“加速金融行业基于AI原生的智能重构”是一句很绕的话，在大约十年前提出“数字原生”的时代，喊出的口号是要么成为数字原生的企业，要么转型为数字化的企业，经过近几年的验证，没有数字化的企业大部分已经消亡。简单来说靠天吃饭已经被淘汰，再小的经营也需要数据支撑。小的制造业工厂可以通过淘宝、京东、拼多多不同的平台测试出自身产品更加适合哪个群体；小的餐馆通过现场和外卖收入确定自身发展方向；抖音上关于城市的热点可以给当地做小生意的人提前做个预热准备。回过来看金融行业是一样的，经营无分大小，基础原理相同，工具越来越好用，就可以带来营销增长、成本下降、开拓新领域的多维效果。数字原生悄然退去，AI原生逐步崛起，一方面从业人员的接受度普遍提高，带来转型的时间相比之前的技术转型快很多；另一方面，AI大模型把数字化时代想做，但欠缺火候的事情都给玩转起来。有一些见效的数据可做参考：
1代发客群运营：AUM提升、流失率降低、活跃度+5%。
2断点营销：召回率20%、转化率+20%、流失率-10%。
3达标有奖活动：AUM+7%、手机银行活跃度+18%。
4消费贷促支：支用率+5%、新增贷款余额亿级。
5理财意向预测：转化提升3.5倍、建模周期从2-4周缩至2-3天。
6实时营销：大额入金/机票消费/内容订阅实时触达。
7策略智能沉淀：算法驱动规律总结、客群放大、效果预测。
8能力赋能：模板沉淀+专家团队培养种子骨干。
1.1 原生理解的挑战
首先明确个解释，这里讲的AI原生并不是推翻做技术重构，而是与AI赋能给各个应用的方式做对比，强调的是做AI原生的业务应用。
1）在已有基础上对业务应用AI大模型赋能，只能解决短期问题，使用年限1-2年。这块不是技术问题，更多是业务理解和使用习惯的培养。举个例子：现在到银行办理业务的人少了，到银行现场去找窗口的人办业务少了，主要个人业务要么APP、小程序处理，要么到柜员机上自助处理；那么，传统的升级做法是给APP、柜员机赋能AI大模型能力，让其办理效率更快、用户使用更加便捷；AI原生的方式是分析此用户的行为，建立其独有的自动化、推送式服务。
2）市场对用户的教育周期，从发展看这个时间会非常短。人们从手动开关灯、开电器，转变为全屋智能、语音控制、远程开关，也不过短短一两年的时间，那么，金融行业实际上留给金融企业自身消化的时间很有限，别纠结做个跟随者，能赶上就好。
3）从用户需求来看，随着数字原生代成为主流客群和数字化渗透率的持续提升，用户对金融服务的期望发生了根本性转变。尤其是实力雄厚的人群，人家肯定会问的：“现在买个票、订个餐，手机都可以自动处理，还有多种预案，为啥银行的小程序不能懂我呢？”、“辅助有啥用？能辅助干的事情找个秘书就成了，就是需要自己做的要省心、安全、简单，只有自己知道”。
AI大模型在客服、产品推荐等场景的应用，显著提升了客户满意度与忠诚度。AI大模型能够理解用户特定场景下的金融需求，并提供恰如其分的支持。例如，当用户表达"想给自己买养老金"的需求时，AI能在几秒内生成相关方案。
1.2 算力优化的挑战
金融客户对金融行业大模型的关注在不同时期聚焦在不同领域，关注重心经历了算力基础设施、模型训练平台、模型参数规模、提示词工程、知识工程以及智能体运营等阶段，目前金融机构开始关注大模型数据标准、安全体系以及投入产出策略，在落地过程中面临着诸如算力难调用、数据飞轮难打造、模型与场景难适配、智能体与业务难以深度关联、安全合规体系不完善、ROI难衡量、人才难匹配等挑战。
异构算力管理复杂，算力调度缺乏灵活性
算力、模型作为数字时代新的操作系统、基础设施普惠化和平权化，面向AI原生应用的算力应用要求算力管理动态化适应不断变化业务场景需求、智能体和模型技术持续演化。因此对于银行典型AI应用开发、大模型训练开发、AI模型统一管理部门，需要构建兼容能力强、具备技术领先的大模型训推加速云原生机制的异构算力管理平台。随着大模型应用的展开，异构算力环境下管理复杂度剧增。
一是异构AI框架之间存在技术壁垒，模型在不同框架间迁移转换时，需攻克兼容性问题并重新调试参数，转换成本居高不下；
二是早期银行采用算力卡单卡独占的使用模式，当训练或运行的模型规模较小时，单卡算力无法被充分利用，算力资源浪费明显；
三是千亿模型集中式部署的使用会带来高昂算力的使用，PD分离分布式成为千亿模型运用的最优方案。
1.3 数据价值的挑战
l高质量数据价值难以挖掘
金融行业积累了大量具备高准确性、完整性与时效性的优质数据集，但在面向大模型落地应用时，其价值释放仍面临显著挑战。
一方面，金融领域的高质量数据包含大量非结构化数据（如信贷申请材料、理赔影像、票据图片、客服通话录音等），这些数据因场景高度碎片化，需经复杂预处理（如OCR/ASR转写、实体对齐）才能构建统一语义表示，导致大模型训练与调优效率显著低于通用数据；
另一方面，数据安全与隐私约束下的流通壁垒也限制了数据的共享和流通，这使得部分高质量数据无法在大模型的生态系统中得到充分地利用。因此，高质量数据的挖掘受限于数据处理难度与数据安全约束，导致其难以转化为支撑大模型应用的关键资源。
l数据飞轮尚未形成
数据的采集、清洗、标注、回流及模型再训练需依赖强健的数据管道与算力支撑，然而当前多数机构仍存在高人工参与度问题，导致反馈迟滞，难以实现敏捷迭代。尽管金融机构已建立数据安全策略并开展验证性实践，但因数据合规要求（如未授权数据、金融安全数据与隐私数据需“数据不出域”管控），大模型在调用金融数据时面临多级隔离限制，致使“数据→模型→业务→数据”的飞轮效应难以运转。
1.4 复杂业务的挑战
l通用模型难以满足复杂金融业务的应用需求
通用模型缺乏对于金融业务的深度沉淀。金融业务对精确性的要求远大于通用模型的“概率性输出”。金融业务流程复杂，专业性较强，业务逻辑差异较大（信贷审批需要多系统跳转、银行风控与保险核保），金融业务的强专业属性超出了大模型的逻辑推理边界。因此模型并非缺乏金融知识，而是天然缺乏深度的金融业务沉淀能力，即需要充分掌握金融业务之间的关联，也需要明确金融细分领域的特有规则，这直接提升了通用模型应对复杂金融业务场景的难度。
l智能体难以穿透金融系统的业务流程、运营复杂度高
智能体工作流与金融业务流程难以对接。智能体的核心优势在于打破系统壁垒，实现跨系统、跨数据、跨部门的业务流程整合与优化。然而，真正要发挥这一优势，就必须深度嵌入金融业务链条，对业务环节的先后逻辑、数据触发条件、风险监控点有高度地掌握。现有智能体对金融业务（信贷、风控、支付结算、理财、核保核赔等）的细粒度环节、行业特有规则、监管要求等缺乏组件调用能力，在嵌入业务工作流的设计能力上仍显不足。
智能体运营复杂度较高。智能体的有效运行不仅依赖于稳定的模型性能，还依赖于运营人员具备多维度能力包括AI算法基础、工具调用与协同编排以及对金融业务的理解等。这要求运营团队不仅能掌握智能体调用与编排技术，还能将算法结果与业务目标对齐，包括对数据断点、模型偏差、任务中断等问题及时反馈与修正，复杂度较高。
1.5 安全体系的挑战
模型安全能力仍需加强。大模型在幻觉输出、黑盒不可解释性、版本漏洞与对抗攻击等方面仍存在显著风险，直接影响金融业务的稳定性、客户信息安全和系统性风险防控。当前亟待构建覆盖模型全生命周期的安全标准体系，并依托监管推动其强制落地，以实现更系统、可监督的安全治理。
数据安全能力亟需强化。数据是金融机构构建业务差异化优势的核心资产，也是大模型应用与训练的基础。然而，业务数据需严格存储在行内系统、不可出境，这一要求与数据驱动创新的诉求形成内在张力。数据安全与业务竞争力实则为相互制约、又需协同推进的双重目标。在这一背景下，金融机构必须构建覆盖数据全生命周期的安全体系，建立完善可溯源、可审计的数据治理机制，涵盖采集、加密传输、存储管理、敏感信息分级、权限控制及操作日志审计等环节。尤其在保障交易数据的强一致性、实现信贷数据的穿透式验证，以及维持舆情数据的高时效性方面，需构建闭环式治理框架，在安全可控的前提下最大化数据价值，支撑业务差异化竞争。
内容安全能力持续加固。金融领域中，模型生成的文本、代码、决策逻辑链等输出直接关联信贷审批、风险定价等核心业务，当前金融机构需围绕：内生安全设计、动态对抗演练、长推理链的可信性验证等方面进行加固，以降低业务决策偏差风险。
应用安全能力需要深化。机构需要建立与金融业务强绑定的模型安全管理细则，包括：风控领域（利率/汇率/业务合规）、展业场景（保险/理财/交易反欺诈等）、会计审计等关键环节，实施根据业务场景流程设计的模型调用鉴权机制。
行业标准深度适配仍需加强。除了满足大模型通用安全规范之外，还要深度适配金融行业数据不出域、高实时性以及金融合规的行业三大刚性要求，目前大模型与金融核心业务融合深度不足，尤其是对于风控类场景，需要提升模型与金融行业的深度适配能力。
1.6 模型评估的挑战
模型应用效果难以评估，金融机构对大模型的长期价值尚存顾虑
大模型应用效果难以量化。大模型落地具有长期性与滞后性，金融机构对大模型的投入多为战略性布局，前期需要承担高成本，但直接回报（如新业务带来的营收增长）与间接回报（如运营效率提升、风险降低、用户体验优化）多体现在业务侧，而业务的多样性导致大模型的应用边界较为模糊，因此难以形成统一的测算模型。
长期价值的不确定性加剧了金融机构的顾虑。大模型技术更新迭代快、监管环境变化频繁，使得大模型的长期投入面临被替代或被约束的风险。对于资本敏感、风险偏好较低的金融机构而言，如果短期回报不显著，长期收益又缺乏确定性，便容易产生观望甚至保守的投资态度。
1.7 业技人才的挑战
业-技融合的敏捷组织尚未成熟，复合型人才稀缺
金融机构在推进大模型技术落地的过程中，除了面对技术攻坚与业务效果显性化等挑战之外，同时面临着深刻的组织与人才瓶颈。一方面，业务团队与技术团队之间仍存在着难以弥合的“理解壁垒”，业务部门作为最终使用方，更关注技术能否直接解决具体业务痛点，比如提升信贷审批效率或优化客户服务体验，他们通常以投资回报率和合规要求作为核心评估标准，期望获得立竿见影的科技赋能效果。而科技部门则更注重技术实现的可行性和系统兼容性，需要权衡算力成本、数据质量以及与传统系统的整合难度等。这种思维方式的差异导致双方在需求优先级上难以达成一致，业务部门可能低估数据治理、知识建设等基础工作的复杂性，科技部门则容易陷入技术完美主义的陷阱。更复杂的是，虽然业务部门掌握着验收决策权与评估权，但技术投入往往由科技预算承担，这种状况下，很容易出现“各说各话、各讲各事”的现象，而导致大模型场景用例的实际落地效果不如预期。
此外，人才短缺的问题更为突出，既深谙金融业务逻辑又精通人工智能技术的复合型人才在行业内凤毛麟角，且现有的培养体系难以在短时间内填补这一人才缺口，导致金融机构在大模型应用上陷入“有技术无场景”或“有场景无技术”的两难境地。组织架构的固化与人才储备的不足，共同构成了制约金融机构智能化转型的隐性壁垒。
根据IDC观察，金融行业大模型（token）调用量较大的场景主要集中对话交互类和内部运营类场景。例如，智能客服（如信用卡业务咨询、理财产品咨询）、智能投研，以及内部运营助手（如内部知识库问答、政策制度查询、智能陪练助手）等场景，这类场景对数据隐私及安全合规要求较低，且具有高频交互、数据密集型等特点。
通用场景与专精场景对模型的能力要求、落地重点等方面的差异较大。通用场景的定位更加偏重非决策与辅助类业务，对金融知识的专业要求与模型精调需求相对较低，落地重点是工具链轻量化部署，适用于金融通用大模型；专精场景的定位更加偏重决策与高价值类业务，需要深度理解金融业务逻辑，落地重点是可解释性提升与智能体调用，适用于金融专精模型。
金融行业大模型的业务场景落地已成为行业智能化转型的关键里程碑。在2023-2024年试点期，大模型多聚焦于单点场景技术验证，尚未形成规模化业务价值突破；伴随技术迭代与场景深化，当前大模型通过整合全域金融数据、深度挖掘细分场景需求，已完成从技术验证向深度金融属性业务渗透的质变，正式开启深度赋能金融核心领域的新阶段。
根据金融行业大模型的技术复杂度（纵轴）与时间线（横轴），IDC将金融行业大模型的应用场景分为通用场景与专精场景。通用场景指的是技术门槛相对较低且具备跨行业复制性强的场景，涵盖智能写作、智能客服、智能办公和智能营销；专精场景是指需深度适配金融业务逻辑的场景，包括智能信评、智能审计、智能舆情分析、智能交易撮合、信贷自动化、个性化理财、智能投研、智能投顾等。随着技术成熟度的不断提升，大模型应用发展的重心正加速由通用基础领域向高价值业务领域的迁移。
2.1 AI原生能力重构体系化适配金融行业智能需求
随着模型落地应用场景从通用型向专精型演进，此过程中不同类型、体量的金融机构对模型的差异化需求显著，因此需要针对性匹配建设思路。差异性主要聚焦于算力、数据、模型开发、智能体开发与应用以及场景适配五个层面，如国有大行在算力层面更加偏重自主可控，需要自建多芯算力集群；区域性银行更加关注算力成本，因此多采用算力租赁的方式；证券/基金公司更加关注投研模型与产业图谱动态更新；保险公司需要应对理赔高峰并实现保障条款生成零幻觉，提升核保效率等。
满足各类金融机构的大模型落地需求的关键是对AI能力进行原生重构。非AI原生仅能实现业务局部优化，但具备AI原生应用的金融机构完成的是从算力、数据、模型到业务层面系统进化。基于各类金融机构的挑战，以及各类金融机构对大模型的差异化需求分析，我们提出了构建AI原生应用策略（AI native strategy）。
2.2 大模型驱动金融机构全面加速智能化转型
政策层面，我国已给出了明确的指导意见。2024年1月，金融监管总局等七部门联合印发《推动数字金融高质量发展行动方案》，提出布局先进高效算力体系，强化模型和算法风险管理；2024年12月，我国金融监督管理总局印发了《银行保险机构数据安全管理办法》，为银行保险机构规范数据处理、保障数据安全、促进数据开发、完善监管效能等方面提供了全面、细致的规范标准；2025年7月31日召开的国务院常务会议，审议通过了《关于深入实施“人工智能+”行动的意见》（以下简称《意见》）。“深入实施”标志着“人工智能+”行动正式从政策倡导迈入规模化、商业化落地阶段。
在智能时代背景下，我国各类金融机构均加码大模型投入，且各有侧重。国有大行以自主可控为核心，优先保障算力底座自主建设，兼顾千亿级模型再训练与多智能体协同；股份制银行平衡算力成本，侧重模型场景化微调；区域性银行关注低成本算力租用、复用，追求“开箱即用”，保险机构重点关注决策模型与大模型模型配合使用，提升核保核赔效率；证券与基金公司低时延交易与智能投研，侧重高性能算力与金融蒸馏模型，通过A2A与MCP协议构建生态。
我国金融IT投入持续增加，根据IDC数据，2024年中国银行业IT投资规模达到1,693.15亿元，同比增长3.6%，预计在2028年将达到2,662.27亿元。2024年中国金融行业生成式AI投资规模为36.26亿元，预计到2028年投资规模为238.04亿元，增幅达到556.5%。
AI原生应用是指围绕基础设施、数据体系、技术架构、模型应用与业务场景等环节，都以AI为核心，让每个环节架构在AI的价值发挥之上。只有当金融行业的算力、数据、模型与业务目标均围绕AI做原生级重构时，才能系统地解决诸如异构算力调度难度大、模型可解释性不佳、工程化难题难以解决、安全合规要求难以满足、投入产出策略不清晰、人才短缺等挑战。AI原生应用包括AI原生的基础设施、AI原生的数据平台、AI原生的模型平台、AI原生的智能体平台以及AI原生的金融场景适配五个层级。
金融机构的AI原生应用需要围绕异构算力管理调度、数据飞轮、通用与专精模型协同、智能体普惠以及金融场景深度适配五个层面展开，才能让金融机构能够真正享受大模型带来的指数级价值。
3.1 AI原生的计算基础设施
AI原生算力基础设施的核心逻辑是“以AI工作负载为中心”：通过动态适配实现“算力与业务同频”，需搭建兼容多芯片（华为、英伟达、其他国产芯片）、多AI框架（如TensorFlow、PyTorch等），多参数场景（十亿到万亿）等异构算力管理平台，提升算力效率。针对百亿及以下模型，需单卡、单机实现训推一体，针对千亿参数模型的高算力需求，需采用PD/EP（数据并行+专家并行）分离的分布式部署方案—通过将“数据拆分”与“专家层分工”解耦，成倍数提升算力利用效率，彻底解决“集中式部署成本高昂”的痛点。构建算力共享机制，让金融机构内部不同部门（如AI应用开发部、大模型训练团队、模型统一管理部门）及分支机构集约复用算力资源，降低小规模业务场景的算力投入成本，实现基础设施普惠化，如分支行的本地化客户服务模型推理无需单独采购算力，通过总行算力池共享即可满足需求；白天推理、晚上训练的潮汐算力弹性混部架构实现算力的分时复用。
3.2 AI原生的数据平台
Al原生数据平台是金融机构基于AI知识需求重构的数据底座，针对非结构化数据沉睡、数据链路断点、高质量数据供给不足等痛点，通过多模态识别与跨模态关联激活零散非结构化数据价值，依托RAG技术+高质量向量知识库打通“行业外部数据（宏观政策/行业案例）+机构内部客户数据（信贷/行为/交易）”链路，实现“数据-知识”转化以提升模型专业度，同时统一传统数据体系与大模型数据体系，沉淀可复用资产，最终推动机构从“数据驱动”升级为“知识驱动”，助力打造“数据越用越准、价值指数增长”的数据飞轮，成为释放大模型价值的核心数据燃料库与知识发动机。
3.3 AI原生的模型开发平台
AI原生的模型开发平台能够贯穿模型训练-微调-部署-安全-运维等环节，实现多个模型协同。AI原生的模型开发平台为金融机构提供完整的工具链与各类微调版本以及原生的上下文支持能力，金融机构可以根据业务需要构建专精+通用模型矩阵，提升模型复用能力，降低模型部署门槛。
3.4 AI原生的智能体开发平台
AI原生的智能体应用开发平台能够让金融机构快速构建出会思考、会执行、会进化的智能体，大幅降低对技术人员的依赖，这种技术普惠大幅降低了使用门槛。让不会写代码的业务人员能快速创建智能体应用。能够基于金融机构复杂的业务链条提供针对性的编排与搭建方案，也能为金融机构提供丰富的智能体模板，如为保险公司提供核保智能体提升智能核保与理赔效率，为证券/基金公司提供投研助手智能体提升分析师工作效率。
3.5 AI原生的金融场景适配
Al原生的金融场景包括通用与专精两类场景，不同场景适配不同模型，从而精准满足金融业务要求。如通用场景可以满足面向员工从提效到决策的全场景适配需求；专精场景适用于对准确率、时效性、专业度要求高的核心业务以及面向客户的专业领域。
对于金融机构而言，除了要关注AI原生应用的策略之外，在落地时还要掌握算力、数据、模型、智能体、安全合规、场景适配与组织人才七个核心要素，每个核心要素包括若干与之相关的二级能力指标。
4.1 构建算力选型指标与算力共享机制
构建AI原生的算力选型指标，包括：算力密度、合理存算比、混合精度、国产化与稳定性。围绕金融业务场景对AI原生的算力需求（如智能投研、实时反欺诈要求毫秒级响应）提升算力密度，降低模型推理延迟；根据金融多模态数据（如交易流水、保单影像、投研报告文本）的处理需求，确定合理的存算比；用混合精度兼顾金融业务对模型精度（如信贷审批需要较高精度识别风险点）与算力效率（如对非关键图像可以采用较低精度，提升算力效率）的要求；通过统一的异构算力调度平台，实现对多类型算力资源的集中调度与智能分配，并通过分时复用、负载均衡和任务拆分等机制，保证业务高连续性与高稳定性。
金融机构业务（如实时风控、智能投顾、交易撮合等）对延迟极为敏感，需依托AI原生的异构智算平台实现毫秒级响应。在能耗管理方面，算力集群在非业务高峰期（如夜间、休市）往往出现GPU闲置率过高的问题。可通过GPU与XPU的混合调度、分时复用机制，以及云-边-端的弹性协同计算，实现算力资源在不同业务场景下的灵活调配，最大化资源利用率并优化功耗比，降低百万token计算成本，达到绿色算力的目标。机构需要以高效稳定、多芯适配、轻量灵活为企业管理者、运维人员、开发人员等多角色提供丰富的资源调度策略、全方位的故障感知与容错机制、极致的存训推一体化加速、便捷的多芯适配及业务迁移等硬核产品能力，完整覆盖算力应用的全生命周期。针对大规模智算场景，可同时提供容器、裸金属等多种基础设施资源类型，满足企业自建、服务托管等多类建设场景，帮助企业快速、平稳地向新一代智能化、集约化基础设施转型。
4.2 打造从数据驱动到知识驱动的数据飞轮
l构建高质量数据标准，挖掘高质量数据
针对多源异构、高敏复杂的数据特性，金融行业需要构建一套统一、高质量的数据标准体系，建立覆盖全生命周期的治理框架。要实现数据价值最大化，需要建立科学的数据标注体系，并在行业层面制定面向大模型的高质量数据治理标准。针对结构化交易数据，可定义字段级别的标签与数据质量标准；针对非结构化文本与多媒体内容，则需引入语义标注、情感分析等维度。参考某国有银行实践，其已在总分行、数据运营商、支付清算机构之间建立跨机构、多维度的数据评价体系，实现外部与内部数据的分工利用：外部数据在合规前提下用于训练模型，扩展业务洞察的广度；内部数据则更聚焦于日常运营，直接支撑精准营销、信贷风控等核心业务。
l面向金融场景构建数据分级分类管理体系
金融机构需要对数据进行敏感度分级管理，例如将身份证号、账户交易流水等定义为高敏感数据，实施更严格的加密与访问控制；将地域、年龄等定义为低敏感数据，允许在更宽松的安全策略下共享与分析。着力整合碎片化的多模态数据，如将分散的贷款记录PDF、投资分析文档、票据影像等归类整理，并结合具体业务场景进行匹配应用。
l强化知识工程能力
通过知识工程，金融机构可将数据转化为可计算、可推理、可共享的知识资产。金融机构应利用知识图谱技术构建业务映射网络，挖掘实体之间的复杂关系，例如客户之间的担保关系、账户之间的资金流动路径、交易行为与地理位置的关联等。在此基础上，构建AI知识库，沉淀包括风险识别模型、合规规则、营销策略等在内的高价值知识模块，并将这些模块封装为可复用组件，形成知识工程的最佳实践。
l打造数据飞轮，沉淀数据资产
金融机构需要通过与模型交互沉淀结构化与非结构化反馈数据，结合外部合规数据源与扩充数据量；通过特征完成数据脱敏并将数据转换为可用的训练样本或知识，针对高频业务迭代模型，再将优化后的大模型反哺业务，提升模型的行业适配性与可解释性，形成“数据—知识—模型—业务”循环增强的飞轮效应。
4.3 实现模型与场景的深度适配
基于业务场景适配模型。金融机构需要根据业务精准选择专精模型（如风控模型、量化投研模型、智能理赔模型）与通用模型（智能客服、智能营销等），并实现从模型需求定义、开发构建、定向精调，到合规测试（含风险评估、数据合规校验）、安全部署，再到上线后性能监控与迭代优化的模型全生命周期管理。
根据自身资源与技术能力选择模型路线。金融机构在模型选择与路线规划时，应对自身的技术能力、数据资源、预算投入和合规要求进行系统评估，重点关注技术透明度、可定制化程度、运维难度、安全合规水平及模型迭代能力等指标。如国有大行需要在复杂决策场景中适配千亿级闭源与专精模型，走闭源与专精路线，降低模型幻觉；股份制银行需要对复杂场景匹配专精模型，对通用场景匹配开源通用模型，走混合路线平衡资源利用率；区域性银行直接使用7B-30B开源与通用模型或租用MaaS服务；保险公司为核保核赔专业场景匹配专精模型，围绕核保规则与用户归档等通用场景匹配通用模型，走混合路线；证券/基金公司需要关注RAG，通过专精模型先检索向量库再生成研究内容，满足自动拆解财报、生成投资摘要业务需求。
通过多个模型协同满足业务稳定性与连续性要求。适配金融业务高峰场景（如理财发售、信贷申请峰值），模型需要具备高并发处理能力，保障核心业务（如实时风控、交易决策）的低延迟响应（通常要求毫秒级），避免影响业务运转。同时支持模型故障自动切换（如主模型异常时快速启用备用模型），保障业务连续性。
4.4 打造智能体开发应用与运营的赋能闭环
基于业务流程与勾稽关系编排开发智能体。金融机构需先联合业务部门（如信贷部、投研部、客服中心）开展需求拆解，对内面向员工，对外面向客户，业务专家围绕内外部业务逻辑提取关键流程，在确保数据合规的前提下，算法工程师匹配模型并编排智能体工作流，完成业务流到智能体的精准落地。
智能体应用要嵌入业务系统，提升易用性。金融机构需要将开发好的智能体嵌入业务系统，面向客户的智能客服智能体，需嵌入手机银行APP，当客户咨询业务问题时，智能体能够主动调取客户征信数据，再给出反馈；面向员工的智能体需要嵌入关键工作系统，如信贷审批人员使用的“信贷管理系统”中即可调用信贷审批智能体，无需额外打开智能体平台，避免多系统切换。
提升业务侧的智能体运营能力。金融机构需要实时跟踪智能体流量波动（如高峰时段服务并发量）、关键节点报错（如信贷审核流程中断点）与客户反馈（含满意度评分、需求未满足场景记录）等数据，通过结构化表单与定期复盘，将零散信息转化为可落地的技术优化需求，为智能体迭代提供数据与业务依据。
4.5 打造全栈安全能力筑牢金融安全防线
基于AI原生的异构计算基础设施巩固安全防线。异构算力基础设施，可以将芯片池化，让金融机构实现万卡级弹性调度与训推分时复用，有效突破算力瓶颈；通过RDMA网络与联邦学习机制构建可信网络环境，满足监管与审计要求；通过框架准确表示算子执行所在芯片位置，并对不同型号芯片的算力进行细化分配，主动感知超时、优先级与数据长度等条件，实现异构芯片调度，降低因芯片调度不当引发的安全风险；通过缓存系统与对象存储（冷数据自动下沉）分离实现智能分层，将冷数据自动下沉到对象存储，减少数据被攻击的风险，保障数据在存储和调用过程中的安全性。
基于AI原生的数据平台保障全生命周期的数据安全。在数据加密环节，尤其是数据存储与传输过程中，借助SSL/TLS协议对数据加密，可以防止数据在传输时被窃取或篡改；在存储时运用对称或非对称加密算法，让金融机构的客户信息、交易数据等得到安全存储；在数据访问控制过程中，可以采用多因素认证方式，如结合密码、短信验证码、指纹识别等，强化身份验证的安全性，避免未经授权的访问，降低数据泄漏风险。
通过AI原生的模型开发平台可实现模型安全调用。AI原生的模型开发平台具备多模型协同能力，不仅可以满足算法代码加密传输与容器化隔离要求，还能够将基座模型、垂类模型与专精模型匹配至各类金融业务场景中。此外，AI原生的模型开发平台可以在敏感词过滤、伦理护栏与实时干预方面构建安全评测工具链，建造金融应用与模型之间的安全隔离带，保障安全可信。
基于AI原生的智能体开发平台实现应用安全。智能体应用在与外部协议、工具、环境交互时存在各类隐患，如通过提示词注入攻击，攻击者可修改输入提示词或注入隐藏指令，诱导大模型偏离用户请求，输出恶意结果，进而引发数据泄露、错误操作等问题。Al原生的智能体开发平台内置了金融业务规则库，实现开发工具代码合规性自动校验，能够基于金融业务流程预设操作白名单，绑定工具调用权限，从而为金融机构提供可审计、可追溯的应用安全环境。
AI原生的金融场景与模型深度适配保障业务安全。金融场景复杂多变，安全威胁可能随时出现，模型对金融业务的原生适配可以持续分析业务交易数据、用户行为模式等信息。一旦发现异常，模型能迅速启动相应的防护措施，如阻断交易、发出警报等，可以让金融机构更好地适应复杂多变的金融环境，保障业务场景安全。
4.6 构建模型价值的评估体系
以ROI为核心，构建模型落地效果评估体系。金融机构在落地大模型过程中，需要明确业务需求、识别关键流程、评估现有技术、分析模型适配、评估潜在收益，并以此构建模型效果评估体系，包括提效、增益、使用频率（MAU、DAU）等维度。其中，ROI作为衡量大模型应用投入与价值创造效果的关键指标，应成为各类金融机构评估模型效果的关键抓手。
成本评估：硬件成本（服务器、存储设备等硬件的采购和维护成本）、软件成本（大模型软件许可与云服务的费用）、人员成本（开发人员与培训费用）。
收益评估：营收增长（通过大模型技术创造的新业务收入）、客户体验（满意度与留存率提升）、员工体验（参与度提升）、生产效率（流程优化与运营效率提升）、创新能力（金融产品开发能力提升）、可持续发展（ESG指标与绿色金融）、上市时间（产品推向市场进程加速）、安全信任（数据安全与客户信任加强）、业务韧性（应对市场波动与不确定性能力提升）。
通过场景筛选与指标跟踪进行模型评估。金融机构要以用户为中心，围绕ROI的成本与收益类指标来划分场景落地优先级，并进行动态调整；通过基线对比（大模型场景落地前后对指标进行对比），持续检测并长期跟踪大模型ROI相关指标，确保资源投入能够产生最大的经济效益和业务价值。
4.7 建立跨部门协同组织和复合型人才队伍
对内应当打破传统部门墙，建立以业务价值为导向的跨职能协作单元或虚拟团队，由业务骨干牵头整合技术、数据、风控等资源，形成需求洞察、模型迭代与风险管控的闭环。这种组织创新不仅要求技术人员深入业务前线理解监管逻辑与客户痛点，更需要业务人员具备基础的技术思维，共同将抽象的金融场景转化为可落地的技术方案，例如，可先以设置业务产品经理/技术业务经理等虚拟岗位角色的形式，推动内部开展业技融合。
对外合作则需要建立严格的技术伙伴筛选机制，在伙伴具备领先的全栈大模型技术能力的基础上，重点考察伙伴对金融业务复杂性的专业理解程度，能够综合考虑技术成熟度与业务紧急度的匹配，为金融机构设计既契合整体数字化经营战略、又兼具领先创新方向的大模型应用场景落地方案。同时应当构建动态评估体系，确保技术方案始终与业务战略保持同步，避免陷入“为技术而技术”的误区。
人才队伍建设是破局的关键，金融机构可构建“引进+培养”的双轮驱动模式。在人才引进环节，明确复合型人才的画像标准，优先选拔既熟悉金融业务全生命周期管理又具备算法工程化能力的跨界人才。在人才培养方面，应当设计场景化的成长路径，通过沙盘演练、轮岗实践等方式，帮助员工在真实业务环境中掌握大模型应用价值与实现可能，逐步缩小技术与业务的能力鸿沟。这种人才战略的落地，需要管理层给予足够的资源倾斜和考核激励，才能打破现有组织惯性，真正释放大模型的赋能价值。
