银行每天有成千上万个贷款审批任务，如何在总行人力有限的情况下更高效地开展抽检？人工智能(AI)大模型正在改变银行的工作模式：利用大模型，银行可以全面检查所有贷款，实现从抽查到全覆盖的转变，同时通过这种方式，不少银行发现了不少违规情况，减少了损失。
“明天要见一个企业主客户，该推什么产品？客户会问哪些刁钻问题？”在一家保险公司，新入职的代理人正对着手机里的AI“陪练”反复模拟。很快，这名代理人从一个迟迟无法开单的“小白”成为顺利签单的绩优新人。
2026年3月17日，在《AI助推中国内地和香港金融服务业焕新升级》报告发布现场，普华永道中国管理咨询合伙人王建平向经济观察报记者分享了令人印象深刻的AI应用案例。
2025年10月至2026年1月，普华永道对中国内地及香港的银行、保险及资管行业的201名金融服务专业人士进行了调研，并开展了20次深度访谈，描绘了金融业拥抱AI的现状：热情高涨，但痛点鲜明。
战略重要投入不足
作为资金充裕的行业，金融业对AI的应用现状如何？
根据普华永道的调研，目前金融机构对AI的应用可分为三个层级：第一层级是内部使用，例如内部知识库查找，这在头部银行已相对成熟，外部客户感知不多；第二层级是客户有感知的应用，如智能客服、投资建议、交易后服务等，但在银行领域，反洗钱识别、内控稽核等应用已带来显著赋能效果；第三层级是直接与客户达成交易，或提供投研建议、理财建议，由于这一层级需要兼顾AI的透明性、公平性以及推导逻辑的可追溯性，短期内难以大规模实现。
普华永道中国内地资产及财富管理行业主管合伙人倪清发现，不同行业对AI的部署应用各有侧重。银行业集中于风险管控、反洗钱与合规任务，保险业重点关注代理人能级提升、客户服务和理赔，而资产与财富管理行业则重点布局投资与组合管理、数据与市场分析。
“受访机构已通过AI投资获得初步10%—15%的回报率，但他们更看重AI对提升市场地位、拓展战略发展空间的长期价值。”王建平表示。然而，理想与现实之间存在一道明显的鸿沟：调研显示，61%的金融机构的AI投入占科技预算的比例不足10%。
为何不加大投入？王建平分析称，在当前的市场环境下，金融机构增加科技投入面临较大难度，必须调整结构——压降传统科技投入，降低传统业务开发和测试成本，将节省下来的资金投入到AI领域。在总盘子不变的情况下，如果把科技和AI的投资占比提到很高的水平，传统科技就会受到很大影响。此外，金融机构强调稳健经营，在转型过程中，节奏比其他行业要慢，但AI技术发展又非常快，导致金融行业很难跟上技术发展节奏，从而形成了“战略上重要、投入要加大但短期内难以大幅提升”的局面。
人才、数据两难
“内部培养周期长，外部招募又面临科技公司的高薪竞争。”一名在国有大行从事人力资源工作的人士对经济观察报记者谈起了AI相关人才的招聘难题。
调研发现，仅29%的金融机构成功构建了“AI优先”的文化氛围，而人才短缺与僵化的组织结构是比投入不足和技术层面更加严重的障碍。
普华永道中国管理咨询合伙人李伟斌指出：“受访者普遍反映，当前面临的一大挑战是难以招募到‘既懂业务又懂算法’的复合型人才。培训与提升现有员工技能，以及制定鼓励将AI作为转型工具的激励机制，对建立AI优先文化至关重要。一些金融机构在思考是否有特殊机制能突破传统的招聘模式。例如，有些保险公司成立了AI研究院，通过特殊薪酬机制吸引高级人才；一些银行通过培训与考核，推动传统科技人才转型，以此完成人才选拔。此外，同样重要的是，高级管理层需以身作则，积极倡导AI应用。”
除人才和组织文化外，数据是关键制约因素。调研发现，受访者认为，加大AI投资的前三大障碍是数据可用性(30%)、监管压力(20%)以及需要优先维护现有核心系统(14%)。数据安全与隐私保护问题被列为数据管理的首要挑战，导致90%的金融机构依赖内部专有数据来支持其AI应用场景。
在王建平看来，AI需要的数据正在从结构化向非结构化转变，而金融机构的非结构化数据，比如银行的信贷政策、风控手册、审核知识，保险公司的查勘手册等，原本没有被纳入数据治理体系。
大模型自身存在的“幻觉”问题，使其难以满足传统业务中对数据准确性的要求。“以车险理赔为例，当客户报案时，后台发现理赔车辆、被撞车辆、查勘员、4S店之间存在关联关系，这可能指向欺诈。如果只关注理赔数据本身，忽略了这些关联关系，大模型便难以识别欺诈风险。因此，必须用本体建模，寻找各个对象之间的关联关系，并将这些关系注入大模型，才能提升识别准确率。”王建平说。
伴随AI技术的发展，金融机构在风控安全方面亦面临新的挑战。报告发现，金融机构在输入端和输出端已建立基础防护，但在面对模型运行中的动态风险时，仍缺乏有效的自动化监控工具。
配资炒股提示：文章来自网络，不代表本站观点。
