“我们推行全流程消保管理，目前，智能体已能完成约90%的消保审查任务，替代了部分过去需要三到五年经验员工才能完成的复杂劳动。”

“智能体的持续进化可归纳为数据飞轮、模型飞轮与场景飞轮的三轮协同。数据飞轮依赖增量学习、联邦学习、多方安全计算等技术实现持续增强；模型飞轮需通过监控评估与防漂移机制保障稳定性；场景飞轮则需与业务价值紧密挂钩。三者协同，方能支撑智能体的系统性迭代。”

“就像工业时代通过法律、仪表盘、方向盘和刹车来管理汽车风险一样，面对智能体这一新生事物，我们也应构建相应的体系来管控风险。”

1月10日，在“数智银行家2025年会暨新金融联盟九周年庆典”上，多位嘉宾在主题为“金融智能体生态建设与场景应用”的圆桌对话上表达了上述观点。

工商银行原首席技术官吕仲涛主持本场圆桌对话，邮储银行总工程师徐朝辉、()首席信息官唐家才、()行长助理兼首席信息执行官孙芳滔、杭州银行副行长兼首席信息官李炯参与交流。年会由四十人高级金融学院和新金融联盟主办。

以下为圆桌对话实录——

吕仲涛：当前，金融智能体应用正从单点工具向系统化平台演进，未来将构建起数据、算法、算力、场景的完整生态，推动向智能化、个性化和普惠化深度转型。在这一渐进过程中，智能体如何稳步推进，实现从辅助工具到业务核心的跨越？

由简单到复杂、由点到面渐进推进智能体应用落地

徐朝辉：关于智能体的推进路径，我从三方面阐述：

人工智能落地需通过智能体这一形式，将抽象技术转化为具体工程。这一过程通常遵循从简单到复杂、从点到面的渐进路径。以邮储银行为例，多数应用场景都呈现自然演进的特征，如同习惯的养成，需因势利导。

智能体推进可能涉及部门职责、岗位设置的调整，从而由技术工程问题上升为管理问题。核心是以人为本，通过制度优化、流程优化、组织架构调整及人员能力提升，协助整个组织平稳过渡到新的状态。

对于部分因年龄或适应能力暂时无法跟上变革的员工，可通过传帮带等方式逐步推进，确保不影响整体改革进程。

唐家才：智能体解决了什么问题？业界有一个通俗的比喻，大模型解决了大脑的思考问题，智能体解决了执行手脚的问题。

从行业成熟度来看，金融智能体正处于从L2（辅助驾驶）向L3（自主规划）的过渡阶段。智能体在业务中可扮演规划、数据获取、知识管理等不同角色。回到银行金融业务场景里，一个完整业务流程走完需要很多角色的参与，所以需要很多岗位执行各种动作，从另外一个维度看就会衍生出很多岗位智能体。

当前，人工智能在金融领域主要处理报告生成、营销文案等简单任务。如果要深度重塑业务流程，则需要将多种智能体组合应用，这对模型稳定性和输出准确性提出了更高要求，因此必然是一个逐步深化的应用过程。

孙芳滔：我结合平安银行的实践，分享一下智能体从简单到复杂，从点到面，从初级到高级演进需要把握的几个关键点。

作为应用机构，我们重点聚焦数据、算法与算力的有效结合。在算力上，关键在于提升使用效率；算法则主要依托开源资源。数据是核心，我们通过积累内外部数据与知识，结合通用算法进行训练，推动智能体逐步替代部分复杂人力劳动。

以消保领域为例，我们智能体的发展路径清晰地体现了这一渐进过程。最初，智能体作为投诉处理人员的助手，自动生成话术，帮助员工快速缓解客户情绪、解决问题。随后，开始协助管理人员撰写投诉报告，这涉及对制度和监管要求的理解，复杂度有所提升。进一步，智能体开始承担消保审查工作。我们推行全流程消保管理，强调从源头把控，比如审查营销话术、宣传材料是否合规，是否可能侵害消费者权益。这项工作既需要业务经验，也需熟悉消保专业知识。目前，智能体已能完成约90%的消保审查任务，替代了部分过去需要三到五年经验员工才能完成的复杂劳动。

去年下半年，为落实监管要求的溯源治理，我们利用大模型技术构建了一套分析系统，用于定位投诉源头并确定关键管控点，从根源上减少投诉或降低处理难度，分析效果甚至超越了传统的人工头脑风暴模式。

目前，平安银行已部署30多个消保智能体，这一实践也得到了监管方面的认可。此外，针对投诉量相对较多的现状，我们正在推进“易诉客户识别”智能体的开发。该应用完全依靠算法与数据进行分析预判，旨在实现提前干预与接触。这已完全超越了传统人工工作的范畴。

尽管智能体的准确率和成熟度仍在持续提升，但根据我们的实践，其进化速度远超过人的经验积累。核心在于持续积累数据与知识，并将其与通用算法有效结合、不断训练。这或许正是金融机构推动智能体实现从简单到复杂、从初级到高级、从点到面发展的关键所在。

李炯：人工智能带来了根本性变革，传统经验难以完全覆盖其发展需求。例如，在研发阶段，人工智能所需的资源投入已超过生产阶段，这颠覆了传统开发模式。此外，高并发场景下的异常处理、业务连续性保障等挑战，也要求我们从简单、可控的场景入手，逐步积累经验。只有通过小范围试点，才能为大规模应用奠定基础。

吕仲涛：感谢四位嘉宾从不同的视角谈了引入智能体的观察。综合来看，智能体发展可分为三个阶段：一是标准化简单智能体的快速推广，如智能客服与员工助手；二是形成智能体矩阵，在风险管控、客户投诉、信贷审批等关键节点实现协同应用；三是多智能体协同，实现复杂业务的前瞻预判与决策。在此过程中，需要注意与组织、人才及资源配置的匹配，以保障商业可持续性。

接下来探讨第二个话题：智能体如何通过持续学习实现迭代进化？

不断优化数据、算法、场景、流程，持续迭代智能体

徐朝辉：智能体的演化是一个系统工程，每家机构都需要重点把握数据、算法、场景与流程四大要素。

数据需要持续增强和更新。新的信息包括外部信息，需要不断引入。例如，我行在农村业务中，区分了“硬数据”和“软数据”。硬数据是传统信贷决策所依赖的企业资产、经营情况、财务报表等；软数据则超出了传统范围，虽然以往银行较少使用，但其重要性不容忽视。当然，上的信息更为庞杂，其中还可能存在虚假或“掺水”信息，这就涉及到安全问题。因此，数据的收集与治理是一项繁重且需要持续投入的任务。

算法和模型必须不断优化。从实践来看，行内使用的模型总量庞大，达到上万个。在大模型方面，我们基于开源或商用模型进行自训练和私有化部署。大模型的版本曾多达60多个，经过优化筛选，目前压缩至30多个版本，部署的实例有400到500个，具体数字是动态变化的，但总体而言，大模型加上传统小模型，总数大约在1.1万到1.2万个之间。这些算法和模型需要持续升级，并实施全生命周期管理。

我行将原来的数据治理委员会升级为“数据与模型治理委员会”，旨在对这两方面进行统筹管理。治理的一个关键工作是确保模型和数据既能形成闭环，又能保持开放，不断吸纳新元素，实现良性循环，并持续评估其业务价值。

模型要嵌入业务场景，场景本身也在不断迭代升级，流程更是如此。总之，智能体的持续迭代，是一个需要不断维护、增强和更新能力的过程，这需要投入大量精力，关注方方面面。目前，我们在技术层面已经对数据和模型实施了全生命周期的治理。

通过“后训练”，持续增强智能体与现实的匹配度

唐家才：从数据、模型、算法到流程场景，确实是一个持续迭代和升级的过程。换个视角，智能体的持续演进可以分为几个层面来看。

首先，单智能体的能力深化。要让单个智能体变得更“聪明”，或更贴合每家银行自身的实际情况，需要基于行内数据对模型进行适应性训练。有专家提到“预训练”，我可能有不同的看法。对银行机构而言，从头进行预训练的成本通常过高。我们更侧重于“后训练”，即通过微调或增强学习等方式，基于自身的数据让通用模型越来越了解银行的业务和特定需求，使智能体与实际情况越来越匹配。

其次，智能体的组合应用。当我们要解决更复杂、更高阶的问题时，单个智能体的能力往往不足，必然需要多个智能体协同工作，使整体能力得到增强。

最后，人与智能体的协作关系演进，即碳基员工与硅基智能体如何协同。我有个切身感受，手机上的智能助手已经能独立地完成任务。比如出差只需告诉它“查一下航班，选个合适时间订票”，它就能近乎完整地执行，只在关键决策点（比如是选8点还是9点的航班）需要我确认。这时，工作模式变成了“智能主导，人辅助决策”。我认为，类似的转变在也不会太遥远。

须将智能体研发工艺流程化、体系化

孙芳滔：我想结合自己的理解，用个比喻来谈谈这件事。

我们可以把智能体想象成一个需要持续学习的人。就像孩子在学校接受教育，首先要有课程内容。对智能体而言，核心是“喂”给它什么样的数据和知识。仅让AI学习银行内部的交易流水等数据，远远不够。要让智能体能够辅助，甚至超越和替代人的复杂劳动，必须结合更广泛的外部数据和知识工程。

第二，学习的效率，这就需要一个好的算力底座。我们横向对比过，金融机构的每个token成本通常远高于云厂商，这不仅仅是拥有多少张算力卡的问题，更在于每张卡的实际产出效率。就像学校里，学霸和普通学生的区别往往在于学习效率，单位时间内掌握的知识更多、更快。

第三，学习方法，对应到技术上就是算法的运用能力。一个学生可能智商不特别出众，但方法好成绩依然可以很好。这要求科技部门将智能体的研发工艺体系化、流程化，思考如何将智能体的研发嵌入到整体的应用研发链条中，形成一套有效的方法论，更好地将通用大模型算法与自身的具体需求深度融合。

第四，学习效果需要验证，这就必须参加考试、解题，也就是找到真实的应用场景。在平安内部，我们如何“解题”？核心是衡量智能体究竟为业务、管理、客户或员工带来了什么实质价值，是提升了效率、降低了成本、控制了风险，还是直接创造了收入？如果缺乏这些价值验证，就像学生只会学不会考，最终无法学以致用，也难以实现真正的应用突破。

数据质量将成为不同机构AI应用水平的分水岭

李炯：我简单补充三点看法。

第一，适配的组织架构。人工智能是一种革命性的力量。按照生产力与生产关系的逻辑，新的生产力需要匹配相应的生产关系。目前银行传统条块分割、层级沉积的组织模式，与人工智能这一新生产力的特点并不完全适配。我们尝试建立跨部门、多条线的综合敏捷组织架构，以期更好地发挥人工智能的特性，支持其快速迭代。

第二，高质量数据集。在算力、算法、数据这三个要素中，算力和算法可以通过采购或学习获得，而高质量的数据，最终将成为不同机构应用人工智能水平的分水岭与护城河。

第三，构建具有“飞轮效应”的业务场景。举个简单的例子：导航软件就是一个典型的飞轮场景，它的使用过程本身就在持续积累和反馈数据。如果我们能在金融业务中构建起这类场景，让数据的生产与回流形成闭环，将极大助力人工智能的持续迭代。

吕仲涛：根据我的观察，智能体的持续进化可归纳为数据飞轮、模型飞轮与场景飞轮的三轮协同。数据飞轮依赖增量学习、联邦学习、多方安全计算等技术实现持续增强；模型飞轮需通过监控评估与防漂移机制保障稳定性；场景飞轮则需与业务价值紧密挂钩。三者协同，方能支撑智能体的系统性迭代。

第三个议题是风险管控，如何确保智能体在算法、数据与基础设施全链条中的安全可控，真正从可用走向可信？

限定场景边界，管控大模型不可解释风险

徐朝辉：安全风险是一个全流程、端到端的系统性课题。当前我们面临的是“泛安全”概念。如果将模型能力衰减问题也纳入考量，这实际上属于更高层次的安全范畴。因此，在每一个环节上，我们都要同时应对传统安全和新型安全两类挑战。

比如，智能体作为软件而言，运行环境是否会受到攻击、是否存在漏洞，属于传统安全范畴。但新型安全风险则体现在各个环节，例如在数据层面，传统风险主要是泄露、非授权访问等，如今则出现了数据造假、注水甚至恶意伪造等问题。这些数据风险可能来自外部，也可能源于内部。

我的感受是，既不能完全相信人工智能，也不能完全信任人。银行的核心是经营风险，数据安全是首要防线，智能体的能力很大程度上构建于数据之上。例如，我行每日面临数万次人脸识别攻击，各银行普遍存在此类情况。我们的模型参数和策略需要频繁调整，有时甚至每十几分钟就要更新一次。模型本身或许不复杂，但关键取决于所掌握的数据质量与应对能力。一旦发现场景异常，必须立即调整，这说明其能力不仅依赖算法，更依赖于数据。而数据本身还存在其他多种风险。

模型层面的风险同样严峻。目前最突出的挑战来自大模型的“幻觉”问题，一本正经胡说八道，怎么处理？我们通过构建提示词库、问答对等方法来约束输出。更复杂的是涉及敏感内容（如涉政、涉恐、暴力、黄赌毒及意识形态等）的管控，需要建立不断扩大的敏感词库。例如，工行报备的提示词数量从去年的3万条增至当前的30万条，这项工作成本不低。对大模型的安全增强是首要任务，其次还需增强其业务能力。由于大模型知识更新快，仅靠微调难以满足需求，我们往往通过外部知识库、规则库等方式进行增强，而非直接改动模型参数。

小模型同样面临挑战，数据采集的变化，甚至发现新的关键特征，都可能需要训练新模型。大模型不可解释的问题值得关注。我们的做法是，不要试图打开大模型，而是自己想办法，比如业务功能增强、提示词优化等。即便做了这些，大模型的可解释性仍然很差，最近有进展，但还在探索。

怎么解决这个问题？我们做法是将大模型限定在特定场景和流程环节中使用，将其视为能力有边界、范围受控的资源。例如，限制单次会话的交互轮数，如果超过一定次数问题仍未解决，则判定业务过于复杂，需引入人工干预。这样既控制风险，也便于向监管解释。

场景本身的风险亦不容忽视。新场景上线后，可能一不小心出很多问题，比如营销活动被“薅羊毛”，导致巨额费用损失。关键在于及时记录场景数据，建立相应防控机制。对于自动化场景，必须保持持续监控，警惕新的风险动向。

总之，新旧风险交织并存，我们在解决新问题的同时，仍需关注传统风险。最终衡量标准是：如果一个场景创造的收益高于其带来的风险，那么这个场景及对应的智能体就是有价值的，相应的治理与能力提升工作就应持续下去。

风险管控需紧抓“入口”与“出口”

唐家才：面对AI技术，我们真的是“又爱又恨”。“爱”的是它确实能大幅提升生产效率、带来变革性影响；“恨”的则是其衍生风险远高于传统软件应用。传统软件经过几十年发展，已形成相对成熟的管理体系，而AI目前仍存在诸多尚未完全明晰的领域。

我补充一个很典型的场景，比如私有化部署开源模型，如果模型不联网，其知识便停留在部署时点，成为静态资源；而一旦联网，又需面对安全挑战。如果模型进一步通过增强学习或微调训练注入行内知识，如何确保这些知识不泄露，都是非常现实的问题。

我再补充两个视角：

第一，风险管控需紧抓“入口”与“出口”。入口端必须确保数据质量，避免“垃圾进、垃圾出”；出口端则要依托拦截词库、护栏技术等手段，不断强化输出内容的合规性、严谨性与安全性。

第二，智能体的职责应清晰细化。大模型存在“幻觉”问题，多次交互后可靠性可能急剧下降。如果将智能体拆分为更精准的角色，就能有效提升整体系统的可行性与稳定性。

此外，怎么保证单智能体输出的结果，我们还可构建“AI校验AI”的机制。例如，针对生成消保报告的智能体，可另设一个专责智能体，基于消保相关法律法规对其输出结果进行复核与校正。通过这种“机器管机器”的方式，形成第二道防线，进一步提升智能体输出的可靠性。

保证智能体输出结果质量，要发挥“人”的作用

孙芳滔：我简单谈两点。

首先，平安银行在智能体的研发与应用上，目前仍处于“可用性优先、可信性建设初步起步”的阶段。要实现从可用到可信的跨越，我们认为最关键的实际问题在于数据来源的统一与标准化。举个例子，我们在处理催收业务分析时发现，同一指标在不同系统中命名不一、格式各异。比如某系统表头标注为百分比，但数值却以整数形式呈现（如显示“4”而非“4%”）。这类数据对人而言易于理解，但机器无法自动识别其真实含义，从而导致输出结果出现严重偏差，这不是“幻觉”，而是实质性错误。因此，我们正推动全行层面的数据再治理工程，让所有数据都能被机器准确、无歧义地识别与使用。这项工作规模庞大，但至关重要。

其次，关于智能体输出结果的验证问题，还是要发挥“人”的作用。以消保领域的“易诉客户识别”为例，即便其算法过程如同黑箱、难以解释，但它的输出结果是否合理，经验丰富的业务人员是可以判断的。如果出现无法解释的情况，我们再介入分析和调整。至于内容安全方面，如涉黄涉恐等问题，大模型本身已设有多道围栏机制，这也为我们应用方减轻了不少负担。

强化实时监控，建立兜底机制

李炯：大模型背后的人工智能是革命力量，如同工业革命。我们可以将汽车看成是工业革命时代的“智能体”。汽车出现带来很多便利，也带来了巨大的风险。汽车的风险是如何管控的？可以总结为四个方面。

第一，建立有法律法规。汽车出现后，马车的法律法规就不适配了，必须出台汽车的法律法规，以明确责任与权利。

第二，强化实时监控。马车没有仪表盘，汽车得有，要管控风险，就得知道它跑了多少。智能体跟传统应用不一样，智能体受并发等问题影响而波动。因此，监控尤其重要，我们必须知道它在做什么。

第三，明确最终控制权。马车有缰绳，汽车有方向盘。在相关法规尚未健全之前，方向盘的掌控权必须保留在人的手中。

第四个，设置可靠的刹车机制。刹车的设计必须与汽车的动力匹配，否则极易失控。我们在构建智能体的同时，也必须考虑出现问题时的兜底方案。

总之，就像工业时代通过法律、仪表盘、方向盘和刹车来管理汽车风险一样，面对智能体这一新生事物，我们也应构建相应的体系来管控风险。

吕仲涛：刚才四位嘉宾从不同维度深入探讨了智能体全生命周期的安全问题。正如大家所言，当前智能体与人工智能发展迅猛，与之相伴的安全隐患也始终存在，但是行业并未因此停滞。

我补充两点。首先，风险是消灭不了的，我们都是在控制风险而不是消灭风险。要增强消费者和监管机构的信心，需要重点做好两件事。第一，建立可信治理体系，通过覆盖全生命周期的组织、技术和流程保障，形成一套治理体系，让让各级管理人员了解它是怎么在运作的，存在哪些客观风险。第二，推动信息披露规范化，通过比较合适的信披方式，让消费者建立信任，表明流程和管理方法不“黑箱”，即便模型可能存在部分“黑箱”，也能通过规范披露建立信任基础，实现风险可知可控。

其次，从监管视角看，沙箱创新机制一直有，但并没有真正发挥可信的作用。不通过沙箱让大家知道运作情况，沙箱就没有作为前提可信机制发挥作用。

最后提一个简单问题也是最难的问题，人机如何协同？正如嘉宾所言，智能体虽具一定替代性，但无法完全取代人。未来人机协同共生是必然趋势。那么，我们的组织与人才体系应如何变革以适应这一趋势？

人机共生是大趋势

李炯：人工智能中，“人工”仍是基础。正如前面所说，具备自我学习能力的自动化过程才是人工智能的核心。怎么协调？就跟刚才说的，虽然会有车祸，造成的损失比马车大得多，我们还得开。

第二个，关于人工智能是否取代人力的问题，我想一句话说这个事，人工智能不可能简简单单替代人的工作，它会替代那些简简单单的工作。

孙芳滔：人工智能将根本性改变未来金融机构的组织形态和价值实现方式，这是必然趋势。关键问题在于我们如何迈向这一未来，以及需要为此做好哪些准备。

从现阶段来看，作为科技负责人，我们首先推动科技部门进行人力与能力结构的调整和优化。比如，我们要推进“腾笼换鸟”，不是简单把人赶走，而是通过赋能转型，提升员工能力，使具备AI与大数据技能的专业人才比例不断提高。怎么腾？要系统规划传统研发人员的能力提升路径，并借助智能体应用（如代码自动生成，目前占比已从个位数提升至30%以上）为人才结构升级创造基础。

更进一步，整个银行的运营模式也将面临深刻变革。正如“分身有术”这一传统智慧所喻示，人工智能将重塑人机协作关系。为此，金融机构必须将AI上升为“一把手工程”，将其作为全行战略升级的核心驱动力，从而推动运营模式、管理模式和资源配置模式的全面转型。这一进程可能会比预期更快。我们要思考为这一天到来我能做什么，以及这一天到来时，我还能做什么。

唐家才：虽然金融业务领域有合规的要求，可能变革没那么快，但我相信这一天很快就会到来。时间虽无法精确预测，但未来一到两年内，这场变革必将到来。

徐朝辉：据我观察，人工智能真正用起来后，替代是不可避免的。举个例子，财务报账、简单营销与催收等场景，引入机器人后已大幅减少人工操作。在我们行，相关岗位已基本整合或分流。

第二种情况是人工智能为员工赋能，在智能体与模型的辅助下，员工效率普遍提升，这是一种积极的人机协同模式。

第三种则是在更高层面上驾驭人工智能，包括提炼业务知识、优化数据与模型，以及进行智能体集成等工作，这对人才提出了更高要求。

随着这些变化，组织架构、部门职能与岗位设置也需相应调整，并催生出新的职业方向。例如，数据标注已被教育部列为本科专业，成为新兴岗位；在银行业，也出现了熟悉业务并理解智能体能力的场景落地岗位，尤其在服务县域、乡村的网点中，这类角色对邮储这样定位于“三农”普惠的银行尤为重要

在这个过程中，领导重视是第一位的。其次，必须坚持以人为本，关爱员工，为他们创造学习与转型的机会，帮助他们驾驭技术而非被技术淘汰。

吕仲涛：从企业业务提升看，人机协同价值创造是一个方面。另一方面，我们也必须认识到，不仅是金融行业，全球各行业都面临同样的问题：随着技术进步，许多职业与岗位的人员转型已成为不可回避的命题。转型并非易事，对需要转型的员工而言，这一过程可能伴随困难甚至阵痛。如何做好相应的引导和支持，是企业组织者必须认真思考的问题。我们不能仅从效率和价值的角度出发，而应始终秉持以人为本的理念，毕竟技术最终是为人服务的。