銀行每天有成千上萬個貸款審批任務，如何在總行人力有限的情況下更高效地開展抽檢？人工智能（AI）大模型正在改變銀行的工作模式：利用大模型，銀行可以全面檢查所有貸款，實現(xiàn)從抽查到全覆蓋的轉變，同時通過這種方式，不少銀行發(fā)現(xiàn)了不少違規(guī)情況，減少了損失。

“明天要見一個企業(yè)主客戶，該推什么產品？客戶會問哪些刁鉆問題？”在一家保險公司，新入職的代理人正對著手機里的AI“陪練”反復模擬。很快，這名代理人從一個遲遲無法開單的“小白”成為順利簽單的績優(yōu)新人。

2026年3月17日，在《AI助推中國內地和香港金融服務業(yè)煥新升級》報告發(fā)布現(xiàn)場，普華永道中國管理咨詢合伙人王建平向經濟觀察報記者分享了令人印象深刻的AI應用案例。

2025年10月至2026年1月，普華永道對中國內地及香港的銀行、保險及資管行業(yè)的201名金融服務專業(yè)人士進行了調研，并開展了20次深度訪談，描繪了金融業(yè)擁抱AI的現(xiàn)狀：熱情高漲，但痛點鮮明。

戰(zhàn)略重要 投入不足

作為資金充裕的行業(yè)，金融業(yè)對AI的應用現(xiàn)狀如何？

根據(jù)普華永道的調研，目前金融機構對AI的應用可分為三個層級：第一層級是內部使用，例如內部知識庫查找，這在頭部銀行已相對成熟，外部客戶感知不多；第二層級是客戶有感知的應用，如智能客服、投資建議、交易后服務等，但在銀行領域，反洗錢識別、內控稽核等應用已帶來顯著賦能效果；第三層級是直接與客戶達成交易，或提供投研建議、理財建議，由于這一層級需要兼顧AI的透明性、公平性以及推導邏輯的可追溯性，短期內難以大規(guī)模實現(xiàn)。

普華永道中國內地資產及財富管理行業(yè)主管合伙人倪清發(fā)現(xiàn)，不同行業(yè)對AI的部署應用各有側重。銀行業(yè)集中于風險管控、反洗錢與合規(guī)任務，保險業(yè)重點關注代理人能級提升、客戶服務和理賠，而資產與財富管理行業(yè)則重點布局投資與組合管理、數(shù)據(jù)與市場分析。

“受訪機構已通過AI投資獲得初步10%—15%的回報率，但他們更看重AI對提升市場地位、拓展戰(zhàn)略發(fā)展空間的長期價值�！蓖踅ㄆ奖硎�。然而，理想與現(xiàn)實之間存在一道明顯的鴻溝：調研顯示，61%的金融機構的AI投入占科技預算的比例不足10%。

為何不加大投入？王建平分析稱，在當前的市場環(huán)境下，金融機構增加科技投入面臨較大難度，必須調整結構——壓降傳統(tǒng)科技投入，降低傳統(tǒng)業(yè)務開發(fā)和測試成本，將節(jié)省下來的資金投入到AI領域。在總盤子不變的情況下，如果把科技和AI的投資占比提到很高的水平，傳統(tǒng)科技就會受到很大影響。此外，金融機構強調穩(wěn)健經營，在轉型過程中，節(jié)奏比其他行業(yè)要慢，但AI技術發(fā)展又非�？�，導致金融行業(yè)很難跟上技術發(fā)展節(jié)奏，從而形成了“戰(zhàn)略上重要、投入要加大但短期內難以大幅提升”的局面。

人才、數(shù)據(jù)兩難

“內部培養(yǎng)周期長，外部招募又面臨科技公司的高薪競爭�！币幻趪写笮袕氖氯肆Y源工作的人士對經濟觀察報記者談起了AI相關人才的招聘難題。

調研發(fā)現(xiàn)，僅29%的金融機構成功構建了“AI優(yōu)先”的文化氛圍，而人才短缺與僵化的組織結構是比投入不足和技術層面更加嚴重的障礙。

普華永道中國管理咨詢合伙人李偉斌指出：“受訪者普遍反映，當前面臨的一大挑戰(zhàn)是難以招募到‘既懂業(yè)務又懂算法’的復合型人才。培訓與提升現(xiàn)有員工技能，以及制定鼓勵將AI作為轉型工具的激勵機制，對建立AI優(yōu)先文化至關重要。一些金融機構在思考是否有特殊機制能突破傳統(tǒng)的招聘模式。例如，有些保險公司成立了AI研究院，通過特殊薪酬機制吸引高級人才；一些銀行通過培訓與考核，推動傳統(tǒng)科技人才轉型，以此完成人才選拔。此外，同樣重要的是，高級管理層需以身作則，積極倡導AI應用。”

除人才和組織文化外，數(shù)據(jù)是關鍵制約因素。調研發(fā)現(xiàn)，受訪者認為，加大AI投資的前三大障礙是數(shù)據(jù)可用性（30%）、監(jiān)管壓力（20%）以及需要優(yōu)先維護現(xiàn)有核心系統(tǒng)（14%）。數(shù)據(jù)安全與隱私保護問題被列為數(shù)據(jù)管理的首要挑戰(zhàn)，導致90%的金融機構依賴內部專有數(shù)據(jù)來支持其AI應用場景。

在王建平看來，AI需要的數(shù)據(jù)正在從結構化向非結構化轉變，而金融機構的非結構化數(shù)據(jù)，比如銀行的信貸政策、風控手冊、審核知識，保險公司的查勘手冊等，原本沒有被納入數(shù)據(jù)治理體系。

大模型自身存在的“幻覺”問題，使其難以滿足傳統(tǒng)業(yè)務中對數(shù)據(jù)準確性的要求�！耙攒囯U理賠為例，當客戶報案時，后臺發(fā)現(xiàn)理賠車輛、被撞車輛、查勘員、4S店之間存在關聯(lián)關系，這可能指向欺詐。如果只關注理賠數(shù)據(jù)本身，忽略了這些關聯(lián)關系，大模型便難以識別欺詐風險。因此，必須用本體建模，尋找各個對象之間的關聯(lián)關系，并將這些關系注入大模型，才能提升識別準確率�！蓖踅ㄆ秸f。

伴隨AI技術的發(fā)展，金融機構在風控安全方面亦面臨新的挑戰(zhàn)。報告發(fā)現(xiàn)，金融機構在輸入端和輸出端已建立基礎防護，但在面對模型運行中的動態(tài)風險時，仍缺乏有效的自動化監(jiān)控工具。

（作者 姜鑫）

免責聲明：本文觀點僅代表作者本人，供參考、交流，不構成任何建議。

姜鑫

金融市場新聞中心資深記者，關注保險行業(yè)、證券、新三板、上市公司相關領域，擅長深度報道、人物報道。