——一位大型金融机构 AI 亲历者的真实判断
AI Thinker × 金融 AI 深度访谈｜第一期
记录中国进入 AI 的真实落地，而不是想象
⸻
引言｜AI Thinker
过去两年，中国金融行业几乎在同一时间“全面进入 AI”。
模型升级、平台建设、Agent 架构、Copilot 试点快速铺开。
从外部看，这是一轮声势浩大的技术浪潮；但从内部看，挑战才刚刚显现。
本期，AI Thinker 对话一位来自大型金融机构的一线 AI 亲历者。
他长期深度参与信贷、金融市场、风险、架构、云等金融科技核心业务的 AI 落地实践，对技术保持克制，也对现实足够坦诚。
他的判断并不复杂，却极具穿透力：
模型已经够用，真正难的，是企业有没有能力把 AI 长期、系统性地跑下去。
⸻
一、AI 抬高了下限，但并没有改变业务上限
AI Thinker：
你提出一个判断：AI 提高了下限，但并没有改变业务上限。为什么？
Fin AI Tech Leader：
在当前阶段，AI 最大的确定性价值，是把很多事情做稳、做齐、做快。
它显著降低了执行门槛，把原本高度依赖个人经验的工作，
变成可复制、可交付、可持续的流程。
但如果你问我，AI 有没有从根本上改变业务能做到多大、
能承担多复杂的风险、
能创造多大的长期价值——
坦率讲，还没有。
业务的上限，依然由业务逻辑、风险约束和组织能力决定。
AI 更多是在抬高“最差情况”的下限，而不是拉高天花板。
⸻
二、Agent 跑不起来，几乎都不是技术问题
AI Thinker：
那为什么行业里会出现大量“看起来很聪明，却始终跑不起来”的 Agent？
Fin AI Tech Leader：
因为 Agent 从来不是一个纯技术问题，而是一个业务问题。
如果 Agent 是由技术单方面推动的，结果高度一致：
逻辑上成立，但业务不信任、不依赖，也不会长期使用。
真正能跑起来的 Agent，必须满足三个前提：
• 业务先给出清晰目标与边界
• 科技把目标工程化
• 双方对结果共同负责
没有业务驱动的 Agent，本质上只是演示系统。
⸻
三、AI 不会立刻“裁掉银行人”，但一定会重塑用工结构
AI Thinker：
很多人关心：AI 会不会大规模减少银行人员？
Fin AI Tech Leader：
如果只看银行的自有人员规模，我认为短期内冲击并不大。
原因很现实：
银行内部人员的大量工作，并不在“写代码”。
更多集中在：
• 产品与流程设计
• 系统架构
• 需求拆解
• 测试、联调与上线准备
而编码本身，本来就大量外包给社会公司。
因此 AI 带来的确定性变化是：
外包规模会明显下降，
但银行自身人员规模并不会同步压缩。
⸻
四、编码正在被替代，今年是一个分水岭
AI Thinker：
那从 Coding 本身看，替代是否已经发生？奇点近了吗？
Fin AI Tech Leader：
我会给出一个相对明确的判断：
• 前端 Coding：约 60% 已经可以被替代
• 后端 Coding：约 40% 正在被替代
而且这个比例还在持续上升。
今年，很可能成为一个明显的分水岭。
不是“程序员是否消失”，
而是 编码这件事的生产方式正在发生结构性变化。
⸻
五、AI 真正有用的两类场景：重复劳动，与专家能力规模化
AI Thinker：
那回到业务本身，你认为 AI 到底在哪些场景里“真的有用”？
Fin AI Tech Leader：
如果让我总结，我会非常明确地给出 两类场景。
第一类，是高度重复、劳动密集的场景。
比如银行客服、运营处理、规则校验、材料审核等。
这些场景的共同特征是：
• 工作高度重复
• 规则相对稳定
• 人力成本高
• 对一致性要求极高
在这些场景中，AI 的价值非常直接：
不是锦上添花，而是实实在在地替代重复劳动、释放人力。
客服类场景，是目前最典型、也最成熟的代表。
⸻
第二类，是对专家能力高度依赖的场景。
这类场景恰恰相反：
不是简单，而是高度依赖少数专家经验，且难以规模复制。
真正的问题不在于“会不会做”，
而在于：
能不能把专家的判断方式、决策逻辑和经验沉淀下来，
并在全企业、甚至全行业范围内复用。
如果 AI 能做到这一点，
它带来的价值往往是数量级的。
无论是风控、投研、复杂产品设计，
还是运营与保险相关领域，
都非常有价值，也非常有效。
⸻
AI Thinker：
这两类场景看似差异很大，你为什么把它们放在同一层级？
Fin AI Tech Leader：
因为它们解决的是同一个本质问题：
如何把“不可规模化的人力能力”，
转化为“可规模化的系统能力”。
重复劳动，是规模化低价值人力；
专家能力，是规模化高价值判断。
⸻
六、真正跑出效果的，是信贷与金融市场业务
AI Thinker：
在具体业务中，哪些领域已经跑出了明显效果？
Fin AI Tech Leader：
非常明确：
信贷业务、金融市场业务。
这些领域具备几个共性：
• 数据相对结构化
• 决策链条清晰
• 对效率与风控极度敏感
因此 AI 在这里不是“感觉有用”，
而是 已经取得了非常实在的业务效果。
⸻
七、模型能力，已经不再是核心焦虑
AI Thinker：
你强调“模型已经够用”，为什么？
Fin AI Tech Leader：
因为在真实金融业务中，模型能力早就跨过“可用门槛”了。
当前真正的难点已经转移到：
• 能不能被正确调用
• 能不能稳定运行
• 能不能合规审计
• 能不能长期维护
模型本身，已经不是行业最大的焦虑。
⸻
八、数据与知识，才是金融 AI 的长期核心资产
AI Thinker：
那真正决定 AI 上限的是什么？
Fin AI Tech Leader：
是 数据与知识。
尤其是在运营和保险等场景中，
模型只是工具，
真正决定效果的是：
• 数据是否高质量
• 知识是否被结构化
• 经验是否可以持续复用
数据与知识能力，决定了 AI 能走多远。
⸻
九、单点技术能力里，最缺的是 AI 安全
AI Thinker：
如果只从单点技术能力看，现在最需要补齐的是什么？
Fin AI Tech Leader：
AI 安全。
这里的 AI 安全，不是传统网络安全，是 AI 在企业级运行中的可控性与可信性。
包括：
• 模型行为是否可约束
• Agent 执行是否可审计、可回放
• 数据与知识是否可控流转
• 异常情况下是否可降级、可回退
没有 AI 安全作为底座，
金融 AI 就无法规模化运行。
⸻
十、AI 的业务价值，过去两年并未被系统性统计
AI Thinker：
当前是否已经系统性统计 AI 在业务中产生的数据价值？
Fin AI Tech Leader：
还没有。
过去两年，行业的核心目标是：
先把任务跑通、流程走顺、系统接上。
当时的成功标准是：
• 能不能用
• 能不能稳定跑
• 能不能合规上线
而不是马上精确量化 ROI。
但这一阶段正在结束。
从今年开始，业务和科技都会同步设计并统计AI 带来的增长、效率与风险改善指标。
这是金融 AI
从“能跑”走向“可管理、可评估”的关键一年。
⸻
十一、真正的难点：企业级 AI 能力
AI Thinker：
如果用一句话总结当前最大的痛点？
Fin AI Tech Leader：
企业级 AI 能力的整体构建。
不是一个模型，
不是一个应用，
而是一整套系统能力：
• Agent 体系
• 数据与知识工程
• AI 安全与治理
• 长期运行能力
这是一个系统工程，
也是中国金融 AI 进入深水区的真正门槛。
⸻
结语｜AI Thinker
这场对话没有制造新的技术神话，
却清晰揭示了一个正在形成的现实共识：
在中国金融体系中，
AI 的问题已经从“模型是否足够强”，
转向 企业是否具备承载 AI 的系统能力。
模型已经够用，
真正的挑战，才刚刚开始。
这，正是中国进入 AI 时代的真实落地。
⸻
