■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）
