■田鹏
近日，上海市经济和信息化委员会印发的《上海市软件和信息服务业发展“十五五”规划》提出 ，构建AI（人工智能）金融创新产品矩阵 ，聚焦金融产业核心业务场景，研发金融行业大模型 ，发展智能投顾智能体、AI合规风控系统等创新产品 ，形成“决策—交易—风控—管理 ”一体化能力链 。
金融行业推广AI智能体具备得天独厚的条件，一方面 ，行业多数业务流程标准化程度较高 ，长期积淀海量规范的结构化数据；另一方面，各大金融机构数字化底座坚实 、内部业务接口完备；同时，客服稽核 、合规风控、后台运维等大量重复性业务场景 ，能够充分支撑智能体的工具调用与迭代优化 。
但从现实情况来看 ，AI智能体在金融行业场景落地过程中，一直面临着安全与合规的限制与考量 ，所以行业对AI智能体应用整体保持着较为谨慎的态度。细究其中 ，笔者认为，难点主要体现在合规权责 、数据建设 、模型技术、业务落地四大维度 。
其一 ，在合规权责层面 ，当前行业处于常态化强监管态势，人机权责划分 、业务合规标准日趋严格 。因此 ，出于防范智能体话术偏差 、应答失误引发客户投诉的风险考量 ，多数机构暂未面向终端客户开放智能体应用。同时，信贷风控、客户画像等核心商业数据及用户隐私信息存在外泄风险 ，大模型训练过程中的记忆留存问题 ，进一步加剧了信息泄露隐患 。这就要求机构必须搭建专属的权限管控体系，对智能体的页面查看、数据调取 、业务操作等全维度权限进行严格约束，这将大幅提高落地合规成本 。
其二 ，高质量数据集建设难度大 ，模型场景适配性不足。具体体现在多数金融机构内部系统林立 、数据分散割裂，数据整合、归集难度较大；此外 ，行业从业者的实操经验 、业务研判技巧等难以转化为标准化 、结构化的模型训练知识库。而互联网外部语料受AI生成内容干扰 ，无效内容问题较为突出，极易导致模型学习偏差 ，引发业务研判失误 。
其三 ，大模型自身存在技术短板，难以满足金融业务高风控标准 。AI幻觉是当前大模型无法彻底根除的技术痛点 ，易生成虚假数据、错误结论 ，一旦应用于信贷审核 、风险研判等核心场景，可能直接诱发资金损失 、业务风险。同时 ，大模型输出结果存在随机性、不稳定性 ，无法满足金融业务风控所需的结论可追溯 、流程可复现 、结果可校验，不符合金融行业严谨的风险管控硬性要求，极大限制了智能体在核心风控场景的落地应用 。
其四 ，业务落地适配性不足 ，浅层应用居多，高阶场景尚未突破 。现阶段行业内的AI智能体 ，大多仅落地于文档总结 、基础客服 、信息录入等低价值 、浅层辅助场景 ，具备核心风控、智能决策、自动化业务处置能力的高阶智能体，仍处于研发迭代 、场景沉淀阶段。同时 ，银行 、证券、保险等金融细分领域的业务逻辑 、风控规则 、合规标准差异显著 ，通用化AI解决方案无法适配各赛道的定制化、差异化业务流程，难以实现规模化 、标准化落地 。
AI智能体普及已是大势所趋 ，如何打消金融业落地顾虑 、实现安全高效应用 ，已成为当下行业关注的重点 。笔者认为，这就需要行业瞄准上述痛点搭建一套完整的落地框架——业务闭环严守人工终审 ，厘清人机权责 ，依靠权限管控、操作留痕 、私有化部署 、数据脱敏、多源校验守住数据安全底线；同时，搭建分层金融专属数据库，打通内部数据孤岛 ，把资深从业者实操经验转化成标准化知识库；此外 ，完善场景化工程架构，依托业务规则约束模型运行范围 ，解决AI幻觉与输出不稳定难题 ，沉淀适配银证保不同赛道的可复用技术资产；最后，实行梯度式场景落地 ，先深耕低风险辅助业务 ，逐步迭代高阶智能体，联动市场主体沉淀通用落地范式 ，平衡技术复用和细分业务定制需求。
金融与人工智能的深度融合 ，是金融数字化转型与科创赋能实体的必然趋势 。未来，行业唯有平衡创新应用与合规风控 ，持续破除技术 、数据与场景落地壁垒 ，才能激活AI智能体的核心价值，推动金融业高质量发展 。
（文章来源：证券日报）
