摘要：我们不禁要问：当智能系统开始自主思考，金融业务的底层逻辑是否会被重新书写？当算法驱动的风控模型持续进化，人类专家的经验知识价值将如何重新定位？在追求效率与创新的同时，如何守护数据安全与科技伦理的底线？
作 者 | 九卦姐（九卦金融圈专栏作家）
来 源 | 九卦金融圈
2025年4月10日，一场主题为“AI融入金融业务：重构，不只是升级”的深度对话正在新网银行直播间火热展开。本次直播活动的嘉宾包括：
陈冉、毛航、柳元鑫、张晓明（从左至右）在直播现场
新网银行信息科技总监 毛航
华为数字金融军团首席专家 柳元鑫
星环科技金融行业助理副总裁 张晓明
活动中，主持人新华财经副总编辑陈冉和嘉宾们共同开启了一场关于AI智能化重构的前沿对话。
当人工智能不再停留于流程优化的表层，而是以"重构者"的姿态重塑金融基因——从产品设计到客户服务、从风控策略与数字化运营、从数据安全再到技术伦理。
我们不禁要问：当智能系统开始自主思考，金融业务的底层逻辑是否会被重新书写？当算法驱动的风控模型持续进化，人类专家的经验知识价值将如何重新定位？在追求效率与创新的同时，如何守护数据安全与科技伦理的底线？
当智能系统开始"自主思考"，金融基因如何被改写？
陈冉：最近智能体的概念比较火，也称2025年是智能体元年，三位对智能体理解是怎么样的？
毛航：2025年成为智能体技术元年，源于技术突破、成本下降、政策支持及需求爆发。智能体与大模型形成互补关系，前者如"四肢"拓展应用场景，后者为"大脑"提供核心能力，进而推动智能体普及，实现技术普惠，使开发者与用户便捷创建个性化智能应用，加速行业生态成熟。
柳元鑫：尽管当前金融行业智能体应用仍受限于预设流程的固定性及稳定性问题，但其整合多岗位资源、实现客户中心化服务的能力与银行业条线化特征高度契合。未来智能体有望通过打破部门壁垒、提升自动化水平，成为金融业服务升级的核心推动力。
张晓明：当前智能体虽然模拟人类进行任务规划-拆解-执行-反馈机制，但受限于底层通用大模型技术未达相应水平、跨系统连接标准缺失及AI基础设施薄弱三大瓶颈。其智能化程度仍局限于简单任务，复杂场景因技术断点与生态割裂难以突破。未来需协同突破基模技术、推动协议标准化、完善算力与平台底座，方能释放智能体在任务执行与系统协同中的颠覆性价值。
智能系统革命：企业管理的范式跃迁
陈冉：智能体或者智能系统相较于原来的信息系统，在建设与管理上有什么差异吗？对于企业的有着怎样的影响，企业又如何应对？
毛航：新网银行当前已落地十余个智能体场景。需求方借助零代码工具可自主完成智能体创建，催生提示词工程师等新岗位，推动业务-科技部门的融合。在企业级应用场景中，智能体需被视为“数字员工”进行全生命周期管理——业务部门定义岗位权责、人力部门参与制定管理制度、科技部门搭建能力底座，形成“创设-培训-考核-迭代”闭环：设立与业务指标挂钩的KPI体系，建立涵盖知识库更新、提示词优化、能力扩展的持续运营机制。
从算力调度到场景创新
陈冉：在金融行业实践中，华为是如何搭建联接计算能力体系，以实现技术通用性与场景定制化的结合？
柳元鑫：华为当前的"AI Intelligence"，聚焦ToB领域差异化需求，强调金融机构大模型应用需从“能力比拼”转向“效能释放”，核心在于数据治理、算力调度与模型协同。华为设计出“4+1+N”技术架构：算力层实现异构资源弹性调度，数据层构建“知识库+数据湖”双循环体系，工具层打通训推一体化流水线及数据飞轮，应用层沉淀内容生成、多轮对话等范式+Agent的AI应用能力。
“1”代表一个AI治理域，是整个项目管理的核心和基础，包括治理域贯穿模型安全、人才培养与制度规范，从而支撑N个场景创新。
该体系以架构稳定性应对技术不确定性，推动金融机构从单点替代转向流程再造，如在银行领域通过AI原生应用重构信贷风控、客户服务链路，并配套持续运营评估机制，确保技术迭代与业务价值深度耦合，实现“AI能力工业化输出”。
价值裂变：从技术能力向金融生产力转化
陈冉：星环科技近年来在“AI+大数据”融合领域动作频频，尤其是金融行业解决方案备受关注。能否用一句话概括星环科技如何定义AI技术对金融业的核心价值？
张晓明：公司提出“Data×AI”战略，强调数据与AI的乘数级协同价值。在数据侧，自主研发TCS语料加工平台，实现结构化/非结构化数据的精准提取与知识化重构，构建向量数据库、图数据库与文档存储系统等，将非结构化数据直转为可被业务直接调用知识资产；在模型侧，通过LLMOps平台托管适配上百个主流大模型，完成算力配置调优与能力验证，建立模型选型“试验田”；在应用侧，提供智能体构建与应用编排、低代码开发等多种场景应用构建模式，聚焦金融场景流程再造——如“AI行员”重构客户经理工作流，通过如征信报告智能解析、授信报告自动生成、客户画像实时构建等能力，将数十近百页报告处理周期从周级别压缩至小时级。
该体系已实现从底层数据治理到顶层业务赋能的垂直穿透，推动AI从技术能力向金融生产力转化。
新网银行的智能化突围
月调用120万次背后的降本增效
陈冉：新网银行近年来也在研发投入上持续发力，重点突破的方向是什么，目前进展如何？业务场景发生了哪些变化？技术部门是如何响应的？
毛航：以中央金融工作会议“五篇大文章”为指引，聚焦数字金融智能化转型，围绕客服、营销、贷后等人力密集型场景构建AI应用体系：部署十余个智能体，月均调用量超120万次，人力成本降低1/3；营销端通过大模型实现普惠客户自动化触达，覆盖海量长尾客群；贷后管理升级为拟人化双向交互，客户通知转化率显著提升，同步沉淀客户画像数据。
技术层面组建生成式AI专项团队，完成从小模型决策向大模型生成的能力迁移，并依托Deepseek等底座模型推进“全员AI”战略，计划将AI深度嵌入产品设计、风险决策、代码开发等全链路。当前重点突破业务流程标准化与价值闭环验证，为智能化从单点提效迈向全局重构奠定基础。
"管理闭环+技术闭环"双轮驱动
陈冉：那么新网银行在知识体系构建上是怎么做的？
毛航：企业构建知识管理体系需实现"管理闭环+技术闭环"双轮驱动：管理层面，需自上而下提升战略认知，优先聚焦话术、客户沟通技巧等隐性知识沉淀难点，通过激励机制推动组织知识共享；技术层面，需融合知识图谱、智能切片知识中台等工具，将分散在文档、制度及员工经验中的显性/隐性知识结构化萃取，例如通过华为、新华等厂商的中台产品实现全生命周期管理。当前实践以金融业为典型，既需攻克隐性知识标准化难题，又需打通从知识沉淀、组织到智能应用的闭环链路，最终通过"管理牵引场景，技术固化能力"形成可持续进化的知识资产。目前该体系已在银行等机构进入初步落地阶段。
关键密码：数据与知识管理体系的构建
陈冉：对一家银行来讲，在智能时代最重要的东西是什么？
毛航：真正决定差异化竞争力的关键在于数据与知识管理体系的构建——包括私域知识库沉淀、数据治理及要素激活，例如大模型应用中知识萃取、结构化切分与动态优化能力。尤其在金融领域，数据资产的高效治理将直接影响AI价值转化深度，其建设周期长、隐性门槛高，却可能成为未来企业智能化能力分水岭。因此，从长线视角看，银行等应用方需将数据治理与知识工程作为战略级投入方向，以夯实智能化转型根基。
星环科技的"中间层"战略
聚焦构建AI中台能力
陈冉：同样，星环公司近年来的研发费用持续加码，重点突破的方向是什么，目前进展如何？
张晓明：星环上市后，公司募资将重点投向研发领域，其中绝大部分聚焦于产品创新。战略上，Data与AI双线并进：Data作为根基，持续升级为AI驱动的智能数据库及智能数据管理工具，涵盖智能治理、知识工程等核心环节，构建AI基础设施；AI方向则专注于底层知识平台及大模型运营管理工具开发，着力解决"最后一公里"的落地难题，而非介入基础大模型研发或上层应用开发。
公司明确战略边界，将上层应用场景交由深耕行业多年的生态伙伴实施，自身聚焦构建AI中台能力，通过解放开发者生产力间接赋能终端用户。这一中间层布局既强化了核心技术壁垒，又通过生态协同实现价值最大化。
分层推进+生态共研
陈冉：星环公司目前AI产品体系和产品战略是怎样的？
张晓明：公司在客户协同实践中形成了多层次的AI应用体系：在基础层，知识库建设通过优化数据源、模型组合及微调技术突破传统RAG局限，已在多个行业客户中落地；在应用层，支持诸如信贷助手、客户经理助手、报告助手等工具型产品，以"遍地生花"之势解决业务场景效率痛点，将报告生成时间从周级压缩至分钟级；在前沿探索层，与金融客户共研智能营销、数字人、智能风控等深度业务融合方案，并在银行、证券、保险及监管领域推进大模型业务创新试点，目前已形成初步落地案例。通过"分层推进+生态共研"模式，公司既夯实主流需求的产品矩阵，又联合行业伙伴攻克复杂场景，预计逐步实现重点领域突破。
数据转化的梯度落地路径
陈冉：2024年，星环科技成功整合大数据和人工智能技术，推出了知识平台TranswarpKnowledgeHub（TKH），为企业提供全面、高效且智能的数据处理和知识管理解决方案，帮助企业系统化地将内部知识信息化。那么它如何帮助金融机构将多模态、碎片化数据转化为可用的知识资产？
张晓明：公司基于大模型技术推出的知识中台产品，以"工具层+数据库"双引擎驱动知识管理：底层依托向量数据库、图数据库等实现高性能知识存储、混合检索与安全管控，上层通过自动化工具链覆盖知识采集、萃取、蒸馏到应用的全流程，适配结构化/非结构化、内外部多源数据，加速数据资产化、价值化转化。
客户分层运营策略清晰：头部客户（如大型银行）侧重构建全行级知识中台，强调自主知识加工能力；腰部客户采用"中台+场景"捆绑模式，兼顾科技投入与短期成效；长尾客户则通过生态伙伴提供客服、风控等场景化Total Solution。
目前产品已形成梯度落地路径，既支持深度知识工程，亦通过合作伙伴网络实现行业渗透。
普惠金融的AI解法
陈冉：面对中小微企业金融服务长尾需求，新网银行如何通过AI技术实现普惠金融的规模化覆盖？能否分享一个典型案例？在这个过程中是如何面对AI伦理与安全的问题的？
毛航：大模型技术正成为普惠金融的关键助力，尤其在中小微企业服务领域：传统风控依赖结构化数据，而小微企业多依赖非结构化信息，通过大模型的语义解析能力可自动化识别资金缺口、项目需求等风险信号，替代人工实现规模化评估；同时，智能外呼系统结合知识库与工单体系，既能批量触达客户推送定制化通知，又能实时记录交互诉求，通过私有知识应答或触发预设动作，形成服务闭环。该模式不仅突破小微客群数据匮乏的瓶颈，更将单点人工服务升级为AI驱动的全链路运营，推动普惠金融从"人力密集型"向"智能集约化"转型，为长尾客户覆盖提供可持续解决方案。
大模型应用的"三重门"
陈冉：AI能力正逐步走进金融机构的核心生产环节，但不可忽视的是，当前AI在金融行业的应用还面临可靠性、可解释性与安全性风险，华为对此有什么样的思考和举措？
柳元鑫：大模型在金融行业落地面临三大核心挑战：可靠性层面，需通过架构设计匹配业务场景要求，如构建智算融合的基础设施保障高可用性，优化推理性能适配生产环境；可解释性层面，采用RAG技术强化上下文关联，限制生成式功能在关键环节的应用，实现输出可控；安全性层面，建立数据分级脱敏机制与访问权限控制，并部署输入校验与实时攻击监测系统。
同时需构建伦理治理体系，制定行业应用指南，明示AI生成内容属性，配合监管备案机制。应对挑战需形成"技术迭代+机构自律+生态协同"的三重防线：技术上强化工具链与监控体系，业务上建立风险分级应用策略，生态上联合政府、行业组织推动标准建设。华为等厂商正与头部金融机构共创解决方案，通过产品底座升级与行业方法论沉淀，助力大模型应用实现安全可控的价值释放。
大模型的“制胜关键”
陈冉：语料质量被星环科技CEO孙元浩称为大模型的“制胜关键”。星环科技在金融领域的数据治理和隐私保护上有哪些创新举措？如何应对数据偏见问题？
张晓明：大模型在金融行业落地面临三大核心挑战：数据安全、AI幻觉与价值观对齐。
当前解决方案，一是内置数据分类分级、脱敏加密机制：针对监管机构与金融机构的高敏感诉求，希望通过私有化部署保障数据本地管理，并内置数据分类分级、机制强化治理。技术层面，通过模型微调、参数调优缓解幻觉问题，但受限于概率模型本质，需在准确性与体验间寻找平衡点；价值观风险则依托行业协同，加入中国大语言模型数据联盟沉淀合规策略，在输入输出端部署可配置的"安全护栏"，结合大模型备案标准拦截有害内容。
二是“技术+生态”双轨制：技术侧以工程手段优化可控性，生态侧推动联盟共建过滤规则，但深层问题仍需依赖大模型底层算法透明化与行业标准迭代。
人机共舞：职业生态的进化论
陈冉：如何看待“AI取代人类岗位”的争议？如何平衡效率与人文关怀？新网银行目前在AI技术的落地情况以及未来发力的重点是哪些领域？
"替代-新生-普惠"
毛航：大模型对职业生态的影响呈现"替代-新生-普惠"的三阶路径：基础性、规则明确的岗位将被替代，但同步催生提示工程师、智能体开发等技术与业务融合的新岗位，推动"超级个体"崛起。
AI的普及重塑职场竞争逻辑——资深从业者凭借经验优势结合AI工具突破效率瓶颈，新人借力大模型快速弥补技能鸿沟，竞争维度转向"人机协同创新力"而非单纯技能熟练度。
技术扩散遵循"创新者-大众化"规律，如同智能手机的普及历程，初期存在适应门槛，但最终通过技术平权实现社会普惠。在国家政策引导下，AI能力将逐步封装为基础设施，既需要先锋群体构建技术底座，也将使更广泛人群以适配自身禀赋的方式受益，形成"专家建平台、大众用工具"的协同生态，而非制造技术垄断下的新型不平等。
人的价值不会消灭
柳元鑫：大模型技术应用将遵循"需求导向+能力互补"原则：针对数字鸿沟问题，未来必然催生适老化改造等定制服务，如同老年手机适配银发群体；参考制造业微笑曲线理论，AI虽能替代中游标准化环节，但人类在创新研发与客户服务两端仍具不可替代性。技术演进不会消灭人的价值，而是驱动个体聚焦创造力、同理心等核心优势，在微笑曲线的两端开辟更具价值的发展空间。
激活主观能动性
张晓明：AI技术引发的智能鸿沟本质是"正和博弈"：虽短期存在岗位替代风险，但通过社会补偿机制兜底，并借技术平权降低使用门槛，最终使多数人共享效率红利。职业更替遵循历史规律——旧岗位消亡伴随新岗位崛起，关键在于个体的技能迁移能力。技术革命推动社会总价值增长，如同电器普及重塑生活，AI终将融入日常场景，倒逼人类在动态变革中激活主观能动性，以终身学习应对"唯一不变的变化"。
金融机构的AI转型方程式
陈冉：如果生成式AI进一步渗透金融业，哪些岗位可能被重塑？星环科技如何帮助从业者适应变革？
张晓明：大模型将优先替代重复性操作岗位，同时以辅助工具形式重塑部分工作流；新生岗位则围绕技术平权展开，涵盖提示词工程师、微调工程师等新型技术岗位，以及具备"业务需求翻译"能力的复合型人才。职业重构的本质是重新定义人机协作界面——既需IT人员向AI工程能力升级，也倒逼业务侧提升需求抽象能力，最终形成"技术深水区创新+场景精准化落地"的双向进化路径。
战略激进VS战术保守
陈冉：最后请问三位嘉宾的看法，当前各家企业特别是金融机构在AI转型上需要“激进投入”还是“谨慎试水”？
生态级投入+渐进式创新
毛航：企业推进AI转型需兼顾战略定力与战术弹性：战略层面需坚定投入，覆盖技术基建、业务协同与生态整合，避免窄化为硬件采购；战术层面则需审慎试点，通过灰度发布、AB测试验证场景可行性，尤其在公共领域优先确保安全可控。核心策略是"战略激进、战术保守"——以生态级投入构建长期能力，以渐进式创新控制试错风险，最终通过业务-技术双向赋能实现平滑转型。
构建三大核心能力
柳元鑫：金融机构AI转型需平衡数字化基础与能力前瞻布局：数字原生机构依托既有数据资产可快速推进，而数字化薄弱的中小银行需优先补足数据基建短板。
但战略层面必须同步构建三大核心能力——数据治理与知识萃取体系、大小模型融合架构、提示工程与敏捷开发机制，通过场景试点形成"技术验证-能力沉淀-迭代优化"闭环。若仅聚焦短期试水而忽视能力体系建设，将错失AI时代核心竞争力，加剧与头部机构差距。
错位布局+坚定投入
张晓明：金融机构AI转型是"必答题"而非选择题，需分层级错位布局：证券业依托高素养技术人才率先突破，银行凭借规模优势后发赶超，保险业也开始启动探索，中小机构则需夯实数据基建。
战略层面须坚定投入构建长期能力，战术层面选择低风险场景渐进落地。核心路径是"战略定力+战术弹性"——既避免盲目跨越式发展导致基础不牢，又通过分层实践积累核心能力，在3-5年周期内完成数智化转型的不可逆进程。
来源：九卦金融圈