ARTICLE · 1062258
两把尺子,看 AI 金融的方向与路径
点击蓝字，关注我们
开场的意外收获
9 月 11 日下午，我在中关村参加了锦囊专家主办的金融 AI 大会。原本是冲着后半场汇丰、华夏银行、人保寿险等一线机构的 AI 落地案例去的，想看看 “AI 金融” 到底跑出了什么成果，没想到开场的学界主旨演讲带来了意外收获。
复盘现场拍的 PPT 时发现，开场演讲的理论骨架与下半场的落地案例恰好形成对应：两把尺子，一把量方向，一把量路径。
第一把尺：学界给出的方向框架
对外经贸大学的江萍教授，用二十分钟把 “AI 怎么落地金融” 梳理成了一套可逐条衡量的完整体系。这个里面她提出未来智能体的差异化竞争是关键。也给出了核心轴、风险与治理方面的内容。
三根核心轴
第一根轴，是两条政策线的交汇。一条是 2023 年中央金融工作会议提出的金融 “五篇大文章”—— 科技、绿色、普惠、养老、数字金融；另一条是 2024 年政府工作报告提出的 “人工智能 +”。大模型赋能金融，本质就是 AI + 在金融五篇大文章中的落地。
第二根轴，回答 “为什么偏偏是金融”。江萍给出三个理由：数据多、资金充足、监管严格。前两点符合常识，第三点反而反直觉 —— 正因为监管严格，大模型才不容易跑偏。这和我做项目的体感一致：没有约束的试点，最后大多烂尾。
第三根轴，是三个赋能逻辑。
成本端：服务的边际成本趋零，普惠金融才具备真正落地的基础； 信息端：大模型可处理非结构化数据，涵盖专利文献、舆情文本，甚至能通过贷款申请视频中的微表情判断违约概率； 决策端：金融系统从传统规则引擎，升级为具备自主推理能力的智能体。
三层风险与四根治理支柱
风险层面，江萍将其划分为三个层级：
微观层：模型幻觉、数据泄露、算法黑箱； 中观层：市场主体共用同一模型导致的羊群效应、市场共振； 宏观层：跨机构同步反应引发的系统性金融风险。
治理层面，她提出四根支柱：原则、制度、监管、能力，并对比了全球差异：欧盟以统一立法实现严监管；美国依托原有框架延伸，无专门立法；中国采用 “场景牵引 + 沙盒监管” 的模式，边实践边规范。
用自己的项目，量这把方向尺
框架摆在面前，对照自己过往的项目经验逐一衡量，能清晰看到方向与落地的距离。
成本这条认同。人力密集环节向算力、智能体迁移的工作，审核、客服、报告等环节的边际成本确实在下降。但 “边际成本趋零” 是方向，和 “已经归零” 之间，还有大量停留在 PPT 阶段的环节。她的演讲中没有涉及已落地和在演示的内容。这让我想起早年数字化的教训：照着图纸硬抄的系统大多翻车，留给业务自然生长的，才真正跑通了 —— 路径这件事，光有方向尺是画不出来的。
信息这条超出了预期。非结构化数据处理我原以为距离落地还远，但 “通过视频微表情判断违约” 的例子，恰好身边有朋友因此被交警处罚，说明实际落地比预想的更近。她对数据造假、标注质量等问题没有展开。而我接触的真实项目里，“垃圾进，垃圾出” 才是常态，这一环后面估计也会存在不少要结局的事情。
决策这条的大方认可。从规则引擎到智能体是必然趋势，但 “自主推理” 到 “可替代银行做信贷决策” 之间，还隔着可解释性和问责机制两道关，这一点她在风险部分也有所提及。
第二把尺：业界交出的路径答案
下半场的机构案例，给出了和学界方向尺完全不同的另一把尺子 —— 路径尺。
华夏银行：把 ChatBI 拆成五套工程框架
全场最有分量的案例，来自华夏银行科技开发与运营中心的王彦博，主题是《从 ChatBI 到数据分析报告自动生成》。他没有讲空泛的理念，直接把 AI 落地拆解成了五套可执行的完整框架：
技术演进三阶段：从接入大模型能力的 ChatBI 系统，到以单智能体为核心的系统，再到 2024 年至今的多智能体系统； 「8Re」运行流程：覆盖指标语义表达、自然语言解析、意图识别、RAG 召回、SQL 自动生成、工具调用、反思自评估、结果输出全链路； 多智能体「5C」框架：中控、商业智能、因果分析、结论、代码生成五个智能体分工协同； 「4r」运行方式：推理规划、协调合作、记忆回忆、反思自评； 报告「5D」体系：沿着描述性→偏离识别→诊断归因→预测→决策支持的路径递进，配套生成报告的 TRACE 框架。
最让我印象深刻的是明确的落地效果：个人一般存款日均增量的预测达标率，从 75.4% 提升至 82.6%，预计带来存款增量 3280 万元。他把预测数字，甚至 “预测” 这个定义本身，都清晰地呈现在了 PPT 上。
服务商：AI 落地的核心是 “能交付”
压轴的服务商提出了更落地的模式：“1 个运行底座，支撑 N 个场景化智能体”，五层架构覆盖安全网关、权限角色、全程审计。其核心观点是 “AI 落地，核心在于能交付”，并推出 FDE（驻场工程师）模式，原话是：“模型能力持续上升，上下文、工具、约束、验证，才是 AI 落地可交付的下限。”
我原本以为银行的 AI 还停留在试点 PPT 阶段，没想到他们已经把一句方向性的判断，拆成了一整套可跑通的工程体系。
两把尺子还没完全对齐：方向对≠路径对
整场听下来，最值得琢磨的，是两把尺子还没完全对齐。
方向尺能划定边界，却画不出具体路径。江萍的 “三个赋能逻辑” 是高度凝练的结论，王彦博的五套框架是步步可落地的执行细节。同样讲 “降本提效”，方向是一句话，路径是全流程里每一步的具体实现。都是对同一件事两端的描述，中间的差距，就是我常说的 —— 方向预测对，不一定等于路径预测也对。
现场一张趋势图点透了差异化的变化：AI 体系分为四层，基础层同质化达 90%，框架层 80%，模型层 65%，到智能体层仅剩下 30%。底层技术越标准越不值钱，真正的差异化在应用层，在智能体沉淀的企业自有数据、业务流程与专家经验。这恰好和 “落地卡的是能交付” 形成呼应：模型大家都能拿到，差距在于谁能把它真正接入业务、跑出结果。
中观风险的部分也印证了这种错位。江萍点出了 “同模型带来市场共振” 的风险，但是这种风险如何解呢？所有人用同一个大模型判断市场，得出相似结论，采取一致动作，最终放大的不是收益，是波动。这是 “方向对≠路径对” 的金融版本：模型本身是好的，但当所有人都用同一套，系统说不定反而会变得更脆弱。
对尺子的思考
对照落地实践回头看这把方向尺，逻辑清晰、可证伪、敢于直面风险。另外还有很多内容期待看到更多：一是路径样本，方向框架有了，期待逐步看到更多落地的详细路径；二是数据质量问题如何应对；三是监管如何落地，是个难点。
最终落到三个核心判断上：
第一，江萍是方向尺，王彦博是路径尺，二者不能混同。学界的一句话结论，到银行落地需要五套完整框架，体现的是认知与执行的差距。
第二，AI应用的边界。华夏银行整套 ChatBI 的应用，全部集中在信息处理侧 —— 问数、诊断、预测报告，还没有涉及触碰实体业务。一旦到要改变实体、承担责任的环节，约束就会重新出现。
第三，敢被证伪的框架，比永远正确的口号有用。有些专家敢摊开讲风险，有些专家敢拿数据见真章，这也是这场大会最有价值的地方。
内容总结
本次金融 AI 大会从学界与业界两个维度，呈现了 AI 在金融领域的落地现状：学界搭建了 “政策背景 - 赋能逻辑 - 风险分层 - 治理支柱” 的完整方向框架，明确了 AI 赋能金融的底层逻辑与发展边界；
银行与技术服务商则交出了可落地的路径答案，覆盖技术演进阶段、全流程运行逻辑、智能体分工架构、报告生成体系以及可交付的落地模式，形成了体系化的工程实践。
两者共同展现出当前 AI 金融的阶段特征：发展方向已经清晰，落地路径也已有实践跑出，但方向判断与落地执行之间，仍存在明显的待填补的空间。
本来是冲着看 AI 金融跑出了什么成果去的，到头来最意外的收获，是看清了一件事：方向的尺子已经画出来了，走路的步子，需要一步一步踏实踩实。
精彩推荐
