AI已死于工具幻觉，智能金融在重写方向盘

《金融AI的胜负，已不在模型大小》
——效率决定跑多快，治理决定能跑多远

一家银行里最先被AI盯上的，可能不是柜员，而是那位总说“我再想想”的老审批员。

结果颇为讽刺：材料整理、客户画像、报告生成，机器几秒钟就干完了；唯独那句“我再想想”，机器至今学不会。因为它不是拖延，是判断，是签字之前掂量后果的那一下停顿。

金融AI最危险的进步，是决策越来越快，责任越来越模糊。

一、翻页了

近期一场金融科技行业会议上，监管界与银行界的多位资深人士，不约而同讲了同一件事：金融业的AI，正经历三个转变。

推进方式，从零散试点转向体系化布局。它不再是科技部门的“课外活动”，而是进了全行经营管理的整张棋盘。

应用范围，从外围辅助伸向核心业务。客户经营、信贷审批、风险管理，机器开始碰钱了。

评价重点，从“技术可用”转向“价值可见”。花哨的演示被剥离，留下的只有成本、效率、坏账率和客户体验。

第三条最要命。过去一个AI项目的成功标准是“上线了”，现在的标准是“省了多少钱、拦了多少坏账、留住了多少客户”。

能跑通演示，不等于能扛住坏账；能生成报告，不等于能对定价负责。

二、为什么偏偏是金融

不是银行更爱新技术，而是两条曲线撞到了一起。

一条是技术曲线：AI从算法到硬件、从虚拟到实体全面加速，开始从数字世界走进物理世界，会读合同、查流水、跑审批。

另一条是行业禀赋：金融天然数据密集、场景密集，每一笔存贷汇都是结构化数据，每一次授信都是可复现的决策。

但金融还有第三个“密”：约束密。它经营的是不确定性。客服答错，是体验问题；风控判错，是资产质量问题。同一种能力，既能把成本压下去，也能把错误放大出去。

技术越强，越容易把旧流程跑得更快，也越容易把旧偏差复制得更广。

三、三条路，两层楼

不同体量的银行，已经走出不同路线。

大行走“全链条赋能”，从前台到后台整条链路一起上，靠体量和预算。股份制银行走“场景深耕与人机协同”，不求全、求准。中小银行走“轻量化、差异化、精细化”，不建大模型用小模型，挑最痛的一两个点下手。

背后是一本现实的账：全国四千多家银行业机构，能养得起一支像样的大模型团队的，数得过来。

于是出现一个画面：县城网点里，信贷员还在把调查表从纸面搬进系统；总行实验室里，模型已经在给同一笔业务打分。两边都在“上AI”，却不在同一层楼。

大行在拼算力，小行在拼算计。

四、把专家装进系统

这轮变革中最值得看的技术形态，是大模型与智能体的结合。核心逻辑一句话：把专家的智力，沉淀为可复用、可传承、可进化的智能。

业内典型做法是“一横多纵”：横向一个企业级AI办公平台，员工用自然语言下指令，完成数据汇总、客户分析；纵向一组垂直场景智能体，分别扎进信贷、风控、合规。

设想一位中小银行的客户经理，面对一摞经营材料，过去要逐项整理再找专家请教；现在可以先拿到分析线索和待核查清单。过去请不起顶级风控专家的机构，如今可以“租”一个专家级智能体。

所谓智能体，是把一个人的经验，变成一千个人的能力。

但这里有一道暗门：专家经验只有经过整理、验证、更新，才是可靠支持；过时的规则同样会被批量复用。经验可以复制，正确不能默认。

五、先停一下

系统会给答案，就能让它拍板吗？

这就是“油门”与“方向盘”的分别。油门是效率，比谁更快审批、更快服务。方向盘是价值：技术到底服务实体经济，还是制造套利空间；到底扩大普惠，还是加剧集中；到底帮人做判断，还是让人把责任推给算法。

模型可不可信？数据谁来治理？算力成本谁扛？大行小行之间的分化会不会变成数智鸿沟？这些都不是技术问题，是治理问题。

最危险的智能，不是犯错的智能，而是犯错后没人知道它为什么错。

六、给创新装导航，不是踩刹车

解法其实清楚，而且没有一条是让AI慢下来。

一是全生命周期的风险防控：开发、部署、监测、纠偏、退出，每个环节有规则，不是上线前验证一次就完事。

二是分级施策：低风险环节鼓励试验，中风险环节强化审计，高风险环节必须人机共治、责任清晰。哪些决策可以交给模型，哪些必须留在人手里，哪些必须双签，边界画清楚，创新才有跑道。

三是安全与成本一起算：本地化部署保证数据不出域，任务分级决定模型、算力和复核强度，不能各算各的账。

四是行业基础设施：把数智鸿沟当公共品来填。头部用智能做深定价、尾部靠人工拍板，市场会以效率之名完成一次静默分层；而能力分化，迟早演成风险分化。

好的治理不是给创新踩刹车，而是给创新装导航。

七、方向盘对准哪里

对准实体经济。

智能金融若只在机构内部空转，提高的是报表速度。只有进入资金配置、风险管理、服务触达，让好企业更容易被看见，让小微和县域的服务成本降下来，让风险更早被识别，价值才算“可见”。产融共振不是点缀，是这趟车该去的方向。

对从业者，可操作的起点也很朴素：选一个问题明确的场景，记下原有成本、差错和处理时间，再比较引入AI后的真实变化。同时写清三件事——系统能做什么，何时必须转交人工，谁对最终结果负责。

这一轮变革值得期待。重复劳动被压缩，经验被沉淀，专业判断被放大。会用AI的人，不是被机器削弱的人，而是能指挥机器完成更高阶任务的人。

这个时代奖励的，从来不是最先装上模型的机构，而是最先把模型关进边界的人。

（唐加文，笔名金观平；本文成稿后，经AI审阅校对）