作 者 | 九卦姐（九卦金融圈專欄作家）

來 源 | 九卦金融圈

2025年4月10日，一場主題為“AI融入金融業務：重構，不只是升級”的深度對話正在新網銀行直播間火熱展開。本次直播活動的嘉賓包括：

陳冉、毛航、柳元鑫、張曉明（從左至右）在直播現場

新網銀行信息科技總監 毛航

華為數字金融軍團首席專家 柳元鑫

星環科技金融行業助理副總裁 張曉明

活動中，主持人新華財經副總編輯陳冉和嘉賓們共同開啟了一場關于AI智能化重構的前沿對話。

No.1

趨勢前瞻：智能體時代的金融新圖景

當人工智能不再停留于流程優化的表層，而是以"重構者"的姿態重塑金融基因——從產品設計到客戶服務、從風控策略與數字化運營、從數據安全再到技術倫理。

我們不禁要問：當智能系統開始自主思考，金融業務的底層邏輯是否會被重新書寫？當算法驅動的風控模型持續進化，人類專家的經驗知識價值將如何重新定位？在追求效率與創新的同時，如何守護數據安全與科技倫理的底線？

當智能系統開始"自主思考"，金融基因如何被改寫？

陳冉：最近智能體的概念比較火，也稱2025年是智能體元年，三位對智能體理解是怎么樣的？

毛航：2025年成為智能體技術元年，源于技術突破、成本下降、政策支持及需求爆發。智能體與大模型形成互補關系，前者如"四肢"拓展應用場景，后者為"大腦"提供核心能力，進而推動智能體普及，實現技術普惠，使開發者與用戶便捷創建個性化智能應用，加速行業生態成熟。

柳元鑫：盡管當前金融行業智能體應用仍受限于預設流程的固定性及穩定性問題，但其整合多崗位資源、實現客戶中心化服務的能力與銀行業條線化特征高度契合。未來智能體有望通過打破部門壁壘、提升自動化水平，成為金融業服務升級的核心推動力。

張曉明：當前智能體雖然模擬人類進行任務規劃-拆解-執行-反饋機制，但受限于底層通用大模型技術未達相應水平、跨系統連接標準缺失及AI基礎設施薄弱三大瓶頸。其智能化程度仍局限于簡單任務，復雜場景因技術斷點與生態割裂難以突破。未來需協同突破基模技術、推動協議標準化、完善算力與平臺底座，方能釋放智能體在任務執行與系統協同中的顛覆性價值。

智能系統革命：企業管理的范式躍遷

陳冉：智能體或者智能系統相較于原來的信息系統，在建設與管理上有什么差異嗎？對于企業的有著怎樣的影響，企業又如何應對？

毛航：新網銀行當前已落地十余個智能體場景。需求方借助零代碼工具可自主完成智能體創建，催生提示詞工程師等新崗位，推動業務-科技部門的融合。在企業級應用場景中，智能體需被視為“數字員工”進行全生命周期管理——業務部門定義崗位權責、人力部門參與制定管理制度、科技部門搭建能力底座，形成“創設-培訓-考核-迭代”閉環：設立與業務指標掛鉤的KPI體系，建立涵蓋知識庫更新、提示詞優化、能力擴展的持續運營機制。

No.2

實戰解碼：AI技術如何重塑金融版圖

從算力調度到場景創新

陳冉：在金融行業實踐中，華為是如何搭建聯接計算能力體系，以實現技術通用性與場景定制化的結合？

柳元鑫：華為當前的"AI Intelligence"，聚焦ToB領域差異化需求，強調金融機構大模型應用需從“能力比拼”轉向“效能釋放”，核心在于數據治理、算力調度與模型協同。華為設計出“4+1+N”技術架構：算力層實現異構資源彈性調度，數據層構建“知識庫+數據湖”雙循環體系，工具層打通訓推一體化流水線及數據飛輪，應用層沉淀內容生成、多輪對話等范式+Agent的AI應用能力。

“1”代表一個AI治理域，是整個項目管理的核心和基礎，包括治理域貫穿模型安全、人才培養與制度規范，從而支撐N個場景創新。

該體系以架構穩定性應對技術不確定性，推動金融機構從單點替代轉向流程再造，如在銀行領域通過AI原生應用重構信貸風控、客戶服務鏈路，并配套持續運營評估機制，確保技術迭代與業務價值深度耦合，實現“AI能力工業化輸出”。

價值裂變：從技術能力向金融生產力轉化

陳冉：星環科技近年來在“AI+大數據”融合領域動作頻頻，尤其是金融行業解決方案備受關注。能否用一句話概括星環科技如何定義AI技術對金融業的核心價值？

張曉明：公司提出“Data×AI”戰略，強調數據與AI的乘數級協同價值。在數據側，自主研發TCS語料加工平臺，實現結構化/非結構化數據的精準提取與知識化重構，構建向量數據庫、圖數據庫與文檔存儲系統等，將非結構化數據直轉為可被業務直接調用知識資產；在模型側，通過LLMOps平臺托管適配上百個主流大模型，完成算力配置調優與能力驗證，建立模型選型“試驗田”；在應用側，提供智能體構建與應用編排、低代碼開發等多種場景應用構建模式，聚焦金融場景流程再造——如“AI行員”重構客戶經理工作流，通過如征信報告智能解析、授信報告自動生成、客戶畫像實時構建等能力，將數十近百頁報告處理周期從周級別壓縮至小時級。

該體系已實現從底層數據治理到頂層業務賦能的垂直穿透，推動AI從技術能力向金融生產力轉化。

新網銀行的智能化突圍

月調用120萬次背后的降本增效

陳冉：新網銀行近年來也在研發投入上持續發力，重點突破的方向是什么，目前進展如何？業務場景發生了哪些變化？技術部門是如何響應的？

毛航：以中央金融工作會議“五篇大文章”為指引，聚焦數字金融智能化轉型，圍繞客服、營銷、貸后等人力密集型場景構建AI應用體系：部署十余個智能體，月均調用量超120萬次，人力成本降低1/3；營銷端通過大模型實現普惠客戶自動化觸達，覆蓋海量長尾客群；貸后管理升級為擬人化雙向交互，客戶通知轉化率顯著提升，同步沉淀客戶畫像數據。

技術層面組建生成式AI專項團隊，完成從小模型決策向大模型生成的能力遷移，并依托Deepseek等底座模型推進“全員AI”戰略，計劃將AI深度嵌入產品設計、風險決策、代碼開發等全鏈路。當前重點突破業務流程標準化與價值閉環驗證，為智能化從單點提效邁向全局重構奠定基礎。

"管理閉環+技術閉環"雙輪驅動

陳冉：那么新網銀行在知識體系構建上是怎么做的？

毛航：企業構建知識管理體系需實現"管理閉環+技術閉環"雙輪驅動：管理層面，需自上而下提升戰略認知，優先聚焦話術、客戶溝通技巧等隱性知識沉淀難點，通過激勵機制推動組織知識共享；技術層面，需融合知識圖譜、智能切片知識中臺等工具，將分散在文檔、制度及員工經驗中的顯性/隱性知識結構化萃取，例如通過華為、新華等廠商的中臺產品實現全生命周期管理。當前實踐以金融業為典型，既需攻克隱性知識標準化難題，又需打通從知識沉淀、組織到智能應用的閉環鏈路，最終通過"管理牽引場景，技術固化能力"形成可持續進化的知識資產。目前該體系已在銀行等機構進入初步落地階段。

關鍵密碼：數據與知識管理體系的構建

陳冉：對一家銀行來講，在智能時代最重要的東西是什么？

毛航：真正決定差異化競爭力的關鍵在于數據與知識管理體系的構建——包括私域知識庫沉淀、數據治理及要素激活，例如大模型應用中知識萃取、結構化切分與動態優化能力。尤其在金融領域，數據資產的高效治理將直接影響AI價值轉化深度，其建設周期長、隱性門檻高，卻可能成為未來企業智能化能力分水嶺。因此，從長線視角看，銀行等應用方需將數據治理與知識工程作為戰略級投入方向，以夯實智能化轉型根基。

星環科技的"中間層"戰略

聚焦構建AI中臺能力

陳冉：同樣，星環公司近年來的研發費用持續加碼，重點突破的方向是什么，目前進展如何？

張曉明：星環上市后，公司募資將重點投向研發領域，其中絕大部分聚焦于產品創新。戰略上，Data與AI雙線并進：Data作為根基，持續升級為AI驅動的智能數據庫及智能數據管理工具，涵蓋智能治理、知識工程等核心環節，構建AI基礎設施；AI方向則專注于底層知識平臺及大模型運營管理工具開發，著力解決"最后一公里"的落地難題，而非介入基礎大模型研發或上層應用開發。

公司明確戰略邊界，將上層應用場景交由深耕行業多年的生態伙伴實施，自身聚焦構建AI中臺能力，通過解放開發者生產力間接賦能終端用戶。這一中間層布局既強化了核心技術壁壘，又通過生態協同實現價值最大化。

分層推進+生態共研

陳冉：星環公司目前AI產品體系和產品戰略是怎樣的？

張曉明：公司在客戶協同實踐中形成了多層次的AI應用體系：在基礎層，知識庫建設通過優化數據源、模型組合及微調技術突破傳統RAG局限，已在多個行業客戶中落地；在應用層，支持諸如信貸助手、客戶經理助手、報告助手等工具型產品，以"遍地生花"之勢解決業務場景效率痛點，將報告生成時間從周級壓縮至分鐘級；在前沿探索層，與金融客戶共研智能營銷、數字人、智能風控等深度業務融合方案，并在銀行、證券、保險及監管領域推進大模型業務創新試點，目前已形成初步落地案例。通過"分層推進+生態共研"模式，公司既夯實主流需求的產品矩陣，又聯合行業伙伴攻克復雜場景，預計逐步實現重點領域突破。

數據轉化的梯度落地路徑

陳冉：2024年，星環科技成功整合大數據和人工智能技術，推出了知識平臺TranswarpKnowledgeHub（TKH），為企業提供全面、高效且智能的數據處理和知識管理解決方案，幫助企業系統化地將內部知識信息化。那么它如何幫助金融機構將多模態、碎片化數據轉化為可用的知識資產？

張曉明：公司基于大模型技術推出的知識中臺產品，以"工具層+數據庫"雙引擎驅動知識管理：底層依托向量數據庫、圖數據庫等實現高性能知識存儲、混合檢索與安全管控，上層通過自動化工具鏈覆蓋知識采集、萃取、蒸餾到應用的全流程，適配結構化/非結構化、內外部多源數據，加速數據資產化、價值化轉化。

客戶分層運營策略清晰：頭部客戶（如大型銀行）側重構建全行級知識中臺，強調自主知識加工能力；腰部客戶采用"中臺+場景"捆綁模式，兼顧科技投入與短期成效；長尾客戶則通過生態伙伴提供客服、風控等場景化Total Solution。

目前產品已形成梯度落地路徑，既支持深度知識工程，亦通過合作伙伴網絡實現行業滲透。

No.3

攻堅時刻：數據治理與風險博弈

普惠金融的AI解法

陳冉：面對中小微企業金融服務長尾需求，新網銀行如何通過AI技術實現普惠金融的規模化覆蓋？能否分享一個典型案例？在這個過程中是如何面對AI倫理與安全的問題的？

毛航：大模型技術正成為普惠金融的關鍵助力，尤其在中小微企業服務領域：傳統風控依賴結構化數據，而小微企業多依賴非結構化信息，通過大模型的語義解析能力可自動化識別資金缺口、項目需求等風險信號，替代人工實現規模化評估；同時，智能外呼系統結合知識庫與工單體系，既能批量觸達客戶推送定制化通知，又能實時記錄交互訴求，通過私有知識應答或觸發預設動作，形成服務閉環。該模式不僅突破小微客群數據匱乏的瓶頸，更將單點人工服務升級為AI驅動的全鏈路運營，推動普惠金融從"人力密集型"向"智能集約化"轉型，為長尾客戶覆蓋提供可持續解決方案。

大模型應用的"三重門"

陳冉：AI能力正逐步走進金融機構的核心生產環節，但不可忽視的是，當前AI在金融行業的應用還面臨可靠性、可解釋性與安全性風險，華為對此有什么樣的思考和舉措？

柳元鑫：大模型在金融行業落地面臨三大核心挑戰：可靠性層面，需通過架構設計匹配業務場景要求，如構建智算融合的基礎設施保障高可用性，優化推理性能適配生產環境；可解釋性層面，采用RAG技術強化上下文關聯，限制生成式功能在關鍵環節的應用，實現輸出可控；安全性層面，建立數據分級脫敏機制與訪問權限控制，并部署輸入校驗與實時攻擊監測系統。

同時需構建倫理治理體系，制定行業應用指南，明示AI生成內容屬性，配合監管備案機制。應對挑戰需形成"技術迭代+機構自律+生態協同"的三重防線：技術上強化工具鏈與監控體系，業務上建立風險分級應用策略，生態上聯合政府、行業組織推動標準建設。華為等廠商正與頭部金融機構共創解決方案，通過產品底座升級與行業方法論沉淀，助力大模型應用實現安全可控的價值釋放。

大模型的“制勝關鍵”

陳冉：語料質量被星環科技CEO孫元浩稱為大模型的“制勝關鍵”。星環科技在金融領域的數據治理和隱私保護上有哪些創新舉措？如何應對數據偏見問題？

張曉明：大模型在金融行業落地面臨三大核心挑戰：數據安全、AI幻覺與價值觀對齊。

當前解決方案，一是內置數據分類分級、脫敏加密機制：針對監管機構與金融機構的高敏感訴求，希望通過私有化部署保障數據本地管理，并內置數據分類分級、機制強化治理。技術層面，通過模型微調、參數調優緩解幻覺問題，但受限于概率模型本質，需在準確性與體驗間尋找平衡點；價值觀風險則依托行業協同，加入中國大語言模型數據聯盟沉淀合規策略，在輸入輸出端部署可配置的"安全護欄"，結合大模型備案標準攔截有害內容。

二是“技術+生態”雙軌制：技術側以工程手段優化可控性，生態側推動聯盟共建過濾規則，但深層問題仍需依賴大模型底層算法透明化與行業標準迭代。

No.4

未來已來：職業重構與轉型抉擇

人機共舞：職業生態的進化論

陳冉：如何看待“AI取代人類崗位”的爭議？如何平衡效率與人文關懷？新網銀行目前在AI技術的落地情況以及未來發力的重點是哪些領域？

"替代-新生-普惠"

毛航：大模型對職業生態的影響呈現"替代-新生-普惠"的三階路徑：基礎性、規則明確的崗位將被替代，但同步催生提示工程師、智能體開發等技術與業務融合的新崗位，推動"超級個體"崛起。

AI的普及重塑職場競爭邏輯——資深從業者憑借經驗優勢結合AI工具突破效率瓶頸，新人借力大模型快速彌補技能鴻溝，競爭維度轉向"人機協同創新力"而非單純技能熟練度。

技術擴散遵循"創新者-大眾化"規律，如同智能手機的普及歷程，初期存在適應門檻，但最終通過技術平權實現社會普惠。在國家政策引導下，AI能力將逐步封裝為基礎設施，既需要先鋒群體構建技術底座，也將使更廣泛人群以適配自身稟賦的方式受益，形成"專家建平臺、大眾用工具"的協同生態，而非制造技術壟斷下的新型不平等。

人的價值不會消滅

柳元鑫：大模型技術應用將遵循"需求導向+能力互補"原則：針對數字鴻溝問題，未來必然催生適老化改造等定制服務，如同老年手機適配銀發群體；參考制造業微笑曲線理論，AI雖能替代中游標準化環節，但人類在創新研發與客戶服務兩端仍具不可替代性。技術演進不會消滅人的價值，而是驅動個體聚焦創造力、同理心等核心優勢，在微笑曲線的兩端開辟更具價值的發展空間。

激活主觀能動性

張曉明：AI技術引發的智能鴻溝本質是"正和博弈"：雖短期存在崗位替代風險，但通過社會補償機制兜底，并借技術平權降低使用門檻，最終使多數人共享效率紅利。職業更替遵循歷史規律——舊崗位消亡伴隨新崗位崛起，關鍵在于個體的技能遷移能力。技術革命推動社會總價值增長，如同電器普及重塑生活，AI終將融入日常場景，倒逼人類在動態變革中激活主觀能動性，以終身學習應對"唯一不變的變化"。

金融機構的AI轉型方程式

陳冉：如果生成式AI進一步滲透金融業，哪些崗位可能被重塑？星環科技如何幫助從業者適應變革？

張曉明：大模型將優先替代重復性操作崗位，同時以輔助工具形式重塑部分工作流；新生崗位則圍繞技術平權展開，涵蓋提示詞工程師、微調工程師等新型技術崗位，以及具備"業務需求翻譯"能力的復合型人才。職業重構的本質是重新定義人機協作界面——既需IT人員向AI工程能力升級，也倒逼業務側提升需求抽象能力，最終形成"技術深水區創新+場景精準化落地"的雙向進化路徑。

戰略激進VS戰術保守

陳冉：最后請問三位嘉賓的看法，當前各家企業特別是金融機構在AI轉型上需要“激進投入”還是“謹慎試水”？

生態級投入+漸進式創新

毛航：企業推進AI轉型需兼顧戰略定力與戰術彈性：戰略層面需堅定投入，覆蓋技術基建、業務協同與生態整合，避免窄化為硬件采購；戰術層面則需審慎試點，通過灰度發布、AB測試驗證場景可行性，尤其在公共領域優先確保安全可控。核心策略是"戰略激進、戰術保守"——以生態級投入構建長期能力，以漸進式創新控制試錯風險，最終通過業務-技術雙向賦能實現平滑轉型。

構建三大核心能力

柳元鑫：金融機構AI轉型需平衡數字化基礎與能力前瞻布局：數字原生機構依托既有數據資產可快速推進，而數字化薄弱的中小銀行需優先補足數據基建短板。

但戰略層面必須同步構建三大核心能力——數據治理與知識萃取體系、大小模型融合架構、提示工程與敏捷開發機制，通過場景試點形成"技術驗證-能力沉淀-迭代優化"閉環。若僅聚焦短期試水而忽視能力體系建設，將錯失AI時代核心競爭力，加劇與頭部機構差距。

錯位布局+堅定投入

張曉明：金融機構AI轉型是"必答題"而非選擇題，需分層級錯位布局：證券業依托高素養技術人才率先突破，銀行憑借規模優勢后發趕超，保險業也開始啟動探索，中小機構則需夯實數據基建。

戰略層面須堅定投入構建長期能力，戰術層面選擇低風險場景漸進落地。核心路徑是"戰略定力+戰術彈性"——既避免盲目跨越式發展導致基礎不牢，又通過分層實踐積累核心能力，在3-5年周期內完成數智化轉型的不可逆進程。