一年一度的世界人工智能大会（WAIC）即将落下帷幕，今年，无论是逛展还是旁听论坛，观众的感受都是：AI越来越务实了。

金融行业也不例外。在位于上海浦东的世博展览馆中，21世纪经济报道记者走访了交通银行、农业银行、上海银行、蚂蚁集团、中电金信等展商的展位发现，人工智能已经开始释放数字劳动力、重构金融业务交互方式。

以近两年最火热的AI应用——智能体为例，在2024WAIC期间，业内人士仍将金融智能体看作“校园优等生”，一年之后的现在，部分科技厂商在金融领域的智能体应用解决方案已超过100个。不仅如此，从落地场景来看，金融智能体也从对客辅助工具的“单点尝试”走向授信决策等核心业务场景，逐步实现规模化应用。

在多位从业人士看来，原本就根植于应用场景、为解决实际业务问题而生的金融智能体，将在大模型驱动下实现金融业务流程的重塑，整合软件能力、专家经验、决策路径，从而提升业务效率、激活数据价值。

金融智能体应用拓宽拓深

“今年我参加WAIC最大的感触是，与去年相比，无论是从深度还是广度上，AI应用都产生了非常大的变化，如雨后春笋般涌现。”在展位上，中国电子首席科学家、中电金信研究院院长况文川向记者表示。

金融智能体的应用也在拓宽、拓深，这既体现在落地场景数量的增长方面，也体现在对业务效率的提升方面，甚至开始对服务模式产生变革。

“智能体的价值不在于解决1000个浅层问题，而在于攻克1个行业的深层痛点，智能体要围绕场景出发，要深入企业的业务场景，将专业领域知识的价值最大化，这才是产业落地的关键。”蚂蚁数科CEO赵闻飙在论坛发言中表示，数字化程度最高、数据密度最大、AI应用场景最丰富的金融业应当是AI率先落地应用的绝佳行业。

安永亚太区金融科技与创新首席合伙人忻怡告诉记者，目前不同金融子行业的智能体应用探索方向有所差异，但都已从概念验证走向规模化应用。如头部银行已实现“通用大模型+垂类模型+智能体”的技术架构落地；证券业头部券商推出多款AI应用产品并投入实战场景；保险业着力推进智能理赔体系建设。

记者在展区探展了解到，太保集团在保险业务核心环节全面推进数字劳动力建设，优化成本结构，目前已上线的典型数字劳动力包括健康险理赔审核、审计数字员工、产险在线理赔助手、寿险金牌讲师等等。在蚂蚁集团的展区，也展示了财富、保险、投研、风控等核心金融场景生产环境的智能体demo。在财富管理方面，盈米基金上线了“个人基金理财助手”“持仓诊断”“基金深度分析”“基金对比” 等一系列金融智能体应用。

在应用深度上，金融智能体开始在重要核心场景上大展身手。

以授信决策场景为例，奇富科技首席算法科学家费浩峻向记者透露，该公司搭建了授信决策智能体系统。他表示，“超级智能体”与传统风控系统相比有三个优势，从范围上来看，智能体系统涉及整个信贷业务的全流程，而不仅仅是风控场景；从能力值来看，智能体系统是“类人”操作，根据模型判断再进行编排决策，而传统的风控系统仅需遵循固定的工作流程；从系统本身构成来看，传统风控模式可以理解为“软件能力+大数据能力+小模型风险策略”的耦合系统，而智能体是以大模型为驱动，基于学习过去无数专家经验和决策路径，融合上述三个部分，减少人为决策，更懂金融业务与金融场景。

与此同时，金融业务的交互模式已经发生变革。

记者注意到，今年上海银行在展位上首次发布以“对话即服务”为核心的AI手机银行。打开手机银行App，用户无需在复杂的菜单栏中寻找功能，只要通过文字或语音在对话框中输入需求，AI可以快速响应并完成业务办理，覆盖转账还款、理财咨询、养老金管理等十余项高频交易。在现场演示中，有观众提出“有什么理财产品可以投资一下”，AI通过分析用户资产负债、现金流、风险偏好等信息，迅速从数百余款理财产品中选取出了几款。当进一步询问产品的风险、周期等问题时，AI手机银行也可以瞬时给出专业解读，操作流畅度堪比与专业银行顾问面对面交流。

上海银行这一应用背后有蚂蚁数科的身影。赵闻飙表示：“以‘对话即服务’取代传统点选，更深层的意义在于，它重塑了服务本质，尤其在适老化领域，通过AI实现了服务的‘拟人化’，实现从‘人找服务’到‘服务找人’的突破性转型。”

专业“基本功”问题犹存

尽管金融智能体已实现规模化落地应用，但要让“专业的模型干专业的事儿”，仍需要专业领域的“基本功”。

最首要的问题大模型幻觉犹存。费浩峻坦言，目前在一些场景下，智能体还是存在指令遵循不准确的问题，有时会产生幻觉，但如果人工通过技术手段干预幻觉问题，又有可能导致智能体的“智力”受到约束。况文川也表示，金融这一关键行业高度依赖于系统的自动化、精准化能力，大模型的幻觉问题、输出稳定性问题、过程可解释性问题，将成为智能体等AI落地应用的最大挑战。忻怡告诉记者，未来两年内，金融垂类大模型的落地应用，首先要解决幻觉问题.

第二大问题在于碎片化的金融知识亟待整合。况文川告诉记者，专业模型的基础是行业高质量数据集，他指出：“这是一项基础性的工作，需要长期、耐心的投入，也需要很大的资金投入。”

记者了解到，专业大模型需要对行业知识进行系统化的学习，其关键在于一个科学、专业的任务数据体系作为“课程大纲”，基于金融任务体系框架，还需要真实业务场景的数据，经过严格的质量评估、可信数据合成和CoT数据精标链路，才能形成可用于训练专业模型的数据集。

第三大问题在于部分金融机构缺乏将业务需求、算力、模型、数据、知识库、应用等一系列协同的工程化实践能力。“现在市面上很多公司说是在做AI、做智能体，其实只是在原有算法基础上做了重新再包装，并不能基于AI的方法论做业务场景的重构。”某科技公司商业化团队负责人告诉记者，这个问题主要出现在“基于场景切入的AI应用”上，他认为，真正实现AI落地应用离不开全系统协同的工程化能力。

第四大问题在于衡量智能体落地应用的实效。费浩峻表示，在框架层面需要一个开放透明的评估体系，在智能体应用层面需要将众多信息还原成可以评估的数据指标，才能实现智能体的准确度评估，这是一大难点。

这主要源于大模型的“成长飞轮”发展逻辑。所谓“成长飞轮”，简而言之就是通过不断使用、迭代训练，使得模型自身“转起来”，实现“越用越聪明”的应用能力增长。然而，如果在数据质量、安全底线等方面出现问题，可能会让“飞轮”终止运转。

因此，通过评测实时评估智能体迭代成长的能力水平，成为关键。“在软件工程时代，以质量评估为代表的评测是最后一环的风险拦截，但AI时代的评测将成为整个智能体迭代成长的起点。”前述科技公司商业化负责人表示。