报告行业投资评级 * 报告未明确给出具体的行业投资评级 [1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22] 报告核心观点 * 金融智能体通过构建“感知→推理→规划→执行→进化”的闭环，能够突破大模型在金融领域应用的局限性，实现业务流程再造与系统智能协同，从辅助工具升级为具备自主决策与执行能力的AI实体 [9][10] * 2025年被视为智能体元年，金融行业智能化转型进入加速阶段，银行、证券、保险等机构对金融智能体的采纳需求激增，应用已深度渗透至各细分领域的核心业务场景 [16][17] * 金融智能体的落地仍面临数据质量与安全、技术基础不成熟、投入成本高昂及复合型人才短缺等多重挑战 [19] 行业综述总结 * 金融智能体是具备自主性、适应性、交互性的AI实体，能通过调用外部工具执行复杂金融任务并形成闭环 [10] * 相比大模型，智能体的核心价值在于：1) 实现端到端的业务流程再造与自动化，从单点智能走向系统智能协同；2) 通过RAG、插件调用等技术适配，在保障数据安全的前提下提升模型专业性、可解释性及风险控制能力；3) 增强客户交互体验 [10] 金融智能体应用场景总结 * 银行业：主要应用于零售业务（如AI原生手机银行、智能营销）和信贷风控（如智能审核、异常监测）两大方向，在蚂蚁数科已落地场景中占比分别为34.6%和25.5% [12][17] * 证券业：主要应用于投研（如研报解读与生成、事件分析）和投顾（如资讯简报、智能盯盘）场景，在蚂蚁数科已落地场景中占比分别为37.5%和18.8% [13][14][17] * 保险业：核心应用场景集中于产品开发销售（如产品解读、动态定价）与核保理赔（如材料识别、智能定损），在蚂蚁数科已落地场景中占比分别为35.3%和29.4% [14][17] * 通用场景：跨行业应用包括智能客服、智能用数、内容审核、智能研发等，在蚂蚁数科已落地场景中占比16.2% [15][17] * 部署情况：2025年，25.0%的银行、22.2%的证券公司、13.6%的保险公司已部署智能体；另有37.5%的银行、40.7%的证券公司、31.8%的保险公司计划在未来一年内部署 [16][17] 金融智能体落地挑战总结 * 数据质量与安全：金融数据多源异构、格式不一且缺失率高，仅约25%的金融机构实现了数据地图；数据包含大量敏感信息，而开展数据安全评估的金融机构不足45%，缺乏完善的确权与隐私保护机制，易引发泄露与滥用风险 [19] * 技术基础挑战：受限于基座模型不成熟、工具不完善及对可靠性要求高，当前更倾向于基于工作流的智能体而非自主规划型；现有IT系统存在“数据孤岛”与“技术栈割裂”问题，且缺乏多目标协同机制，难以实现完全自主决策 [19] * 投入成本高：出于数据隐私考虑，金融机构多采用私有化、本地化部署，导致软硬件配套成本极高，且部署后模型性能可能下降，面临技术迭代风险；为满足金融业务高频实时需求，多模块高频交互也会产生较高的训练和推理成本 [19] * 人才缺乏：2025年上半年AI技术新发职位同比增长超36%，中国整体AI人才缺口已突破500万，AI技术人才整体紧缺指数达2.3（高度供不应求）；尤其缺乏既懂金融业务又懂技术的复合型人才、大模型训练与调优专家及智能体运维工程师 [19] 金融智能体参与者图谱总结 * 市场参与者主要分为两类：以百度、阿里、中关村科金、金智维为代表的通用厂商；以蚂蚁数科、财跃星辰、金证股份、百融云创等为代表的垂直厂商 [20][21]