清醒共識：盲目追求和依賴AI的全自動化決策，在金融場景中既不現(xiàn)實，也不安全。這并非對技術(shù)潛力的否定，而是對金融風(fēng)險傳導(dǎo)機制的理性回應(yīng)。與其讓AI在金融決策鏈條中承擔(dān)超出其能力邊界的責(zé)任，不如明確界定其適用范圍，將其優(yōu)勢集中在更合適的位置。

在實踐中，金融AI的應(yīng)用邊界正在逐步清晰，可大致劃分為三個層級。

在低風(fēng)險、規(guī)則明確的環(huán)節(jié)，生成式AI可以承擔(dān)較高程度的自主決策職能。如標(biāo)準(zhǔn)化客戶服務(wù)、信息查詢、交易記錄整理、基礎(chǔ)合規(guī)校驗等場景，其業(yè)務(wù)邏輯相對穩(wěn)定，錯誤后果可控，即便出現(xiàn)偏差也能被快速糾正。在這些場景中，AI的效率優(yōu)勢最為明顯，且風(fēng)險外溢相對有限。

在中等風(fēng)險、需要判斷但仍可復(fù)核的環(huán)節(jié)，更可行的模式是“AI提供建議，人類負(fù)責(zé)復(fù)核”。如信貸初篩、風(fēng)險預(yù)警、投顧分析支持等，AI可以在多維數(shù)據(jù)整合、模式識別方面發(fā)揮優(yōu)勢，但最終決策仍需由人類結(jié)合具體情境進行確認(rèn)。這種分工方式，既避免了人力成本過高，也為模型輸出保留了必要的安全緩沖區(qū)。

而在高風(fēng)險、責(zé)任高度集中的核心決策環(huán)節(jié)，行業(yè)普遍堅持由人類承擔(dān)最終決策責(zé)任。涉及重大資金配置、復(fù)雜金融產(chǎn)品交易或系統(tǒng)性風(fēng)險判斷時，生成式AI更適合作為輔助分析工具，而非決策主體。這一原則并非技術(shù)保守，而是源于金融體系對責(zé)任清晰度和可追溯性的基本要求。

03

以可信為先：頭部機構(gòu)引領(lǐng)行業(yè)新范式

在金融AI的能力邊界逐漸清晰之后，行業(yè)面臨的核心問題，已經(jīng)不再是是否要引入AI，而是如何在長期運行中確保其穩(wěn)定、可控與可追責(zé)。這意味著，討論的焦點需要從單一模型或具體應(yīng)用，轉(zhuǎn)向一套能夠支撐金融AI持續(xù)運作的治理體系。

與許多通用場景不同，金融領(lǐng)域?qū)I的容錯空間極其有限。問題并不在于模型會不會出錯，而在于一旦出錯，后果往往會被迅速放大。當(dāng)AI被嵌入關(guān)鍵業(yè)務(wù)流程，其輸出就可能直接影響資金配置、風(fēng)險敞口，甚至客戶的切身利益。

在這樣的前提下，單純依靠模型能力的提升，已經(jīng)不足以支撐金融AI的長期運行。越來越多機構(gòu)開始意識到：如果缺乏一套穩(wěn)定的運行與約束機制，再強的模型也很難真正“用得久”。

從實踐經(jīng)驗看，金融機構(gòu)在推進可信AI落地過程中，正在集中補齊三塊關(guān)鍵短板。

首先是把數(shù)據(jù)管住。大模型對數(shù)據(jù)的依賴程度，遠(yuǎn)高于傳統(tǒng)模型，而金融數(shù)據(jù)本身又高度敏感、關(guān)聯(lián)復(fù)雜。現(xiàn)實中的治理關(guān)鍵，并不只是防止數(shù)據(jù)泄露，而在于明確數(shù)據(jù)的使用邊界和責(zé)任歸屬。這也是為什么，一些機構(gòu)在引入AI的同時，會同步推進數(shù)據(jù)分級、訪問限制和數(shù)據(jù)審計等工作。隱私計算、聯(lián)邦學(xué)習(xí)等技術(shù)也在在部分機構(gòu)實踐中被引入，以實現(xiàn)“數(shù)據(jù)可用不可見”，為后續(xù)模型訓(xùn)練和推理過程建立可信前提。

其次是要讓模型的判斷過程說得清楚。在金融場景中，模型是否可信，很大程度上取決于其決策過程能否被理解、復(fù)核與問責(zé)。如果答案是否定的，那么就很難被金融系統(tǒng)所采納。因此，越來越多機構(gòu)要求模型在運行過程中保留完整決策記錄，對關(guān)鍵輸入、輸出和判斷路徑進行留痕，并配合定期的內(nèi)部審計和外部評估機制。而算法審計在這里的意義，并不是限制模型能力，而是為其進入核心業(yè)務(wù)流程提供制度信任基礎(chǔ)。

第三是隨時做好“拉閘”的準(zhǔn)備。任何金融AI系統(tǒng)都必須假設(shè)自身存在失效的可能性。在實際運行中，模型可能因數(shù)據(jù)分布變化、極端情境或外部攻擊而出現(xiàn)異常。在這些情況下，如果系統(tǒng)無法及時中斷、無法快速切換人工流程，就可能存在失控風(fēng)險。因此，是否具備清晰的應(yīng)急機制和退出路徑，已經(jīng)成為衡量金融AI是否真正“可用”的一項現(xiàn)實標(biāo)準(zhǔn)。只有當(dāng)AI系統(tǒng)具備可中斷、可回滾的設(shè)計，其風(fēng)險才處于可管理狀態(tài)。

在這樣的治理框架下，頭部機構(gòu)的示范意義也隨之發(fā)生變化。它們無需繼續(xù)證明“AI能做得多聰明”，而需要更關(guān)注如何讓AI長期、穩(wěn)定地運行在安全軌道上。

從已披露的實踐來看，一些機構(gòu)在引入生成式AI時，并未選擇“一步到位”的激進策略，而是將其放在更靠前的輔助位置。例如在復(fù)雜信息理解、流程梳理和風(fēng)險提示等環(huán)節(jié)發(fā)揮作用，而涉及最終裁量的關(guān)鍵決策，仍然由規(guī)則體系和人工判斷完成。以馬上消費披露的“天鏡3.0”為例，其通用大模型并未直接參與核心決策，而是更多承擔(dān)信息理解和分析支持的角色。從行業(yè)視角看，這種做法釋放出的信號非常明確：生成式AI需要被嵌入制度，而不是被賦予完全自主權(quán)。

類似的取向，也正在銀行和保險機構(gòu)中逐步顯現(xiàn)。部分銀行將生成式AI優(yōu)先部署在內(nèi)部知識檢索、合規(guī)輔助和風(fēng)險提示環(huán)節(jié)，而非直接參與授信決策；保險機構(gòu)則更傾向于讓AI參與材料整理和風(fēng)險畫像補充，但明確將最終裁量權(quán)保留在人工審核中。路徑各不相同，但背后的邏輯高度一致：金融AI的引入，應(yīng)當(dāng)增強治理能力，而不是削弱既有的責(zé)任結(jié)構(gòu)。

金融AI的下一階段競爭，很可能不再圍繞技術(shù)指標(biāo)展開，而是圍繞治理能力展開。誰能夠在數(shù)據(jù)安全、算法審計和風(fēng)險應(yīng)急等關(guān)鍵環(huán)節(jié)形成系統(tǒng)化能力，誰就更有可能在監(jiān)管趨嚴(yán)、風(fēng)險意識上升的環(huán)境中，實現(xiàn)AI的長期、穩(wěn)健應(yīng)用。

04

在邊界之內(nèi)前行，金融AI才能走得更遠(yuǎn)

回顧金融AI的發(fā)展歷程，一個看似反直覺卻愈發(fā)清晰的事實正在浮現(xiàn)：金融并不是一個“越自動化越先進”的領(lǐng)域。恰恰相反，當(dāng)技術(shù)能力不斷增強，真正決定其能否落地并長期運行的，反而是對邊界的尊重程度。

正如蔣寧所說，越是在技術(shù)被高度關(guān)注、寄予厚望的時期，越需要對“節(jié)奏”和“邊界”保持清醒判斷。

這種清醒，并不意味著金融行業(yè)對技術(shù)創(chuàng)新的熱情減退。相反，它標(biāo)志著行業(yè)正在進入一個更成熟的階段：從“能不能用AI”，轉(zhuǎn)向“如何負(fù)責(zé)任地使用AI”。在新的階段，技術(shù)的價值不再體現(xiàn)在是否替代人類判斷，而在于是否能夠放大人類的判斷能力，同時不削弱金融體系的穩(wěn)定性、可解釋性和責(zé)任結(jié)構(gòu)。

展望2026，金融AI的演進路徑，很可能不會呈現(xiàn)出劇烈的顛覆式變化，而是以更為漸進、但也更為深刻的方式展開。AI系統(tǒng)將在數(shù)據(jù)處理、風(fēng)險提示和決策支持等環(huán)節(jié)持續(xù)滲透，但其應(yīng)用形態(tài)將受到更清晰的邊界約束。自動化需求不會消失，但其適用范圍將更加清晰；人機協(xié)同也將不再只是實踐經(jīng)驗，而會逐步上升為流程設(shè)計和制度安排中的默認(rèn)選項。

與此同時，可信將不再是金融AI的加分項，而更清晰地成為其進入核心業(yè)務(wù)場景的基本門檻。模型是否可解釋、系統(tǒng)是否可中斷、責(zé)任是否可追溯，將直接影響AI能否被更多機構(gòu)納入更深入的業(yè)務(wù)體系，而不僅僅是試點或輔助工具。

在這一過程中，頭部機構(gòu)的角色將尤為關(guān)鍵。它們的價值，不在于是否率先展示最激進的技術(shù)能力，而在于是否能在復(fù)雜環(huán)境中率先摸索出一條可持續(xù)、可復(fù)制的路徑，為行業(yè)建立起關(guān)于治理、責(zé)任和邊界的共同認(rèn)知。這種慢而穩(wěn)的探索，或許不如技術(shù)突破那樣引人注目，卻更可能決定金融AI的長期走向。

當(dāng)機器在數(shù)據(jù)處理和模式識別上不斷逼近極限，人類的角色反而被重新凸顯——不是作為被替代的對象，而是作為風(fēng)險與責(zé)任的最終承擔(dān)者。也正是在這一意義上，金融AI的未來，并不屬于那些最早追求全面自動化的嘗試，而更可能屬于那些在技術(shù)進步與制度穩(wěn)健之間，始終保持清醒邊界感的實踐者。

在邊界之內(nèi)前行，或許正是金融AI走向成熟的必經(jīng)之路。

參考資料：

1、香港貨幣及金融研究中心，《Financial Services in the Era of Generative AI：Facilitating Responsible Adoption》，2025.4；

2、IMF，《全球金融穩(wěn)定報告》，2024.10；

3、騰訊研究院，《2025金融業(yè)大模型應(yīng)用報告：體系落地，價值共生》；

4、經(jīng)濟觀察網(wǎng)，《大模型挺進金融深水區(qū)》，2025.8；

5、埃森哲，《新格局，新增長：2025埃森哲中國企業(yè)數(shù)字化轉(zhuǎn)型指數(shù)》；

6、清華金融評論，《從“試點”到“量產(chǎn)”：金融大模型應(yīng)用的破局與遠(yuǎn)航》，2025.9；

7、新華網(wǎng)，《AI倫理觀察|智能金融革命背后的倫理風(fēng)險與治理智慧》，2025.5；

8、CFN金融，《AI，2026年圍獵銀行業(yè)》，2026.1；

9、21世紀(jì)商業(yè)評論，《馬上消費：人機協(xié)同帶來決定性機遇》，2025，9；

10、財新，《見證與未來：消費金融的新時代篇章》。

-End-