2025 被稱為AI Agent（智能體）元年，更準確地說，應該是它從前沿技術到應用落地的進階之年。

如果說大模型技術是一把萬能鑰匙，那AI Agent 則像一個更清晰的指引、一個具象化的抓手，可以讓企業快速鏈接到那扇通往「新世界」的大門，打開它、走進去。

不只是停留在營銷、客服等輔助環節，而是可以直抵「核心生產場景」，讓企業以更低的成本、更高的效率實現「生產力重塑」，推動業務增長。

金融行業也在今年迎來了自己的智能體時代，包括螞蟻數科、奇富科技等幾家頭部的金融科技公司，都正式發布了金融智能體產品。

當然，對于這個新興事物，業內也有不同的聲音，有保持觀望的、有躍躍欲試的，也有覺得看不懂摸不透的。

但不可否認的是，這場「不可逆的生產力革命」已經吹響號角。

所以今天我們試圖回答，關于金融智能體最重要的一些問題：他到底是什么？能做什么？對于一家金融機構而言，他最大的價值又是什么？

1

「數字專家」：從認知到執行

在說到 AI Agent 的時候，最通俗的一個比喻就是「數字員工」，可以替代人工處理更多問題。

但乍一聽這個概念，有些人可能會聯想到金融數字化，或者金融行業的RPA（Robotic Process Automation，機器人流程自動化），這不是已經存在很多年了嗎？

上個世紀90年代，許多企業就已經開始使用自動化軟件來代替人類執行某些重復性操作，比如點擊鼠標、輸入文本、拷貝文件等等。

它的優點是穩定性強、準確率高，但需要人來預設規則、固定流程，處理明確的任務，只能算是一個工具。

而到了金融數字化階段，就涌現出了更智能的、可以解決更復雜流程的產品。

類似10年前網商銀行推出了「310模式」——三分鐘申請、1分鐘放款，0人工介入；還有這幾年，很多保險公司的核保賠付也是完全由AI完成，客戶只需要將單據拍照上傳就可以完成「秒級」審批。

他們在一定程度上都實現了「去人工化」，那么AI Agent 時代的「數字員工」又有何不同呢？

先來個比較正式的定義，來自《2025金融智能體深度應用報告》：

金融智能體（Financial AI Agent）是一個具備一定自主性的AI實體，它能夠感知其所處的金融環境，基于內部的模型或知識進行推理和決策，規劃實現目標的行動步驟，并通過調用外部工具或系統接口來執行復雜金融任務，并根據執行結果進行反饋和調整。

（《2025金融智能體深度應用報告》）

標記一下關鍵詞，「感知-推理-規劃-執行-進化」。

在金融數字化階段，類似工業生產從手工作業進化到自動流水生產線，生產線是一套提前設定好的程序、一旦開啟不可跳過任何環節。并且，「投喂」的數據不能「超綱」，也必須規范（比如早期，非結構化的數據就不行）。

這一階段，盡管智能系統具有一定的決策和交付能力，但主要還是按照人工預設的腳本「照本宣科」，就像現在很多智能客服，只能根據既定的模板和「題庫」回答問題，遇到稍微復雜的問題、甚至提問方式不同，系統就會答非所問。

但在金融智能化階段，大模型技術的發展讓AI有了更聰明的「大腦」。

相比于之前，大模型能夠理解和「學習」的范圍更廣，包括文字、圖片、音頻、視頻等等，通過海量數據訓練，大模型還可以具備自然語言理解、生成能力甚至是推理能力，能夠進行邏輯分析并生成高質量的內容。

而以大模型技術為底座的AI Agent則更進一步，因為有了更加聰明的「大腦」，他們已經不需要任何人工預設的流程、腳本，而是真正和人一樣去感知、思考和解決問題，實現「端到端」的「結果交付」，而不僅僅是過程輔助。

如果說大模型是一個聰明的「大腦」，那么金融智能體就是將這個「大腦」的認知和理解能力轉化為對金融業務的執行力，包括制定多步驟策略和調用內外部工具，并且根據執行結果進行學習優化。

簡單來說，金融智能體更像是連接大模型技術與現實金融世界的一座橋梁、一個快捷通道。

如果要用「數字員工」來比喻，那也是一個經驗更豐富、專業能力更強的專家級員工。他具備一套專業、高階的思考、規劃、執行能力，甚至可以靈活變通地處理既有經驗以外的問題，并且自身能力還在不斷進化。

螞蟻數科在一場關于金融智能體的內部分享中總結道，一個金融智能體應該具備幾個關鍵要素：金融大模型、金融知識庫、金融工具集、安全&專業評測。也就是說，這不是單一模型，而是「系統工程」。

所以，AI Agent 時代的「數字員工」，更「擬人化」，但也遠遠超越了普通人的能力。

2

生產力革命：從外圍到核心

了解了金融智能體的能力，我們就不難理解他為什么能在金融領域掀起新一輪「生產力革命」。

他不僅是對現有工具的簡單升級，其自主工作能力正在從根本上重塑金融行業的生產方式，所以才能釋放巨大的生產力。

《2025金融智能體深度應用報告》總結了金融智能體的5個顛覆式潛力：

1、打破流程壁壘，實現端到端自動化

智能體的核心優勢在于能夠感知、規劃并執行復雜任務鏈，從而打破傳統流程中的自動化斷點，實現端到端的流程自動化。

2、自主感知與實時響應

智能體能夠通過感知器實時監控內外部環境變化，例如市場價格波動、風險事件發生、客戶行為模式改變或突發事件。

3、智能規劃與復雜任務執行

面對一個高層級的業務目標（如「為客戶生成一份定制化投資報告」），智能體能夠自主將其分解為一系列具體的子任務（如「查詢客戶持倉、獲取最新市場數據、運行資產配置模型“根據模型結果撰寫報告草、格式化報告），并規劃執行順序。通過調用相應的外部工具（如投資模型API、報告生成工具），智能體能夠自主完成整個復雜任務鏈。

4、持續學習與自我優化

優秀的金融智能體具備從歷史任務執行中學習的能力。通過分析成功或失敗的案例，智能體可以不斷優化其決策邏輯、規劃策略和工具調用方式，提高應對復雜和未知情況的能力，從而在長期應用中持續提升性能和準確性。

5、降低金融服務的門檻和成本

金融智能體的自動化和低成本特性使其能夠有效地觸達傳統金融服務難以覆蓋的邊緣人群和欠發達地區。

「金融智能體在金融體系中的角色正在逐步演進，引領一場不可逆的生產力革命，其發展軌跡從最初的輔助工具向更高級別的協作者發展，在特定場景下甚至可能成為任務主導者?！?/strong>該報告總結道。

在生成式 AI 剛出現的時候，大家對于大模型技術充滿了期待和憧憬，金融業也不例外。但這兩年看下來，起初的熱鬧過去，金融機構對大模型技術的態度始終有些不溫不火。

說到底，智能客服、智能營銷都是外圍場景，不直接貢獻增長。成本、數據、技術門檻……挑戰客觀存在，但本質還在于大家并沒有看到新技術對于核心業務和收入利潤的貢獻。

但如今，AI Agent（智能體）的出現或許會改變這一局面，因為他正在重塑生產力，從業務外圍向核心場景不斷突進。

從目前的實踐來看，已經推出的金融智能體產品都滲透到整個金融產業鏈的不同環節，比如奇富科技的「信貸超級智能體」。

螞蟻數科更是探索了超過 100 個金融智能體的深度應用場景，覆蓋了銀行、證券、保險、通用四大領域，滲透到客戶服務、內部運營、營銷與銷售、風險管理、產品創新、決策支持等場景之中。

我們不妨從一個具體的財富管理場景切入，來看金融智能體可以做什么？又能創造哪些增量價值。

比如，當客戶拋出一個問題，「我現在的持倉合理嗎？請提出建議。」

金融智能體收到這個問題之后，首先會分析用戶指令，包括解讀指令背后的隱藏需求，比如，客戶這句話的潛臺詞可能是「市場變化了我是否需要調整持倉，我現在的持倉是不是風險有點高？」

當分析了指令之后，金融智能體會把這個需求拆分成若干具體的任務：要去了解客戶畫像、持倉情況以及近期市場變化，再完成分析診斷、給出相應建議等等。然后基于這些任務，去調用相關的數據和工具來一一完成。

在此基礎上，金融智能體還會綜合專業和情感等多個維度輸出答案，甚至主動猜測客戶還想提出的問題。

至此，客戶在極短時間內獲得了一次高質量的財富管理「問診」和「咨詢」。

相比信貸業務相對標準化的業務流程，財富管理業務的痛點在于客戶的自身情況和理財需求千差萬別，很難提供精準的服務。而目前來看，人+數字化的方式仍有「斷點」，客戶體驗并不流暢。

而金融智能體「感知-推理-規劃-執行-進化」的閉環機制，可以實現「端到端」解決更復雜的理財問題，有望真正實現「千人千面」的理財服務。

3

擁抱AI Agent：最終還是「一把手工程」

前些年的金融數字化轉型，為今天的智能化打下了一定的基礎。即便如此，金融機構在更復雜的業務場景下，依然面臨流程固化、數據孤島、人力成本高企、個性化服務不足等挑戰。

生成式 AI的橫空出世讓各行各業都為之一振，但對于金融機構來說，大模型技術從部署到應用仍存在不少障礙。很多年初高調接入 DeepSeek的金融機構，也再沒有更進一步的動作。

盡管 DeepSeek 在一定程度上降低了企業部署和使用大模型的門檻，但這并不代表沒有投入。

據了解，從基礎設施投入到應用落地，金融機構一次性的成本投入至少在百萬量級，但產出是什么？可量化的結果有多少？卻沒有答案

此外，還有一些「隱性門檻」不能忽略。比如前面提到的「數據孤島」問題，根據麥肯錫的調研報告，40%的企業存在50個以上的數據孤島，這會導致大模型精度下降20%-30%。

還有就是復合型人才短缺的矛盾愈發尖銳。將 AI 大模型技術應用到具體的金融場景當中，并非易事，AI+金融的跨能力協作還是要復雜的多。

麥肯錫預測，2030年中國AI人才缺口將達500萬，兼具算法與金融業務能力者不足15%。

面對種種挑戰，金融智能體深入業務場景、自主解決問題的能力，降低了金融機構前期的投入成本、磨合成本和合規風險，讓更多機構看到了通過投資「技術變量」帶來「價值增量」的曙光，尤其，這種價值增長既是可量化的，也是可持續的。

眼下，國內的金融智能體發展處于單智能體與多智能體協同應用并存的狀態。

根據麥肯錫的定義，「單智能體」主要解決一些具體的、相對簡單的業務需求。而「多智能體系統」則像是一個虛擬職場，每個智能體都有自己專長的特定領域，并統一受「協調智能體」調用，從而使得多智能體系統能夠與人類一樣，具備行動規劃、使用工具執行規劃、與其他智能體及人員合作、邊實踐邊學習以自我改進的能力。

這種單+多的智能體生態，進一步降低了金融機構的「試水」門檻?？梢韵葟哪硞€具體業務場景或訴求切入，來試用相應的金融智能體產品，而不需要從一開始顛覆以往的業務框架。

基于對金融智能體的落地經驗，螞蟻數科總結了四條路徑：

在大模型時代，AI的進化與迭代速度遠超我們的想象。隨著金融智能體的加速落地，其應用的門檻更低、見效更快，對于金融機構而言，是否應用「新質生產力」所帶來的業務差距也會越來越大。

當然，新一輪生產力變革所帶來的不只是技術升級，更是戰略重構、組織變革和文化重塑的系統工程。

麥肯錫的調查分析表明，由CEO親自監督這項工作，是企業借助生成式AI提升財務表現的關鍵因素之一。尤其在大型企業中，CEO的直接參與對息稅前利潤（EBIT）的拉動效果最為顯著。

對于金融行業而言，從數智遷徙到范式重構，未來已來。