近年来，生成式AI正以惊人的速度重塑金融业的面貌。

从国有大行的“千亿级”科技投入，到保险公司的智能理赔，再到券商AI投顾的价值重构，人工智能已深度嵌入信贷审批、智能风控、客户服务、投资交易等核心业务链条，从“锦上添花”的技术点缀，演变为推动金融机构降本增效、重塑竞争力的核心引擎。

随着2026年AI智能体元年的到来，这场变革正加速从基础模型建设迈向全场景应用的新阶段。

银行业：AI应用从“单点试点”

进入“全域规模化落地”

在金融行业中，银行业的AI应用落地最为成熟、渗透最为深入。

从数据来看，金融机构的投入力度令人瞩目。2025年，A股上市的13家银行（含6家国有大行和7家股份行）金融科技合计投入突破1800亿元，达到1838.78亿元，其中6家国有大行投入约1300亿元，7家股份行投入537.87亿元。工行科技投入285.88亿元居六大行之首，建行科技投入增加逾22亿元至267.22亿元，增速达9.37%。六大行科技人员总数突破13.5万人，一年内增长超2万人。

在这场AI竞赛中，国有大行的战略布局尤为鲜明。工商银行将“数字工行”战略升级为“数智工行”，实施“领航AI+”行动，在30余个业务领域落地超500个AI应用场景。工行上线了全国金融业首个线下对客大模型应用，以对话交互形式重塑智能终端业务办理模式，AI数字员工承担工作量达5.5万人年。

建设银行深入推进“人工智能+”行动，截至2025年末，大模型技术已规模化赋能集团398个场景应用，深度渗透财富管理、普惠金融、风险管理、科技研发等关键领域。在授信审批领域，依托生成式大模型，2025年审批业务受理量实现两位数增长，平均处理时间下降超30%。在网点服务中，AI助手覆盖率已达99.42%，日均访问量超10万人次。

招商银行全面落实“AI First”战略，AI基础设施层面构建智算基础设施，日均Tokens吞吐较2024年增长10.1倍，落地领域专精模型183个。全年节约人工1556万小时。农业银行推出“农行版龙虾”（ABC-Claw），自动加工分析数据、智能生成尽调报告，让办贷流程更便捷高效。邮储银行大模型建设覆盖前、中、后台各领域超260个应用场景，个人授信超60亿元，财富类产品销售超14亿元。

AI给银行业带来的降本增效成果实实在在。工行金融市场智能询价助手助力交易笔数同比提升50%，智能询价交易智能化比率达96%；建行借助AI赋能授信审批全流程，平均处理时间下降超30%；农行智能客服座席通话平均时长从207秒缩短至176秒。

值得注意的是，大小模型融合应用已成为趋势。建行对DeepSeek、千问、智谱等生成式大模型都进行了引入，形成了大模型与小模型协同、生成式与决策式AI混合的模型体系。近80%的智能金融落地案例涉及生成式AI技术，其中一半为大小模型协同模式。

专家指出，大模型具有“大而强”的优势，擅长语言理解和推理，而传统AI小模型具有“小而美”的特点，擅长结构化信息判别决策，二者协同将实现从“判别到生成”“弱理解到强理解”“操作交互到对话交互”的突破。

保险业：

AI驱动构建金融服务新生态

在保险领域，生成式AI同样展现出巨大的应用潜力，尤其是在智能核保、智能理赔、客户服务等场景中形成了成熟落地。

中国平安在AI领域的投入尤为突出。2025年，平安产险车代渠道平均一分钟智能出单占比93%，反欺诈智能化理赔拦截减损105.1亿元，截至目前已有975万名客户使用“智小安”AI智能保险顾问进行车险报价、家庭保障规划、条款解读。平安构筑了“数据、算力、算法、场景”四大核心AI能力——数据达33万亿字节，万卡规模算力集群支撑千亿级日Token消耗，超840个AI应用场景覆盖金融、医疗全产业链。

众惠相互保险构建了“规则引擎+AI大模型+大数据分析”三位一体的智能理赔技术架构，AI大模型自动化精准率达97%、自动化覆盖率达93.03%、案件自核率达55%，常规小额案件理赔时效较传统模式缩短80%以上，实现“当日申请、当日赔付”，理赔纠纷发生率下降60%以上。

水滴公司每年投入近3亿元研发费用，构建了名为“水守AI”的自主能力体系，已申请通过人工智能专利100余项，申请大模型相关专利72项。中国太保则发布了《太保AI应用白皮书》，用23个前沿案例全面揭示AI建设总体思路。华泰保险与联想合作构建算力底座，为预算有限却渴望布局AI的金融机构提供了可复制的标杆样本。

在保险业的AI应用中，从智能出单、秒级核保到反欺诈拦截，从千人千面的客户洞察到AI医生辅助诊疗，生成式AI正从外围辅助工具向重塑保险核心业务流程的“新引擎”演进。

券商AI：从工具“内卷”到价值重构，

合规仍是“紧箍咒”

相比银行和保险，券商行业的AI应用呈现更加复杂的面貌——一方面，头部券商全面押注AI战略，涌现出一批创新应用成果；另一方面，合规约束、技术瓶颈与同质化难题成为制约行业发展的关键挑战。

2025年以来，以DeepSeek为代表的大模型技术加速迭代，推动证券行业数字化转型进入新阶段。华泰证券正式确立“All in AI”战略，推出AI原生金融交易终端“AI涨乐”APP，采用“自研金融大模型+通用大模型”双引擎架构，从底层重塑投资者与金融服务的交互方式。2026年，华泰证券开启全面智能化转型的关键之年，目标是让整个组织成为一个科技驱动的、拥有专业金融智慧和超级服务能力的整体。

招商证券制定了“打造AI证券公司”的愿景目标，围绕“3-2-1”高价值业务场景布局AI落地。财富业务推出营销服务助手“招小顾”，机构业务推出“招商证券机智”统一品牌，研究业务打造“AI研究所”覆盖分析师研究内容生产全流程，投行业务则构建了智能化投行作业体系。

中信建投证券打造了基于AI多智能体与监督微调的投顾大模型平台。国联民生证券的AI投顾已演进为覆盖客户资产配置全流程的服务体系，采用“大模型理解需求+专业配置引擎生成方案+规则风控与人工复核”的混合架构。中泰证券与阿里云达成全栈AI战略合作，携手打造“千问千泰”投顾品牌，成为国内首家全面拥抱AI全栈技术合作的证券公司。东方财富自研的妙想大模型已面向全市场用户开放，全面接入Choice金融终端赋能专业投研。

投研门槛的“二次坍塌”：

通用大模型入场

2026年4月，通用大模型千问和Kimi先后接入股票行情数据，将AI投研能力直接推到了每一个手机用户的指尖。千问“深度研究”模式正式接入1.3万只股票的实时行情以及约百万家上市公司的财报数据；Kimi接入同花顺iFinD金融数据库。

这一变化的本质，是将金融数据从“外挂”变成了“内嵌”。普通投资者可以用最日常的对话方式获取股票研究和行情分析，而不再需要首先付费使用Wind、Choice等终端数据再进行分析和研究。从OpenClaw开源框架的个人“手搓”分析，到通用大模型的原生行情接入，AI推动投研“平权化”的步伐正在加速——金融数据的获取成本无限趋近于零，分析门槛以前所未有的速度降低。

竞合还是替代：券商AI的独特价值  面对通用大模型的“跨界”，券商AI并不会被取代。业内人士认为，未来的格局将更加清晰：通用大模型负责广度和便捷，券商AI更多负责深度和闭环。券商可以将自身更深度、更合规的AI投顾能力以插件或智能体形式接入通用大模型生态。

券商AI的核心壁垒在于持牌合规、垂类大模型以及经过合规审核的专业投研内容。通用大模型的优势则在于泛化能力和用户基数，能够以极低的边际成本为海量用户提供基础投研服务。两者形成互补——就像专业相机和智能手机的区别：通用大模型类似“手机计算摄影”，普通人随手一拍也能得到不错的结果；而券商AI更像“专业单反”，功能强大但需要更高的专业素养来驾驭。

合规约束是最为棘手的“紧箍咒”

然而，券商AI投顾的发展并非坦途，合规约束是最为棘手的“紧箍咒”。

当前监管尚未明确打开大模型在投顾服务的应用口子，所有服务仍需遵循投顾管理办法，要求逻辑可白盒拆解，但大模型的黑箱特性恰好与这一要求相悖。

全国人大代表、东方财富董事长其实在两会期间建议，在算法和大模型备案框架下，对应用于金融领域的人工智能大模型实施差异化的备案管理，引导研发主体在底层算法构建的源头阶段强化金融专业性、风控合规能力等核心特征的嵌入。

“我们跟合规部门磨合了好多轮，最终只能在小范围内尝试。”有券商人士介绍，公司通过大模型做智能体数据整理和合规审核，但所有投顾建议必须经过人工审核留痕，协议中还需明确写入投顾老师角色。这种“机器+人工”的双重校验模式，虽满足了合规要求，却也降低了服务效率，与AI赋能的初衷形成一定矛盾。

技术瓶颈同样制约行业发展。模型幻觉问题在意图识别、取数和向量召回三个关键环节层层累积——意图识别无法达到100%准确率，取数准确率未超90%，知识库庞大时向量召回命中率甚至低于95%。部分券商直接采用类似ChatGPT的大模型底层技术，导致同一问题两次输出数据不一致，影响了用户信任度。成本压力则让中小券商望而却步，大模型相关整体投入堪称“烧钱”，部分小券商“连装Llama的资格都没有”。

在实践层面，多数券商AI投顾产品仍停留在“换壳不换核”的阶段，功能高度相似——金融数据问答、标准化持仓诊断、固定策略推荐，难觅差异化亮点。底层技术、数据来源与投资策略高度趋同，选股逻辑和资讯服务难以形成独特优势。

智能金融行稳致远的关键

随着生成式AI加速渗透金融核心业务，数据安全与合规治理已成为行业必须直面的课题。

从技术层面看，大模型在金融领域面临多重自身制约。国家金融与发展实验室副主任杨涛指出，在技术层面，模型幻觉、准确性不足等问题仍较突出，易引发错误决策；在监管与客户层面，算法黑箱使得责任追溯困难，消费者信任难以建立，而模型同质化倾向可能加剧金融市场的系统性与稳定性风险。未来应警惕过度数据挖掘、算法合规、版权侵权、AI Agent安全及劳动力冲击等风险，同步推进技术应用与风险治理，在效率、准确性与安全之间取得平衡。

从监管层面看，中国人民银行等七部门联合印发的《推动数字金融高质量发展行动方案》明确提出，到2027年底基本建成与数字经济发展高度适应的金融体系，推动数字技术在科技金融、绿色金融、普惠金融、养老金融等领域的应用，完善数字金融治理体系，强化数字金融风险防范，加强数据和网络安全防护。

专家建议，首先要将数据治理贯穿构建智能金融数据基础制度体系全过程，建立严格的数据安全管理制度，明确数据使用权限，提高算法的透明度，建立风险监测和预警机制，加强合规性审查。金融机构需构建前置的数据流通监管体系，强化金融数据的安全与隐私保护，打击非法数据交易与滥用行为。

其次，要建立一套全面、客观、高效的智能金融应用评测标准体系，鼓励金融机构、科技企业、高校及科研机构等多方参与研发评测标准。

此外，还需完善数字金融基础设施建设，加强算力资源整合共享，探索建立行业层面的人工智能算力云。

建设银行副行长雷鸣在业绩发布会上表示，建行严格落实监管备案要求，构建起大模型提示词工具防护能力，常态化开展渗透测试，强化数据与网络安全协同，确保使用人作为决策主体的责任人，确保人工智能的应用始终在有效的监督和管控之下。

清华大学至善书院院长汤珂强调，大模型必须具备可解释性并融入经济学理论知识，保障数据安全、遵循人工智能伦理规范是人工智能在金融领域获得更多应用的核心前提，金融领域应采用人机协同框架，由人类承担最终决策责任。

从试点探索到规模化应用

2025年被广泛视为中国金融智能体发展的“元年”。生成式AI在金融业中的应用尚处于技术探索和试点期，预计年内首批大模型增强的金融机构将进入成熟应用期，3年后将带动金融业生成式AI的规模化应用。

从市场规模看，2025年中国AI金融市场规模达1.8万亿元，2026年预计突破3万亿元，年复合增长率超30%。据麦肯锡预测，生成式AI将为银行业带来2000亿-3400亿美元的新增价值，若充分释放AI潜力，行业潜在利润有望提升14%-24%。行业预计将在2027-2028年跨越“规模化峡谷”，进入黄金回报期，应用将从职能运营和业务外围进一步向核心决策领域渗透。

对于金融机构如何落地应用AI产品，专家建议不同规模的金融机构要根据自身资源禀赋、业务定位做好战略规划，在具体业务上重点研究开发人工智能与科技金融、绿色金融、普惠金融、养老金融深度融合的新产品。

随着大小模型的融合发展，未来金融应用将实现从“判别到生成”“弱理解到强理解”“操作交互到对话交互”的突破，智能金融应用向更广范围、更高层次、更优体验发展。