“金融行業利用AI大模型進行代碼開發，已經可以實現降低開發成本25~30%左右，”神州信息常務副總裁于宏志指出，“未來，有望能達到降低40%開發成本的水平，這也是神州信息未來努力的方向之一。”

AI代碼開發僅是AI大模型在金融行業應用的一個縮影，某金融機構利用AI大模型，實現了80%以上客服功能由智能客服完成；江蘇銀行本地化部署DS大模型實現了信貸材料綜合識別準確率超97%，信貸審核全流程效率提升20%......由此可見，AI大模型已經在金融機構的多個業務環節中起到了降本增效的作用。

AI已有不少落地場景

金融行業一直是擁抱數字技術相對較快的行業之一。在AI大模型浪潮的影響下，金融行業也加大了在以AI技術為代表的金融科技領域的投入。根據中國移動上海產業研究院發布的報告，金融領域的大模型滲透率已突破50%，在各行業中居首位。

與此同時，據統計，2024年，六大國有銀行在金融科技的投入合計達到1254.59億元，同比增長2.15%。

另一方面，在神州信息副總裁及新動力數字金融研究院院長徐啟昌看來，在金融行業，AI技術的應用已經從“+AI”走向了“AI+”，“原先服務商、金融機構會嘗試在解決方案和業務場景中添加一些AI的能力。現在，我們嘗試更多的是，以AI大模型的能力為主，去構建一些全新的應用。”徐啟昌對“+AI”與“AI+”的不同進行了簡單解釋。

從目前落地的應用場景上來看，主要集中在智能客服、代碼開發、風控管理，以及投研與財富管理（理財助手類）等領域。對此，徐啟昌告訴筆者，截至今年3月底，就已經有超過23家國內銀行發布了與DeepSeek相關的應用，這其中主要集中在交易助手、代碼生成、風控、投資等領域。

在智能客服方面，某金融機構利用AI大模型，實現了80%以上客服功能由智能客服完成。由智能客服衍生出來的智能營銷也是大模型在金融行業落地非常廣泛的場景之一。

在風控管理方面，以保險為例，眾多頭部險企正以AI為核心，實現承保、理賠等環節的智能化。通過AI大模型，理賠單證能夠進行智能分類、自動提取重要字段，大幅提升了處理效率。中國平安的“雙錄AI質檢”業務流程已成功實現了質檢效率的大幅提升，最短質檢時間可達到1分鐘，年均節省質檢成本達2500萬。

此外，在在信貸審批業務場景中，AI大模型可應用于銀行授信報告自動生成、客戶資質預審等場景，部分銀行已經實現了全流程自動化審批，比如文章開頭提到的江蘇銀行。

江蘇銀行通過本地化部署DeepSeek大模型實現了信貸材料綜合識別準確率超97%，信貸審核全流程效率提升20%，同時自動化估值對賬流程得到優化。再比如，中關村科金AI模型分析10萬+通話記錄，識別“隱性承諾”“信息泄露”等風險，助力某商業銀行逾期率下降18%。?

在投研與財富管理方面，招商證券應用“天啟大模型”，在智能投資分析中能夠實現100%的行業分析師全覆蓋，報告發布的時間從2小時縮短到了20分鐘，極大提高了工作效率。

從IT模型到業務模型，融合是關鍵

顯然，AI大模型在金融機構中落地的應用已經逐漸增多，而這個過程中，金融機構需要更加注重體系的建設，只有打好了基礎，才能“蓋”起更高、更堅固的AI“大樓”。

在徐啟昌看來，原先金融機構很多都是通過IT部門驅動數字化轉型的進程，但這種現狀隨著AI大模型應用的加深，以及行業智能體的出現，出現了轉變，“未來需要更多的業務人員參與到公司數字化轉型的過程中去。具體來看就是所有的業務人員都是開發人員，業務人員都能夠直接生成軟件完成開發。”徐啟昌如是說。

不過，徐啟昌告訴筆者，企業在從原先的IT模型驅動，轉向業務模型驅動的過程中，仍面臨著兩個挑戰。

首先，企業需要解決業務模型本身描述過程中的完整性和準確性的問題。雖然業務模型在理論上是“完美”的，但在實際操作過程中，存在很多不確定性因素。以金融行業為例，其業務模型需要幾百人，花費幾年時間才能構建出來，“在這個過程中，傳統工藝下模型的質量、數據的質量參差不齊，會存在噪音的情況，”徐啟昌進一步指出，“這點與結構化、形式化的IT模型不同，需要企業特別注意。”

第二點，在IT模型驅動轉向業務模型驅動的過程中，行業大模型是不可或缺的存在。但在應用過程中，相較于通用大模型，企業級行業模型子訓練的過程中，更容易出現“幻覺”的問題，且因為企業對于大模型的“容錯率”的要求更為嚴格，所以行業大模型的訓練質量，也就成了企業在實現業務模型驅動過程中不可忽視的一點。

在徐啟昌看來，解決了上述兩個難題之后，企業也就步入了業務模型驅動的流程中，“未來，所有業務人員都是開發人員，業務人員能夠直接生成軟件，完成開發。”徐啟昌進一步強調到，“這個是在很多實際的過程中得到驗證的，我們相信業務模型驅動企業發展，前景可期。”

而這個過程中，企業除了要實現IT部門主導的數字化進程，想業務部門主導的數字化進程的轉變之外，業務與IT的融合也是關鍵。具體來看，企業需要在底層搭建好數字化/AI平臺，而這個平臺目前市面上的IT服務商基本都有所布局（比如神州數碼的問學平臺、阿里云的PAI平臺、IBM的watsonx平臺、神州信息的乾坤平臺等）。進而通過類似微服務的形式，將各種數字化和模型的能力進行模塊化分類，讓業務人員能夠通過類似堆砌樂高的方式，對模塊化的能力進行組合，最終生成出相應的應用程序。

中小型金融機構如何落地？

針對AI大模型應用及未來智能體落地，不少金融機構也開始構建完整的體系。一些大型銀行的嘗試，對中小型金融機構而言也具有參考意義。

比如，工商銀行總結提煉適配金融行業的“1+X”大模型應用范式，構建以大模型為核心的新一代企業級業務賦能模式，實現從單場景賦能到端到端業務重塑的重大革新。其中“1”是指金融智能中樞，通過運用大模型分析理解，實現在金融復雜場景下進行任務拆解、規劃、分步執行和最終輸出反饋的能力范式；“X”包含知識檢索、數據分析、文檔編寫、智能搜索、API調用等基本能力范式。

而這種整體的布局也不僅是大行才有的，比如恒豐銀行，恒豐銀行通過構建“雙飛輪”模型訓練體系，推動打造“通用大模型+小尺寸大模型+N個場景模型”的應用模式；中國民生銀行通過智能升級仿生金融服務（BioFaaS），深度融合AI與金融服務，并構建全行級知識體系與一站式智能服務平臺，賦能員工與客戶。

“大行”無論在數字化，還是這一輪AI浪潮都有充足的資金和長遠規劃，但對于資金儲備、算力儲備不那么充足的中小型金融機構來說，在AI建設的關鍵是打造具有自身特色的“知識庫＋提示詞”體系。

在徐啟昌看來，相較于“大行”，一方面，中小型金融機構數字化起步較晚，數字化完善程度不如大型銀行，且數據治理程度不足；另一方面，中小型金融機構在投入成本、投入力度方面，其資金實力也達不到大行的水平。這時候就需要中小型金融機構“有的放矢”，“以一個小的場景為立足點，抓住最核心的，最能實現降本增效目的的場景，從這個場景出發，進過POC后，在有序推進。”徐啟昌給中小型金融機構應用布局AI智能體提出了些許建議。

除此之外，相較于大行，中小型金融機構也面臨著人才相對短缺的現實情況，對此，于宏志告訴筆者，相較于大型的金融機構而言，中小型的金融機構相關環節的“知識”大多沉淀在老員工的腦海中，這些員工離職或退休之后，對于銀行而言就損失了這些經驗和“知識”，“比如小銀行信貸部總經理退休后，對于特殊產品的知識沒了，銀行再進行相關培訓一名合規的相應員工，需要周期和經費，”于宏志進一步指出，“而大行因為相對人才儲備比較好，且將‘知識’轉化為數字化（數據）的進程推進比較快，就不存在類似的問題。”

對此這類問題，于宏志表示，中小型金融機構可以將這些“知識”數字化，通過建模資產的方式，令其成為企業內部數字化資產，進而不會讓這些知識隨著員工的離開而消失。

而也正是基于此，在前不久，神州信息發布了乾坤之建模工藝平臺。通過該平臺，金融機構可以打破“部門級”“豎井式”研發模式，實現全行“一套業務模型、一套IT架構、一套實施工藝、一套管理流程”，“為金融機構提供了模型驅動的建模工藝平臺。”徐啟昌明確的告訴筆者。

而面對未來的優化方向，徐啟昌表示，降本和增效是智能體在各行業中應用最核心的目前，而這兩部分也將成為眾多廠商提升競爭力的主要抓手。“以AI代碼開發為例，目前已經可以做到降低金融機構25%~30%的開發成本，未來希望能夠達到40%以上，甚至更高。”徐啟昌強調。（本文首發于鈦媒體APP，作者｜張申宇，編輯丨蓋虹達）