“金融行业利用AI大模型进行代码开发，已经可以实现降低开发成本25~30%左右，”神州信息常务副总裁于宏志指出，“未来，有望能达到降低40%开发成本的水平，这也是神州信息未来努力的方向之一。”
AI代码开发仅是AI大模型在金融行业应用的一个缩影，某金融机构利用AI大模型，实现了80%以上客服功能由智能客服完成；江苏银行本地化部署DS大模型实现了信贷材料综合识别准确率超97%，信贷审核全流程效率提升20%......由此可见，AI大模型已经在金融机构的多个业务环节中起到了降本增效的作用。
AI已有不少落地场景
金融行业一直是拥抱数字技术相对较快的行业之一。在AI大模型浪潮的影响下，金融行业也加大了在以AI技术为代表的金融科技领域的投入。根据中国移动上海产业研究院发布的报告，金融领域的大模型渗透率已突破50%，在各行业中居首位。
与此同时，据统计，2024年，六大国有银行在金融科技的投入合计达到1254.59亿元，同比增长2.15%。
另一方面，在神州信息副总裁及新动力数字金融研究院院长徐启昌看来，在金融行业，AI技术的应用已经从“+AI”走向了“AI+”，“原先服务商、金融机构会尝试在解决方案和业务场景中添加一些AI的能力。现在，我们尝试更多的是，以AI大模型的能力为主，去构建一些全新的应用。”徐启昌对“+AI”与“AI+”的不同进行了简单解释。
从目前落地的应用场景上来看，主要集中在智能客服、代码开发、风控管理，以及投研与财富管理（理财助手类）等领域。对此，徐启昌告诉笔者，截至今年3月底，就已经有超过23家国内银行发布了与DeepSeek相关的应用，这其中主要集中在交易助手、代码生成、风控、投资等领域。
在智能客服方面，某金融机构利用AI大模型，实现了80%以上客服功能由智能客服完成。由智能客服衍生出来的智能营销也是大模型在金融行业落地非常广泛的场景之一。
在风控管理方面，以保险为例，众多头部险企正以AI为核心，实现承保、理赔等环节的智能化。通过AI大模型，理赔单证能够进行智能分类、自动提取重要字段，大幅提升了处理效率。中国平安的“双录AI质检”业务流程已成功实现了质检效率的大幅提升，最短质检时间可达到1分钟，年均节省质检成本达2500万。
此外，在在信贷审批业务场景中，AI大模型可应用于银行授信报告自动生成、客户资质预审等场景，部分银行已经实现了全流程自动化审批，比如文章开头提到的江苏银行。
江苏银行通过本地化部署DeepSeek大模型实现了信贷材料综合识别准确率超97%，信贷审核全流程效率提升20%，同时自动化估值对账流程得到优化。再比如，中关村科金AI模型分析10万+通话记录，识别“隐性承诺”“信息泄露”等风险，助力某商业银行逾期率下降18%。
在投研与财富管理方面，招商证券应用“天启大模型”，在智能投资分析中能够实现100%的行业分析师全覆盖，报告发布的时间从2小时缩短到了20分钟，极大提高了工作效率。
从IT模型到业务模型，融合是关键
显然，AI大模型在金融机构中落地的应用已经逐渐增多，而这个过程中，金融机构需要更加注重体系的建设，只有打好了基础，才能“盖”起更高、更坚固的AI“大楼”。
在徐启昌看来，原先金融机构很多都是通过IT部门驱动数字化转型的进程，但这种现状随着AI大模型应用的加深，以及行业智能体的出现，出现了转变，“未来需要更多的业务人员参与到公司数字化转型的过程中去。具体来看就是所有的业务人员都是开发人员，业务人员都能够直接生成软件完成开发。”徐启昌如是说。
不过，徐启昌告诉笔者，企业在从原先的IT模型驱动，转向业务模型驱动的过程中，仍面临着两个挑战。
首先，企业需要解决业务模型本身描述过程中的完整性和准确性的问题。虽然业务模型在理论上是“完美”的，但在实际操作过程中，存在很多不确定性因素。以金融行业为例，其业务模型需要几百人，花费几年时间才能构建出来，“在这个过程中，传统工艺下模型的质量、数据的质量参差不齐，会存在噪音的情况，”徐启昌进一步指出，“这点与结构化、形式化的IT模型不同，需要企业特别注意。”
第二点，在IT模型驱动转向业务模型驱动的过程中，行业大模型是不可或缺的存在。但在应用过程中，相较于通用大模型，企业级行业模型子训练的过程中，更容易出现“幻觉”的问题，且因为企业对于大模型的“容错率”的要求更为严格，所以行业大模型的训练质量，也就成了企业在实现业务模型驱动过程中不可忽视的一点。
在徐启昌看来，解决了上述两个难题之后，企业也就步入了业务模型驱动的流程中，“未来，所有业务人员都是开发人员，业务人员能够直接生成软件，完成开发。”徐启昌进一步强调到，“这个是在很多实际的过程中得到验证的，我们相信业务模型驱动企业发展，前景可期。”
而这个过程中，企业除了要实现IT部门主导的数字化进程，想业务部门主导的数字化进程的转变之外，业务与IT的融合也是关键。具体来看，企业需要在底层搭建好数字化/AI平台，而这个平台目前市面上的IT服务商基本都有所布局（比如神州数码的问学平台、阿里云的PAI平台、IBM的watsonx平台、神州信息的乾坤平台等）。进而通过类似微服务的形式，将各种数字化和模型的能力进行模块化分类，让业务人员能够通过类似堆砌乐高的方式，对模块化的能力进行组合，最终生成出相应的应用程序。
中小型金融机构如何落地？
针对AI大模型应用及未来智能体落地，不少金融机构也开始构建完整的体系。一些大型银行的尝试，对中小型金融机构而言也具有参考意义。
比如，工商银行总结提炼适配金融行业的“1+X”大模型应用范式，构建以大模型为核心的新一代企业级业务赋能模式，实现从单场景赋能到端到端业务重塑的重大革新。其中“1”是指金融智能中枢，通过运用大模型分析理解，实现在金融复杂场景下进行任务拆解、规划、分步执行和最终输出反馈的能力范式；“X”包含知识检索、数据分析、文档编写、智能搜索、API调用等基本能力范式。
而这种整体的布局也不仅是大行才有的，比如恒丰银行，恒丰银行通过构建“双飞轮”模型训练体系，推动打造“通用大模型+小尺寸大模型+N个场景模型”的应用模式；中国民生银行通过智能升级仿生金融服务（BioFaaS），深度融合AI与金融服务，并构建全行级知识体系与一站式智能服务平台，赋能员工与客户。
“大行”无论在数字化，还是这一轮AI浪潮都有充足的资金和长远规划，但对于资金储备、算力储备不那么充足的中小型金融机构来说，在AI建设的关键是打造具有自身特色的“知识库＋提示词”体系。
在徐启昌看来，相较于“大行”，一方面，中小型金融机构数字化起步较晚，数字化完善程度不如大型银行，且数据治理程度不足；另一方面，中小型金融机构在投入成本、投入力度方面，其资金实力也达不到大行的水平。这时候就需要中小型金融机构“有的放矢”，“以一个小的场景为立足点，抓住最核心的，最能实现降本增效目的的场景，从这个场景出发，进过POC后，在有序推进。”徐启昌给中小型金融机构应用布局AI智能体提出了些许建议。
除此之外，相较于大行，中小型金融机构也面临着人才相对短缺的现实情况，对此，于宏志告诉笔者，相较于大型的金融机构而言，中小型的金融机构相关环节的“知识”大多沉淀在老员工的脑海中，这些员工离职或退休之后，对于银行而言就损失了这些经验和“知识”，“比如小银行信贷部总经理退休后，对于特殊产品的知识没了，银行再进行相关培训一名合规的相应员工，需要周期和经费，”于宏志进一步指出，“而大行因为相对人才储备比较好，且将‘知识’转化为数字化（数据）的进程推进比较快，就不存在类似的问题。”
对此这类问题，于宏志表示，中小型金融机构可以将这些“知识”数字化，通过建模资产的方式，令其成为企业内部数字化资产，进而不会让这些知识随着员工的离开而消失。
而也正是基于此，在前不久，神州信息发布了乾坤之建模工艺平台。通过该平台，金融机构可以打破“部门级”“竖井式”研发模式，实现全行“一套业务模型、一套IT架构、一套实施工艺、一套管理流程”，“为金融机构提供了模型驱动的建模工艺平台。”徐启昌明确的告诉笔者。
而面对未来的优化方向，徐启昌表示，降本和增效是智能体在各行业中应用最核心的目前，而这两部分也将成为众多厂商提升竞争力的主要抓手。“以AI代码开发为例，目前已经可以做到降低金融机构25%~30%的开发成本，未来希望能够达到40%以上，甚至更高。”徐启昌强调。（本文首发于钛媒体APP，作者｜张申宇，编辑丨盖虹达）
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
