金融智能体行业丨研究报告 摘要： 本报告基于技术发展周期视角 ， 对中国金融智能体的落地现状和趋势展开了深度洞察 ，阐述了 金融智能 体在关键周期阶段的主要表现 ， 期望能够为行业提供一份拥有参考价值的研究内容。 序 - 背景 三重驱动因素推进金融智能体发展 相比近年来金融机构采纳的各类新兴技术，大模型及智能体的发展在"技术突破、业 务创新与政策支持"的多重因素驱动下，展现出更为强劲的发展势头 近年来，各类新兴技术相继涌现，均在初步探索期获得市场关注，也都经历了从概念炒作到理性回 归的过程。这些技术中，部分通过重塑业务流程实现稳健发展，部分则因未能规模落地而发展停 滞。多家金融机构技术负责人反映，尽管各类新兴技术持续影响金融科技战略布局，但很多决策者 日趋理性，会审慎对待市场炒作，从而更关注技术的实际价值。 与其他技术相比，大语言模型、金融大模型及智能体的创新展现出显著不同的特质。它们凭借技术 突破和场景应用创新，为金融业务升级开辟了新路径；加之政策层面的积极引导，共同为技术的发 展构建了坚实的支撑。这种技术、场景创新与政策的多重共振，使大模型驱动的智能体在中国市场 展现出强劲的内生动力。目前，很多金融机构也 ...

核心观点 - AI大模型技术发展迅猛 但企业落地存在诸多挑战 阿里云基于内部实践总结出RIDE方法论 强调组织重组、机会识别、指标定义和工程执行的重要性 以实现真正的业务结果交付[2][4][28] - 企业必须搭上AI这趟"电梯" 否则将落后于时代 根据ARK INVEST预测 2030年算力性能将增长1000倍 黄仁勋则认为未来10年AI算力将提升100万倍[6][7] - 当前企业最大矛盾在于业务部门对AI的过高期望与IT部门实际生产力发展不充分之间的差距 需要重新调整生产关系以适应新生产力发展[8][30] 组织转型挑战与解决方案 - 实施"书同文、车同轨"通识教育 全员参加AI大模型认证培训(ACA面向非技术人员 ACP面向技术人员) 统一基础认知[32][33] - 通过产研提效比赛和业务提效比赛促进组织创新 比赛以E2E实际业务效果为衡量标准 而非表面指标[36][37] - 将数字人定位为业务部门正式员工 拥有工号和汇报关系(如AI001编号) 目前已有28个智能体上线 需满足效率提升和效果提升双重要求才能正式上岗[24][38][42] 业务机会识别标准 - 重点关注以language为中心的工作 包括电销、客服、翻译、合同审核及编程语言类任务[43] - 选择重复执行、规模化执行且人力短缺的领域 三个特征为Language类工作、重复规模化执行、缺人或效率低下[43] - 人力折算方法：单任务岗位按产能线性折算(如翻译2万字/人天) 多任务岗位聚焦卸载繁琐工作释放高价值人力[44] 产品定义与运营指标 - 准确率是AI项目第一核心指标 需结合响应时效性和安全合规等非功能性要求[47] - 关键运营指标包括DAU(每日活跃用户数)、用户提问数、渗透率和留存率 防止团队陷入"自嗨"[48][52] - 示例显示随着准确度提升 DAU和留存率同步上升 准确度指标分为蓝区(精准解决)、黄区(伴无关信息)和红区(完全不相关)[48][50] 工程落地模式与陷阱 - 翻译模式(狭义翻译和广义翻译)是低垂果实 但必须确保原系统就绪 比喻为"蛋糕坯ready才能放樱桃"[58][62] - Agent模式必须始于用户意图终于意图满足 需先构建意图空间和知识工程 否则必然失败[64][66] - 数据层面问题是智能体失败主因(占大部分) 需通过E2E归因定位具体环节[75] 技术实施策略 - 优先以白盒方式使用基模API 注重评测和数据建设 仅在必要时引入训练(如实时性要求高时)[77][78] - 执行阶段金字塔结构：底层是业务数据/API/评测能力(最大底座) 中间层是工程应用算法(RAG/微调等) 顶层是业务目标[55] - ChatBI本质是Agent模式 依赖底层数据中台和完善的数据治理 否则无法生效[80] 实践案例成果 - 翻译场景：使用ChatGPT 4版本后评分从4.12分提升至4.6分(满分5分) 成本降至原专业团队的1/200 完成印尼语全量翻译[15][16] - 智能外呼：服务数百万企业客户 相当于数百人工座席带宽 解决高流动率痛点[18] - 合同审核：将审核时间从最长5个月缩短至实时风险识别 培养财务/信控/法务数字人[20][21] - HR服务：整合低频分散服务 "云小宝"智能体相当于节省10名员工 支持自然语言操作(如请假/体检预约)[23]