先说一个最近常见的画面：投行的人用智能体跑可比公司分析，信贷经理用它做尽调材料汇编，保险团队长用它盯续保率，合规岗用它自动生成报送报告。工具和场景之间正在快速配对，但配对错了的情况比想象中多——买了能跑全流程的智能体，却只用来查数据；或者拿一个查数型工具去扛核心业务，最后卡在合规那一关。

这背后是同一个问题：金融业的活儿种类太多，智能体的形态也太多，两者怎么配才对。把公开材料、厂商案例和监管要求放在一起核对了一遍，整理出一个场景和智能体的配对框架，以及一套能直接用的评估清单。

一、先看金融业哪些活儿正在被接手

智能体在金融业落地，不是均匀铺开的，而是集中在"高频、规则相对明确、错误代价可控"的活儿上。按业务线拆，大致是六类场景：

投行与投研——查公告、比公司、做可比分析、更新模型、生成初稿。这类活儿的特点是材料多、口径杂、时间紧，一个项目动辄要看几十份 PDF。智能体在这里的价值主要是"把材料拉齐 + 标注异常点"，判断部分仍然靠人。

实际用起来，时间分布大致是：找数据占 20%、核口径占 15%、做模型占 25%、画图做表占 10%，剩下 30% 才是真正的分析判断。前 70% 每件都不难，但把注意力切得很碎——智能体接手的正是这部分。

信贷与风控——对公尽调要查企业、看财报、核工商、翻公告、找风险；零售信贷要核收入、查征信、比对黑名单。这类场景的共同点是步骤多、系统多、单笔金额差异大，从几万到几千万不等，所以智能体能走多深，取决于单笔错了的代价有多大。

一笔对公贷款从立项到放款，平均要接触 8—12 个系统（工商、税务、征信、财报、合同、押品、风控、审批、放款），每个系统都要查、要录、要核。流程一长，注意力就从"这笔贷款该不该放"变成"别漏了某一步"——智能体最该接的就是这种流程性消耗。

保险理赔——查保单、核责任、算赔付、做欺诈筛查。这是目前跑得最顺的场景之一，因为小额理赔天然符合"高频、规则明确、错误代价可控"三个条件。

理赔场景还有个特点值得单说：它可以按金额分档设定自动化程度。500 澳元以下全自动、500—5000 澳元智能体初审加人工抽检、5000 澳元以上全流程人工——这种分档设计让机构能在"效率"和"风险"之间找到平衡点，而不必在全自动和全人工之间二选一。这也是为什么理赔能成为少数几个真正跑到决策辅助档的场景。

财富与客服——答产品问题、调行情、做资产配置说明、生成客户沟通材料。这类场景直面客户，出错会直接引发投诉，所以对输出准确性和留痕的要求最高。

合规与报送——自动生成合规报告、监测交易异常、整理监管报送材料。这类活儿规则最明确但更新最频繁，智能体的价值在于"把规则变化快速同步到执行层"。

内部运营——会议纪要、材料摘要、代码辅助、知识库问答。这类场景风险最低，也是大部分机构智能体落地的第一站。

六类场景的风险等级、错误代价、监管强度完全不同，这决定了它们该配的智能体形态也不一样。

二、智能体的三种形态，能力边界差在哪

市面上的金融智能体，按能力边界可以分成三种形态。这个分类比按厂商分更有用，因为同一家厂商的产品往往横跨两种形态，而不同形态的适配场景完全不同。

查数型——接数据源，回答"是什么"。典型能力是调行情、查财报、比公司、筛 ETF、做财务对比。使用者一句话就能拿到结构化答案。这类智能体的优点是上手快、反馈短，缺点是只解决单点查询，跑不了完整流程。

国内这条线上主要是百度和字节：百度的"库库 AI"依托百度文库、学术、网盘里的内容和文件，内置上市公司、行情、财报、研报；字节的扣子则把券商能力拆成技能，接入华泰、广发、国信证券，其中广发一家就上了 8 项——财务对比、龙虎榜、ETF 筛选、基金定投，使用者一句话就能调行情、比公司、筛 ETF。海外对应的做法是把通用助手接上 FactSet、S&P Capital IQ、MSCI 这类专业数据源。

流程型——接业务系统，完成"做一遍"。典型能力是材料收集、字段抽取、交叉核对、生成初稿、跑完一整套尽调或理赔流程。这类智能体要连接多个内部系统，涉及数据出域、权限管控、执行隔离等问题，所以能不能进生产环境，取决于它的合规能力而不是它的聪明程度。

这条线上最具代表性的是腾讯 WorkBuddy 金融版——9 月 3 日上线，面向银行、券商、保险推出 80 多个金融专家，主打四道防线：数据不出域、权限管控、执行隔离、全程审计。它已落地中金公司、国投证券、平安银行、中国太平等 100 多家金融机构，覆盖公司金融、零售金融、投研投顾、个客经营四大工作台。四道防线这个设计很能说明问题：它卖的不是"能力更强"，是"合规审查能过"。

决策辅助型——接模型与规则，回答"该不该"。典型能力是给出授信建议、风险评级、赔付结论。这类是监管关注的重中之重，因为它直接触及"决策权归谁"这个核心问题。目前监管对信贷审批、核保理赔这类核心场景的定位是"稳妥探索"，不是全面自动化替代人工。

能做到这一档的玩家最少，走的多是全栈金融级路线：阿里云点金把可信数据、行业技能、沙箱隔离、权限管控、审计追溯集成在一个平台，底层是"芯云模智"一整套——平头哥真武 AI 芯片在金融行业部署超 10 万卡、服务超 150 家客户，千问大模型从"理解"走向"行动"，点金在其上承载岗位逻辑、合规审计和长程任务执行，盈米基金已率先用上它的长期记忆和沙箱能力；蚂蚁数科 Agentar拿到信通院可信 AI 智能体最高等级评级，服务数百家金融机构——有银行用它做信贷审批辅助，有券商让它自动生成合规报告。

三种形态不是替代关系，是叠加关系。一个成熟的金融智能体部署，往往是从查数型起步，验证价值后再往流程型延伸，决策辅助型则始终保留人工确认环节。

把三种形态的能力边界说细一点，差别主要在三个地方：接的是什么系统（数据源 / 业务系统 / 模型与规则）、输出的是什么（答案 / 半成品 / 建议）、出错后的影响范围（单点错误 / 流程传导 / 直接影响客户权益）。第三个差别最关键，它决定了这个形态需要多强的合规配套。

三、场景 × 智能体：怎么配才对

把六类场景和三种形态交叉，配对关系大致是这样：

这张表能解释几个常见现象：

为什么理赔跑得最快——因为小额理赔同时满足"高频、规则明确、错误代价可控"，是唯一一个可以大范围跑到决策辅助档的场景。安联保险在澳大利亚的 Project Nemo 是个典型：自然灾害后的小额理赔（500 澳元以下）从几天压缩到一天甚至几小时，七个专门智能体协同完成覆盖检查、天气核验、欺诈筛查、赔付测算、审计总结，人只做最后的赔付决策。

为什么信贷推进最慢——因为单笔金额大、监管强度高、追责链条长。同样是流程型智能体，用在理赔可以快速铺开，用在信贷则要过风险管理委员会批准。

为什么很多机构"买了用不起来"——多数是配错了。用查数型去扛信贷全流程（能力不够），或者用流程型只做查数（浪费且操作繁琐），都会得出"智能体不好用"的错误结论。

四、结合使用的关键：人机分工那一刀切在哪

场景和形态配对之后，剩下最关键的一步是划人机边界。这一刀切在哪，决定了项目能不能过合规、能不能长期跑。

监管的思路已经很明确。今年 6 月，国家金融监督管理总局首次在正式文件中提出"金融智能体"概念，四大原则的第一条是"谁使用谁负责"。这句话可以拆成三层理解：

• 机构主体责任不转移：谁把智能体部署进业务流程，谁就是第一责任人，不能用"这是 AI 做的"当合规挡箭牌
• 流程设计责任不消失：智能体执行到哪一步、哪里需要人工介入，这套边界是机构自己设计的，设计有漏洞责任在设计方
• 具体岗位责任不模糊：审核人员是认真复核还是直接点通过，这个选择是人做的，不能用"AI 建议的"模糊自己的失职

落到操作层面，上线前要划清四道边界：

权限边界——能调用哪些系统、访问什么数据、执行到哪一步，上线前白纸黑字定死，不能等出事再讨论"它怎么有这个权限"。人工接口——涉及资金、合规、客户重大权益的操作，必须留能否决、能修改、能回退的确认环节，这个确认不是走形式。异常升级——遇到不确定情况走什么路径、谁来接手、多久响应。责任划分——出错后沿着"谁部署、谁授权、谁确认"这条链回溯，链条不能断。

配套的组织保障是"三道防线"：业务和技术部门是第一道（日常运营与基础风控），风险合规和独立模型验证是第二道（盯模型有没有跑偏），内部审计和董事会是第三道（定期复盘、兜底问责）。

这里有个容易被忽略的判断标准：智能体的"一致性"不等于"正确性"。它连续一百次判断都可能符合历史规律，但第一百零一次遇到黑天鹅，照样会按惯性出牌。所以边界不是"等它错了再划"，是"上线前就必须划"。

五、落地实测：五步场景评估清单

框架说完，落到可用层面。要给某个具体场景配智能体，可以照下面五步走。

第一步，给场景定风险档。 先回答两个问题：单笔错了代价多大？会不会直接影响客户权益？两个都是"低"的（如内部运营、小额理赔）可以大胆试；有一个是"高"的（如对公信贷、财富客服）必须先划边界再上。

第二步，选形态不选品牌。 按需查询选查数型，按跑流程选流程型，需要建议选决策辅助型。先把形态定下来，再去比较同形态的产品，比反过来选省事得多。

第三步，问四项合规能力。 数据能不能不出域、权限粒度到什么程度、过程能不能留痕、审计日志能不能被监管直接调取。这四项是产品自带还是要集成商补，直接决定了隐性成本——后者往往比 License 本身贵。

问的时候要注意话术陷阱："支持私有化部署"和"默认私有化部署"是两回事，"提供审计日志"和"审计日志可被监管直接调取"也是两回事。前者是能力，后者是默认配置，采购时差出来的工程量可能比软件费还高。

第四步，划人机分工那一刀。 按前面四道边界逐项写清楚，尤其是"哪些操作必须人工确认"和"异常走什么升级路径"。这一步写不出来的，先别上线。

写的时候有个实用技巧：把边界写成一份"能做 / 需确认 / 禁止"三栏清单，而不是一段文字描述。三栏清单的好处是可以直接嵌进系统权限配置，也能直接拿给合规岗看——文字描述过得了自己这关，过不了合规那关。

第五步，小场景实测两周。 挑该场景里"高频、小额、规则明确"的一小段跑，比如理赔初审、公告摘要、财务字段抽取。跑通了再往核心业务推，不要一上来全量铺开。

实测阶段要盯三个指标：准确率（错了多少条）、拦截率（人工拦下了多少条本该自动通过的）、异常升级率（多少条走到人工接管）。第一个指标看能力，后两个看边界划得对不对——如果拦截率过高，说明智能体的自主范围设得太大；如果异常升级率过高，说明它遇到的不确定情况超出了设计预期，需要回去调场景范围。

五步走完，任何场景配智能体都能有一个相对靠谱的判断。这套清单不复杂，但能避开大部分"演示很惊艳、上线就翻车"的坑。

六、哪些场景会先跑通：三点判断

最后是关于推进顺序的判断，供参考。

第一，理赔和内部运营会最先跑通。 前者天然符合高频小额规则明确，后者风险最低。这两块是验证价值、积累经验的安全区。

第二，投研和合规会稳步推进但不会自动化到底。 这两块的活儿碎、材料多，智能体价值明显；但结论涉及判断和监管责任，最终会稳定在"智能体做前段、人做判断"这个分工上。

第三，信贷和财富会最慢，且长期保留人工环节。 因为单笔金额大、直接影响客户权益、追责链条长。这不是技术问题，是责任主体不能转移这个原则决定的——只要 AI 不能当被告，最终决策权就必须在人手里。

把三条合起来看，其实是一条主线：自动化程度的上限，由"出错后谁兜底"决定，而不是由"模型有多聪明"决定。理赔能自动是因为小额错了机构赔得起；信贷不能自动是因为大额错了没人赔得起。理解这一点，就能理解为什么有些场景推得动、有些推不动，也能避免把预算花在注定推不动的地方。

海外也在给这条主线定价。金融 AI 公司 Rogo 的估值一年之内从 3.5 亿美元涨到约 20 亿美元，服务的金融专业人士超过 4 万人——它卖的不是模型，是"把模型接进金融工作流"的那一层。同样是"结合使用"，谁把场景吃得更透、把责任链条理得更顺，谁就先拿到溢价。

对金融从业者来说，真正要关心的不是哪家产品更聪明，而是自己这个场景该配哪种形态、人机那一刀切在哪、四条边界能不能给出确定答案。把这三件事想清楚，比追着发布会跑有用得多。

关于 AIFA（AI金融分析师）认证

想把"识别场景需求、选对 AI 工具形态、设计人机分工、验证输出可信度"这套能力系统练一遍，可以看 AIFA（AI金融分析师）认证。这套认证把多源数据核对、AI 输出的人工复核、金融场景下的可信度评估拆成可考核的能力点，适合金融从业者把"用 AI 干活"从凭感觉推到有章法。

欢迎前往 AIFA 金融分析讨论区 学习了解。