“一半是火焰，一半是海水”，這是業界對金融行業落地大模型的現狀描述。一方面，全球近半數金融機構已啟動大模型應用建設，行業已處在爆發臨界點；另一方面，“高投入、低滲透”一直是金融行業落地大模型遭遇的挑戰，這讓行業又未完全實現爆發。
金融行業與大模型之間，既有巨大的深度融合潛力，也存在落地的現實鴻溝。如何在監管合規與創新突破之間找到平衡點？如何將高投入轉化為高產出？已成為金融機構和業界必須回答的問題。
“過去一年，大模型在金融行業的落地狀態，可以用‘一半是火焰，一半是海水’來形容。”近日的一場AI+金融論壇上，百度集團副總裁袁佛玉的這一觀點，道出了行業的狀態。
“火焰”的一面，大模型已成金融機構必選題，將給金融業帶來體系性變革，而非簡單降本增效，這包含三個根本性重構：重構用戶體驗與習慣，實現“人找服務”到“服務找人”；重構業務流程和模式，從“流程與數據驅動”到“知識與智能驅動”；重構員工角色和價值。
“每個場景都有可能會被重塑。”螞蟻數科CTO王維表示，這輪AI革命給金融行業帶來的影響，將不亞于移動互聯網對社會各層面的改變。
人工智能在金融領域的應用已是全球現象。畢馬威8月發布的《2025金融業大模型應用報告》中指出，2025年已成為金融行業深度整合AI、借助大模型進行創新的關鍵拐點。全球近半數金融機構已啟動大模型應用建設，行業正從零星試驗階段邁入規模化部署期。其中，海外側重技術與業務創新協同，國內目前更聚焦于知識庫、文檔處理等效率提升場景。
根據報告的統計，2024Q1至2025Q2這一年多時間，中國金融市場共計產生191個大模型相關中標項目，其中2024年112個，2025年上半年79個，基本形成銀行業主導、證券保險跟進、信托資管探索的梯次發展格局，2025年建設節奏明顯提速。
而“海水”的一面，大模型要落地到嚴謹業務場景，仍然困難重重。“高投入、低滲透”一直是金融行業最近幾年共識的大模型“落地陷阱”。從“通才”到能成為理解業務、符合行業安全合規要求且能創造實際商業收益的“業務伙伴”，大模型還有不小差距。
比如，金融從業人員曾反饋，部分智能化工具沒有契合業務場景痛點，反而增加了人工重新檢驗和校正的工作量。也有大行科技部門員工向外透露，引入大模型后，硬件設備投入成本大增，但實際業務效率提升并不明顯，管理層因此對后續投入產生疑慮。
7月底的WAIC媒體溝通會上，螞蟻數科金融AI產品總經理曹剛曾直言：“目前金融機構的AI應用中，80%集中在客服問答、文檔處理等通用場景，而風控、投研、財富管理等核心業務的滲透率不足20%。”
百度智能云金融業務部總經理徐旭則觀察到，最近金融機構的領導，尤其高層，思考維度已深入到更底層的挑戰與問題。比如，大模型催生的數字員工并非單純技術議題，而是新時代的人力資源課題。
技術創新可能引發的競爭格局變革，也在金融機構引發更深的思考。7月，徐旭在拜訪一家頭部保險公司副總裁，分享智能體應用場景時，對方便拋出核心疑問：“我知道這能做，但在這個時代，我們的護城河在哪？”而這可能需要讓大模型直抵核心業務場景，用AI原生技術和新的管理范式重構競爭力。
“高投入、低滲透”陷阱背后，是大模型的通用性與金融業務的專業性存在矛盾。4月的一場峰會上，時任中國銀行首席信息官孟茜指出，目前預訓練基礎大模型金融知識配比僅占約5%，導致金融專業性不足，限制了其在金融場景的深度應用。
今年，這個問題開始有了新解法，專業智能體是大模型落地到金融等嚴謹產業的有效路徑。這個過程中，行業逐漸總結出了一些共性趨勢和落地方法論。
趨勢一，大小模型融合已成金融業場景主要解決方案。二者協同關鍵在匹配分工，大模型多承擔指揮和協調角色，解決長尾、小樣本問題；小模型則憑借多年打磨優勢，負責生產執行，并著重滿足業務場景中大模型暫時難以實現的毫秒級響應需求。
如反欺詐、合規審計中小模型打分判定，大模型解釋說明；投資研究里，小模型擬合行情數據，大模型整理成報告。信貸審批時，大模型初評客戶信用與還款能力，小模型深挖歷史數據補充修正。
趨勢二，金融垂直大模型，尤其金融推理模型，開始越來越被需要。
智能體需要好模型。要不要行業模型、場景模型，很多行業存在“非共識”。但經過實踐，金融行業明確需行業大模型與垂類場景模型，以應對合規、嚴謹性、一致性、專業性等獨特挑戰，滿足精準金融能力需求。
此前，一些金融機構，尤其頭部大行，已開展二次訓練，各家廠商也都在打造金融行業大模型。而今年，還要更進一步。
4月初的一場大會上，中國工商銀行首席技術官呂仲濤曾透露，工行已建成以生成能力為主的企業級千億級大模型，今年起，其核心方向之一是打造金融推理大模型，以解決可解釋性問題，更好適配業務需求。
百度云則在6月推出了千帆慧金金融知識增強、推理增強兩大模型，各含8B和70B兩個版本。百度智能云千帆大模型行業增強技術負責人李曙鵬曾向數智前線舉例稱，推理增強模型適用于金融表格分析、金融計算等場景，如賦能房貸利率計算，推理得出最優金融方案。
7月底的世界人工智能大會上，螞蟻數科也正式發布專為金融領域打造的金融推理大模型 Agentar-Fin-R1。
“一個好的垂直大模型，特別是推理能力很強的推理大模型，才能成為一個智能體可控、可靠、可優化的智能中樞。”螞蟻數科CTO王維觀察，尤其當步入深水區，想用智能體去解決理財、風控等場景的問題時，模型推理能力愈發關鍵。
螞蟻數科AI技術負責人章鵬則告訴數智前線，這源于兩方面的需要，一是技術內生需求，推理模型出現后，客戶主動要求跟進先進技術。二是客戶需可解釋性，希望知曉大模型回答的思考過程，此前主要靠Prompt強制模型的思考，但金融復雜場景對推理鏈條和邏輯要求更高，僅靠Prompt難以滿足。
但并非所有場景都需推理模型。進入業務深水區，客戶更關注效率與成本，需按問題差異決定是否深度推理。“比如生成報告、審查報告是否該通過或審批等場景，是適用的；但在客服、呼叫、坐席助手場景不實用，因其實時性要求高，哪怕半分鐘，對方都可能掛機。”中關村科金副總裁劉倩說。
趨勢三，與基礎大模型解耦，逐漸成為金融機構共性選擇。
當前，基礎大模型迭代持續加速，每周都有新的或升級版基礎大模型推出。基于之前模型開發的應用實踐該何去何從？
在7月中旬一場由螞蟻數科發起的直播中，香港科技大學數字金融實驗室主任陳卡你提到，他們現在做AI應用，很多時候會設為“可插拔”模式，以便隨時更換基礎大模型。尤其金融行業，因多要求本地部署、成本高昂，對這種靈活適配的需求會更為迫切。
8月底一場由百度云主辦的AI+金融專題論壇上，中國建設銀行金融科技部副總經理張曉東也透露，為適應模型的快速迭代，建行打造了企業級松耦合的整體架構，基礎大模型與建行大小模型間、建行大小模型與應用場景間雙重解耦，達成“水漲船高”效果。“目前我們已完成39個大模型版本的更換，逐步提升了我們對業務的支撐能力。”張曉東說。
當下，在金融場景落地中，已逐步形成以員工、客戶為兩大主線的發展方向，持續深化大模型與智能體的體系化應用。相關落地成果也在持續涌現。
在員工智能方面，百度云徐旭告訴數智前線，目前業界在前臺、中臺、后臺全流程都已有不少案例。
以保險公司營銷場景為例，一些險種的銷售人員成本約占運營成本的40%-60%，且產品條款復雜、同質性強，銷售難度大，業界圍繞保險銷售全鏈路開展場景探索。比如，泰康在代理人培訓場景推了AI智訓，可將特殊險種代理人持證上崗的培訓期縮短一半。
建行張曉東則介紹，建行為客戶經理打造了“幫得”智能助理，實時推送高凈值客戶、資金變動客戶信息，匹配理財產品與客戶畫像，提供營銷話術。借助該智能助理，專營客戶經理服務客戶數從200人升至了600人，直營客戶經理服務客戶數從幾百人提升至2萬人，幾乎超過單個網點覆蓋的客戶經營范圍。
位于中臺位置的投研顧問場景，如高華證券發布了大模型指數化股票投資系統。其中，華證高度大語言穩健50策略指數自2024年11月上線以來，年化收益率在25%以上，較中證紅利全收益指數實現15%超額年化收益。
在更核心的風控領域，今年行業內也有新突破。工商銀行用大模型+智能體形式，把業務流程串接起來，更快地完成風險評估和體系性的能力。在這個過程當中，通過強化學習理解業務專家的工作模式，更好地形成可解釋的風險管理的報告。
今年5月谷歌DeepMind發布AlphaEvolve，以科學計算結合大模型，實現算法自動生成、評估與迭代。百度以此為思路，攻克工程化難點，推出了“伐謀”智能體，試用于金融行業風控特征工程與建模。在與某直銷銀行的試驗中，最終端到端風控模型抓違約人群能力提升了3個千分點。“風控領域提升一個千分點就屬于顯著指標了。”一位行業人士表示。
而客戶智能方面，大模型及智能體，正在推動金融行業的客服、交易、交互等發生形態變化。
如新交互方面，不管是銀行、證券還是保險公司，都已經在嘗試探索下一代金融APP，最終目標是從“人找服務”變為“服務找人”。行業人士告訴數智前線，上一代的手機銀行，3-4層的繁雜菜單中，約有70%的按鈕從未被按過，但真想找服務時又很難，而這些，未來都有可能一句話解決，讓金融APP實現交互躍遷。
另外，交易形態也在發生變化。銀行做市業務，原來主要靠人工操作。中國工商銀行軟件開發中心大數據和人工智能實驗室資深經理夏知淵告訴數智前線，通過構建面向債券交易員的債券交易智能體，實現系統多渠道復雜詢價交易的一站式交易，平均回價時長從3分鐘降至15秒，交易效率提升10倍，日均交易報價筆數從200+筆提升至2000+筆。
自大模型落地探索至今，ROI（投入產出比 / 投資回報率）始終是金融機構關注的關鍵指標，卻也長期面臨難量化的問題。
早期開拓階段，因企業不了解大模型技術，多需服務商主動幫忙將ROI明確出來。彼時，ROI測算相對簡單，有時甚至是較為直觀的計算。比如，工作效率的具體提升，獲新客戶與客戶轉化的量化、購買數字人與新招一個員工的成本比對。
而隨著金融AI落地進入深水區，ROI的重要性和受關注度還在持續提升。“我們現在見客戶經常會是科技加業務的領導一塊見。”中關村科金副總裁劉倩表示，這背后是金融行業更加向業務預算或科技+業務聯合立項預算的方向在遷移，立項邏輯更多以“以業務價值為導向”，也是其更注重ROI的一個表現。如某銀行新任董事長最近暫停或降低了部分產品屬性類項目預算，保留甚至加大與“增收、降本、增效”相關預算。
這個過程中，需要建立一個更完善的價值評估體系。
最近，百度云聯合IDC發布的《金融大模型應用落地白皮書》中就提出，金融機構在落地大模型過程中，要以ROI為核心構建模型落地效果評估體系，包括提效、增益、使用頻率（MAU、DAU）等維度。同時圍繞 ROI 成本與收益類指標劃分場景落地優先級，進行動態調整。
部分金融機構在一些場景中，已通過多種途徑開展ROI測算，且能明確量化出相應價值。
“我們現在主要看業務量。”工行夏知淵告訴數智前線，比如原來人工操作日業務量可能只有1000筆，使用AI后，每筆業務的操作時間能壓縮十幾分鐘，業務量可能增加到2000-3000筆。
一方面，這些業務每一筆都會收取手續費，將每天多調用AI的次數與多收的手續費相比，就能換算出成本和收益。另一方面，原本因人力處理不過來而放棄的50萬元以下的匯款業務，隨著AI帶來的提效，可能也能做了。這將會帶來業務邊界的擴展。
業界觀察，過去一年，金融行業對大模型已經從“追逐”轉向“審視”，關注焦點從參數規模、榜單排名、打榜成績，全面轉向了模型在實際業務場景中的價值創造、投入產出測算，以及如何同時說服科技部門和業務部門。
這或是產業已經在走向成熟的重要信號。
在這個過程中，除了需繼續關注算力如何有序建設、模型與應用范式如何選擇等問題，更關鍵的是，人工智能已進入以智能體應用為核心的下半場，企業需重點解決圍繞智能體規模化應用的一系列新挑戰。
第一，解決面向智能體規模應用的架構適配挑戰。
銀行原來的業務架構、技術架構按業務部門劃分，不同部門有各自的業務系統、用戶及研發團隊。而智能體時代，一個智能體可能需跨系統處理業務。“這個過程中，智能體的研發和配置到底由誰來負責，由誰來驅動，它底層的子智能體又是誰來負責研發，保證它的質量，需進一步思考。”夏知淵表示，這樣才能實現更高效運轉，否則可能出現大量重復的低效智能體，浪費研發資源。
徐旭也提到，智能體落地目前存在工具建設重復的問題，認為其落地更需企業級服務及連接技術與業務的能力。其團隊與某股份制銀行合作搭建全行員工智能體平臺后，該行通過這一平臺建立了一個總分行MCP庫，使得其中一家分行開發的智能體上線后快速被三十多家分行拷貝，實現了能力的快速復用。
第二，解決面向智能體的技術資產納管治理挑戰
AI時代融合了業務專家知識的專業模型、行業模型是寶貴資產，如何保護、復用、管理這些模型，以及管理、更新、調整那些結合業務流程打造的智能體，將面臨類似過往數據資產治理的挑戰。
第三，解決面向模型的專業數據集采洗管用的挑戰。
好的模型和智能體，都需要高質量的專業知識和數據。哪些數據可以使用，數據安全和隱私如何保障，如何將分散的數據整理成大模型可用的知識，仍然是一項長期工程。
張曉東介紹，建行正在探索應對措施。如在數據隱私方面，打造了一個數據安全的雙閉環，一方面，數據用于大模型訓練方面一定要脫敏，另一方面，訓練到大模型里面的數據禁止下載。
第四，解決智能體嵌入業務邁過最低智能門檻的挑戰。
最首要的是，模型要可控，保障它回答的準確性、專業性，同時盡可能降低幻覺問題。目前，業界正在通過推動金融可信機制或一些工程化手段，提升模型可控性，但這仍將是未來幾年內的最大挑戰之一。
大模型和智能體的浪潮還在滾滾向前，隨著金融AI落地邁入深水區，行業正在加速深挖有深度、高性價比的場景。如何更大范圍滲透進金融核心生產場景，解決好“最后一公里”問題，仍然是一個長期課題。
免責聲明：本文內容由開放的智能模型自動生成，僅供參考。
