意见领袖丨新金融联盟NFA
“AI技术正从问答工具加速演进为能够执行复杂任务的智能体系统。对于金融行业而言，AI落地不能简单照搬通用技术路径，而需要在专业性、安全性与可治理性之间实现系统性平衡。”4月26日，在新金融联盟主办的“中小银行推进人工智能应用的挑战与应对”内部研讨会上，蚂蚁集团副总裁、蚂蚁数科AI业务总裁余滨在主题演讲中表示。
他介绍，蚂蚁数科基于多年金融场景实践，形成了一套以金融大模型为底座、智能体协同体系为路径、工程组织支撑为保障的完整方法论，正与金融机构共同推动智能体从能力验证走向规模化应用。
会议由新金融联盟秘书长吴雨珊主持，中国金融四十人论坛提供学术支持。中国人民银行相关部门负责人作主题交流，中国银行业协会秘书长徐洁勤出席交流。华夏银行首席信息官龚伟华、浙江农村商业联合银行首席数据科学家邵建华、吉林银行首席信息官邹帮山也发表了主题演讲。50家银行的近80位代表通过线上线下方式参会。以下为余滨发言全文。
从“会答”到“会做”
——蚂蚁数科金融行业可信智能体落地的实践与思考
文| 余滨
一、技术演进：AI正进入自主智能时代
今天，我代表蚂蚁数科，向各位汇报我们在金融AI领域的实践与思考，重点分享我们在技术快速演进背景下，对金融行业AI落地路径的判断与选择。
当前，AI技术的演进远超预期。行业关注已不再局限于模型架构本身，而是扩展至智能体、工程范式与应用环境的协同演进。对此，我们形成三个核心判断：
第一，AI发展重心已从“模型架构创新”转向“模型、工具、环境与工程协同演进”的新阶段。大模型能力的边界正在被工具调用、环境感知、多智能体协作持续拓展，从而进一步增强了智能体的自主进化能力与协作网络效应。
第二，智能体应用范式正沿清晰路径持续升级。两年前，AI主要应用于客服对话；去年，逐步向工具调用及工作流自动化延伸；而今年，如各位同仁所分享，进一步向专业助手、数字分身、数字员工、硅基智能员工等更复杂的形态演进。智能体的演进路径为：辅助人（对话、工具、工作流）→模拟人（数字助手、数字分身）→数字人（硅基智能员工），国际上已出现智能体企业与智能体社会的早期形态。
第三，智能体正加速与产品、业务和组织协同设计。过去，行业推进AI多侧重于技术能力研发或单项业务结果；而今，产品、业务与组织的协同设计已成为推动深层价值创造与组织演进的关键所在，AI不再是独立的技术议题，而是与业务模式、组织形态深度融合的系统工程。
二、金融落地的三重挑战
技术趋势清晰，但在金融行业的落地面临真实且具体的三重挑战。蚂蚁数科长期深耕金融AI实践，尤其近两年大量服务外部金融机构，对此深有体会：
挑战一，专业鸿沟。金融行业对专业性、严谨性、合规性和安全性要求很高，通用大模型无法直接开箱即用。大模型输出具有概率性，而金融业务要求足够的逻辑性与确定性，两者之间需要通过系统性方法加以弥合。
挑战二，路径迷航。大模型存在一定的“黑盒”特性，其内部决策逻辑难以追溯；过去二十年积累的软件工程方法论，也已难以适配智能体时代的软件研发、交付、运维运营。金融机构亟需一套清晰、可演进的落地路径，而非将传统工程方法简单套用于智能体研发。
挑战三，成效黑盒。这是实践中体会最深的一点——单独强调业务增长、安全建设或客户体验提升均相对容易，真正具有挑战的是如何在三者之间实现动态平衡。若将安全标准推向极致，可能导致无法响应客户合理需求；过度开放，则可能引发合规风险。以区域银行为例，当客户就某浙江区域银行咨询其东北地区的业务时，AI可能仅从技术层面判断流程可行而给出错误响应，却忽略区域经营限制的合规要求。如何在业务发展、客户体验与安全底线之间实现动态平衡，是金融AI落地最核心的难题。
这三重挑战共同指向一个结论：金融行业既不能被动依赖传统方法，也不能简单照搬最新技术概念，而需要一套适合自身特点的系统性解决方案。
三、蚂蚁数科的系统性解答：三个支柱
针对上述三重挑战，蚂蚁数科在内部实践与服务金融机构的过程中，逐步形成了由三个支柱构成的系统性解决方案。
支柱一：大模型→金融大模型
金融行业必须构建专属的大模型体系。无论基础通用模型如何迭代，若缺乏金融机构私有数据的深度融合，难以精准解决具象专业场景中的专业诉求。因此，金融大模型的核心挑战在于提升专业性、严谨性与适配性。基于机构间知识体系、业务规则和内部数据的异构性，市场上不存在开箱即用、且完全通用的金融大模型。
在模型效率上，我们的实践结论是：大模型并非解决所有问题的万能方案。更可行的路径是大小模型混合应用——通过模型架构优化与推理优化，让更合适的模型承担对应的任务，实现效率提升与成本降低的双重目标。
在可靠性上，我们通过金融增强与可管性增强双重发力，一方面，通过可信数据与白盒化、结构化知识供给，实现数据、知识及内容生成的可溯源；另一方面，构建体系化的评测体系与评测集，通过数千至上万个评测样本，推动评测体系公开，接受行业检验。
在成本控制上，我们提出两阶段训练路径：
-
第一阶段（预训练）：基于利用金融领域通识数据预训练，构建具备基础专业能力的通用金融大模型——即“出厂即专家”，使模型在部署前即可达到80%的任务准确率（相比直接使用通用基础模型约50%的初始准确率，有显著提升）；
-
第二阶段（机构侧精调）：各金融机构结合自身私有数据域业务规则进行针对性微调，快速形成“浅调即高能”的机构专属金融大模型。
支柱二：问答→做事（智能体协同体系）
AI正从“会答”迈向“会做”阶段，过去一两年，行业多聚焦于通过智能体优化工作流、实现降本提速。而我们的实践表明，最有效的路径是通过AI赋能员工，而非替代员工。为此，蚂蚁数科提出“一位员工+N位数字专家+M位智能助理“三层协同体系：
员工（自然人）：负责提出需求、制定目标、做出决策与结果把控，是业务责任的最终承担者。
数字专家（N个领域专家）：封装特定岗位的专业能力模块，包括业务知识、信息抓取与长周期分析能力，具备长短期记忆管理机制，可完成跨场景复杂任务的自动拆解与执行协调；多个领域专家智能体之间支持多种协作调度模式，以确保复杂任务的高质量完成。
智能助理（M个执行单元）：负责信息检索、客户分析、内容生成、消息触达、质检等标准化的单项细分任务。
这一体系的核心逻辑是：将业务经验转化为标准化流程，沉淀至智能体；通过AI持续学习优秀员工的实操经验，融入大模型与知识体系；推动智能体从工具向数字分身升级，全力支撑员工的专业性工作。
最终目标是：让每位员工都能拥有数字分身，背后配备多个领域数字专家，实现100个业务骨干支撑1000个专业岗位——不替代员工，而是让员工更专业。
当智能体真正成为生产力而非生产工具时，金融行业的组织、业务与客户服务将呈现全新形态：员工从重复性基础工作中解放出来，专注于需求提出、目标设定与决策判断，并对智能体的执行过程持续评价、考核与优化；专业性工作则由AI智能体专家持续推进，驱动组织能力与员工专业水平的持续提升，客户服务半径得以成倍扩展。
值得关注的是，金融行业多年积累的制度管理规范，在AI时代同样需要找到延续路径。数字分身与数字员工的形态，恰恰为原有业务管理制度的延续提供了可能——若AI仅作为工具或模型存在，原有的员工管理制度难以落实；而数字分身的引入，可在不重构原有体系的前提下，实现制度管理的无缝衔接。
支柱三：配套支撑→融合设计
智能体协同体系要真正的落地，工程能力与组织机制的配套支撑不可或缺。
在工程方法论上，必须将原有软件工程方法论升级为面向智能体时代的可信AI系统工程方法论。其核心区别在于：从项目启动之初就明确价值导向，进行体系化构建，并通过持续评测确保交付效果与业务价值的精准对齐。
我们重点关注两个方向：
-
一是通过领域建模解决逻辑确定性问题。本体论、数据治理、知识工程等，均是领域建模的有效载体与方法，可有效弥合大模型概率性输出与金融业务逻辑确定性需求之间的鸿沟。过去几十年积累的信息工程建模能力，在AI时代仍须高度重视——通过领域建模与大模型的深度结合，可将智能体在严谨业务场景中的任务准确率提升至95%至97%的水准。
-
二是通过工程方法约束大模型的不确定性。我们内部总结的“四车间”工程方法论，覆盖AI从意图理解、策划规划、任务执行到结果表达的完整链路。结合智能体从问答、工作流向数字分身持续升级的需求，该方法论经过系统优化后，已有效解决金融行业AI落地的核心工程难点。同时，工程方法与领域建模的有机结合，可大幅降低大模型的“黑盒”特性，实现对AI应用全流程的可穿透式管控，切实保障AI应用的可信赖性。
在组织机制上，AI与组织、岗位机制的深度融合已成为必然趋势。配套的组织机制设计，是确保AI真正落地见效的关键保障。蚂蚁数科围绕金融AI的产品设计原则，始终以业务增长为核心、安全风控为基石、极致体验为触点，三者相互支撑，构成完整的价值交付体系。
四、实践验证：两个落地场景的价值呈现
理论必须结合实践。在上述框架指导下，我们的实践已在财富管理、对公业务等领域取得初步进展，这里分享两个典型场景。
场景一：财富管理——为理财师打造“数字专家团队”
在财富管理领域，我们通过构建“数字专家团队”来赋能一线理财师。通过分析其日常工作动线，我们将市场研判、客户经营、服务话术、商机挖掘、复盘质检等能力，沉淀为由不同Agent组成的数字专家与智能助手体系。
例如，理财师围绕长尾客户经营的时候可以向其数字分身下达指令：“基于本周重点品销售目标，帮我制定客户经营策略。”AI将分析产品、匹配客户、生成经营思路，并交由理财师决策和执行。这使得理财师能将更多精力投入到高价值的客户服务与陪伴中，服务半径从过去的人均200客户提升至2000+，专业深度也得到极大增强。
场景二：对公业务——重构企业金融服务体验
在对公业务领域，AI的应用同样进展迅速。我们通过为企业财务总监等关键角色提供重构的金融服务，显著提升了服务效率与专业性。AI助理能够对接权威金融数据，实现宏观、中观、微观多层次的洞察，并基于企业画像和风险偏好，一键生成如优化闲置资金、设计低成本融资方案、构建汇率风险管理组合等综合服务方案。
这两个案例共同验证了，通过为每一位员工配备专属的数字分身和其背后的专家团队，我们可以在不增加人员的前提下，将少数顶尖专家的能力规模化复制，实现整体服务能力的跃升。
五、总结
推动AI在金融行业从“会答”走向“会做”，需要一条系统性的、可信的落地路径。我们认为，关键在于将专属的金融大模型、以人为中心的智能体协同体系、以及面向智能体的可信AI系统工程三者有机结合。
通过这一体系，我们有望在控制成本、提升效率的同时，更稳妥地推动AI在金融业务中的深度应用，并牢牢守住金融安全的底线。最终，让AI从一个生产工具，真正演进为与金融组织共生共荣的新型生产力，实现科技创新与业务价值的协同发展。
(本文作者介绍：一个高质量的新金融政策研讨和行业交流平台。)