6月18日，金监局正式发布《关于银行业保险业人工智能安全开发应用的指导意见》（金发〔2026〕8号），32条意见，字字珠玑。

在这份文件中，有几句话格外值得细品：

"支持有条件的金融机构建立企业级模型即服务（MaaS）平台，实现模型在企业层面共享复用。"

"鼓励大型金融机构发挥示范作用，向中小金融机构输出人工智能技术和管理经验。"

"支持中小金融机构加强协作，共同推进应用场景落地。"

一句话：政策终于明确了——金融AI的未来，不是"单打独斗"，而是"行业共建"。

中小金融机构的AI困境：不会用、不敢用、不好用

2025年，中国企业大模型使用率已达78%，员工月均调用AI超过600次。AI不再是"尝鲜玩具"，而是"刚需基础设施"。

但在金融行业，尤其是中小银行和保险公司，AI落地仍然卡在"三道坎"：

第一道坎：不会用。 一听到"智能体、工作流、MaaS"，很多中小机构的第一反应是：这是不是得学？是不是得折腾？是不是得改变原来的工作方式？结果是，大家都知道AI强，但不知道怎么用、从哪开始。场景很浅，门槛很高——不会用，用得不省心。

第二道坎：不敢用。 金融数据高敏感，一行错误可能引发系统性风险。8号文明确"谁使用谁负责"，高风险应用（信贷审批、风险评估、承保理赔）须经风险管理委员会批准。输入的数据会不会泄露？会不会用于训练？会不会带来合规风险？对于合规要求严格的金融机构来说，很多时候不是"要不要用"，而是——不敢把业务数据交给AI，用得不放心。

第三道坎：不好用。 不少机构会转向私有化部署，但在实际使用中又会遇到新的现实问题：私有化大模型的迭代效率难以追上互联网端的节奏，私有化环境无法实时与互联网数据源交互。你用的是大模型，但数据可能是旧的；你用的是智能，但信息是滞后的。最终很多人得出结论——好像也没那么好用。

三道坎叠加的结果是：最需要AI提效的机构，反而最用不上AI。

而这恰恰是8号文试图破解的核心问题。

8号文指路：从"各自为战"到"行业共建"

8号文的核心逻辑，可以用一句话概括：安全是底线，共享是出路，落地是本事。

在安全层面，8号文建立了完整的风控框架：分类分级管理、高风险应用准入、外包风险隔离、供应链安全管理、数据脱敏规范、提示词攻击防御、智能体安全保障……几乎覆盖了AI落地的每一个风险环节。

在共享层面，8号文第6条、第7条、第12条反复强调"行业共建"：

• • 支持企业级MaaS平台建设
• • 鼓励大型机构输出算力和技术经验
• • 支持行业数据集共建共享
• • 鼓励使用国家算力节点或行业基础设施降低成本

这意味着什么？ 政策层已经意识到，如果每个银行都自己建一套AI系统，不仅成本高昂，还会造成资源浪费和安全碎片化。行业共建，才是更优解。

金融垂直MaaS平台：不是"重新发明轮子"，而是"共建高速公路"

什么是金融垂直领域的MaaS平台？

简单说，就是一个行业级的AI安全中枢。大型金融机构提供基础模型能力和算力，中小金融机构按需订阅，专注于自己的业务场景。

它的核心价值体现在三个方面：

一、安全能力共享。 8号文要求的安全能力——内容安全检测、提示词攻击防御、数据脱敏、操作审计、行为追溯——这些能力的建设成本极高。但如果由行业平台统一提供，每个机构只需"接入"，而不是"自建"。

目前业内已有成熟的解决方案。比如CheersAI的Vault安全屋，提供了全生命周期纵深防御：事前风险预判与门禁、事中实时监测与拦截、事后全链路回溯与合规举证。类似的，CloudRouter平台则聚焦于企业AI的统一接入与管控，实现多模型智能路由、成本治理和全量审计。这些方案的共同特点是：不替代你的业务系统，而是作为安全中枢"串接"在你的AI应用和模型之间。

二、模型能力共享。 MaaS平台可以汇聚多家大模型的能力，中小机构通过统一接口调用，无需自己对接每一个模型提供商。更重要的是，平台可以在通用大模型之上，叠加金融行业微调层——风控模型、合规模型、客服模型——这些能力由行业共建，每个机构都能受益。

三、数据价值释放。 8号文第24条明确：姓名、身份证号、手机号、银行卡号等个人信息不得用于生成式AI模型训练。这意味着金融行业的数据使用必须更加审慎。但MaaS平台可以通过联邦学习等技术实现"数据不出域，模型可共享"——你的数据留在你的机构里，但模型能力是全行业共享的。

📷 · MaaS平台架构

五篇大文章的AI破局之道

科技金融、绿色金融、普惠金融、养老金融、数字金融——这"五篇大文章"是金融行业的战略方向，也是AI最能发挥价值的场景。

以普惠金融为例：中小银行服务小微企业，需要智能风控、智能审批、智能客服，但传统方案要么"风控模型太贵买不起"，要么"通用模型不懂金融"。一个行业共建的MaaS平台，可以提供经过金融场景验证的垂直模型，让中小银行以极低成本获得接近大行的AI能力。

以科技金融为例：科技型企业的风险评估需要多维度数据分析，传统的尽调方式效率低、覆盖面窄。共享平台上经过训练的科技企业风险评估模型，可以大幅提升中小机构的尽调效率和风险识别能力。

以绿色金融为例：ESG评估、碳足迹追踪、绿色项目识别——这些都需要大量专业知识和数据积累。行业共建的知识库和模型，可以让每个机构都站在"行业智慧"的肩膀上。

不是每个银行都要自己建大模型，就像不是每个城市都要自己建发电厂。 金融AI的未来，是"基础设施共享 + 场景深度定制"。

落地建议：中小金融机构的"三步走"路径

第一步：接入，不自建。 选择一个合规的行业MaaS平台或大型机构的AI中台，作为AI能力的统一入口。重点不是"谁的模型最强"，而是"谁的安全体系最完善"。

第二步：场景验证，小步快跑。 从风险较低的场景入手：内部知识库问答、工作报告校对、合规文本审查。验证效果后再逐步扩展到客服、风控、营销等核心业务。

第三步：数据闭环，持续优化。 在平台上沉淀业务反馈数据（脱敏后），反哺模型迭代。形成"数据—模型—应用"的良性循环。

这三步的共同前提是：有一个安全、合规、可信的行业平台作为底座。 而8号文，恰恰为这个底座的建设提供了政策依据。

写在最后

8号文的出台，标志着金融AI从"野蛮生长"进入"有序发展"的新阶段。

对于中小金融机构来说，最大的风险不是"AI太先进"，而是因噎废食——因为害怕安全风险，而错过了AI带来的效率革命。

好消息是，政策已经指明了方向，行业解决方案也已经成熟。从安全网关到MaaS平台，从联邦学习到全链路审计，技术栈已经备齐。

现在需要的，是金融机构转变思维：从"自建"到"共建"。

大型机构开放能力，中小机构拥抱生态，科技公司深度参与，监管部门持续指导。

金融AI不是零和博弈，而是生态共建。

安全是底线，共享是出路，落地是本事。

以上为个人对8号文的一些解读和思考，不妥之处，请多指正。

你的机构，AI落地进展如何？

是自建、采购、还是观望？最大的卡点是什么？

欢迎在评论区分享你的经验和思考。

参考文件：

• • 国家金融监督管理总局《关于银行业保险业人工智能安全开发应用的指导意见》（金发〔2026〕8号）