2025 被称为AI Agent（智能体）元年，更准确地说，应该是它从前沿技术到应用落地的进阶之年。

如果说大模型技术是一把万能钥匙，那AI Agent 则像一个更清晰的指引、一个具象化的抓手，可以让企业快速链接到那扇通往「新世界」的大门，打开它、走进去。

不只是停留在营销、客服等辅助环节，而是可以直抵「核心生产场景」，让企业以更低的成本、更高的效率实现「生产力重塑」，推动业务增长。

金融行业也在今年迎来了自己的智能体时代，包括蚂蚁数科、奇富科技等几家头部的金融科技公司，都正式发布了金融智能体产品。

当然，对于这个新兴事物，业内也有不同的声音，有保持观望的、有跃跃欲试的，也有觉得看不懂摸不透的。

但不可否认的是，这场「不可逆的生产力革命」已经吹响号角。

所以今天我们试图回答，关于金融智能体最重要的一些问题：他到底是什么？能做什么？对于一家金融机构而言，他最大的价值又是什么？ 

「数字专家」：从认知到执行

在说到 AI Agent 的时候，最通俗的一个比喻就是「数字员工」，可以替代人工处理更多问题。

但乍一听这个概念，有些人可能会联想到金融数字化，或者金融行业的RPA（Robotic Process Automation，机器人流程自动化），这不是已经存在很多年了吗？

上个世纪90年代，许多企业就已经开始使用自动化软件来代替人类执行某些重复性操作，比如点击鼠标、输入文本、拷贝文件等等。

它的优点是稳定性强、准确率高，但需要人来预设规则、固定流程，处理明确的任务，只能算是一个工具。

而到了金融数字化阶段，就涌现出了更智能的、可以解决更复杂流程的产品。

类似10年前网商银行推出了「310模式」——三分钟申请、1分钟放款，0人工介入；还有这几年，很多保险公司的核保赔付也是完全由AI完成，客户只需要将单据拍照上传就可以完成「秒级」审批。

他们在一定程度上都实现了「去人工化」，那么AI Agent 时代的「数字员工」又有何不同呢？

先来个比较正式的定义，来自《2025金融智能体深度应用报告》：

金融智能体（Financial AI Agent）是一个具备一定自主性的AI实体，它能够感知其所处的金融环境，基于内部的模型或知识进行推理和决策，规划实现目标的行动步骤，并通过调用外部工具或系统接口来执行复杂金融任务，并根据执行结果进行反馈和调整。 

（来源：《2025金融智能体深度应用报告》）

标记一下关键词，「感知-推理-规划-执行-进化」。

在金融数字化阶段，类似工业生产从手工作业进化到自动流水生产线，生产线是一套提前设定好的程序、一旦开启不可跳过任何环节。并且，「投喂」的数据不能「超纲」，也必须规范（比如早期，非结构化的数据就不行）。

这一阶段，尽管智能系统具有一定的决策和交付能力，但主要还是按照人工预设的脚本「照本宣科」，就像现在很多智能客服，只能根据既定的模板和「题库」回答问题，遇到稍微复杂的问题、甚至提问方式不同，系统就会答非所问。

但在金融智能化阶段，大模型技术的发展让AI有了更聪明的「大脑」。

相比于之前，大模型能够理解和「学习」的范围更广，包括文字、图片、音频、视频等等，通过海量数据训练，大模型还可以具备自然语言理解、生成能力甚至是推理能力，能够进行逻辑分析并生成高质量的内容。

而以大模型技术为底座的AI Agent则更进一步，因为有了更加聪明的「大脑」，他们已经不需要任何人工预设的流程、脚本，而是真正和人一样去感知、思考和解决问题，实现「端到端」的「结果交付」，而不仅仅是过程辅助。

如果说大模型是一个聪明的「大脑」，那么金融智能体就是将这个「大脑」的认知和理解能力转化为对金融业务的执行力，包括制定多步骤策略和调用内外部工具，并且根据执行结果进行学习优化。

简单来说，金融智能体更像是连接大模型技术与现实金融世界的一座桥梁、一个快捷通道。

如果要用「数字员工」来比喻，那也是一个经验更丰富、专业能力更强的专家级员工。他具备一套专业、高阶的思考、规划、执行能力，甚至可以灵活变通地处理既有经验以外的问题，并且自身能力还在不断进化。

蚂蚁数科在一场关于金融智能体的内部分享中总结道，一个金融智能体应该具备几个关键要素：金融大模型、金融知识库、金融工具集、安全&专业评测。也就是说，这不是单一模型，而是「系统工程」。

所以，AI Agent 时代的「数字员工」，更「拟人化」，但也远远超越了普通人的能力。

生产力革命：从外围到核心

了解了金融智能体的能力，我们就不难理解他为什么能在金融领域掀起新一轮「生产力革命」。

他不仅是对现有工具的简单升级，其自主工作能力正在从根本上重塑金融行业的生产方式，所以才能释放巨大的生产力。

《2025金融智能体深度应用报告》总结了金融智能体的5个颠覆式潜力：

1、打破流程壁垒，实现端到端自动化

智能体的核心优势在于能够感知、规划并执行复杂任务链，从而打破传统流程中的自动化断点，实现端到端的流程自动化。

2、自主感知与实时响应

智能体能够通过感知器实时监控内外部环境变化，例如市场价格波动、风险事件发生、客户行为模式改变或突发事件。

3、智能规划与复杂任务执行

面对一个高层级的业务目标（如「为客户生成一份定制化投资报告」），智能体能够自主将其分解为一系列具体的子任务（如「查询客户持仓、获取最新市场数据、运行资产配置模型“根据模型结果撰写报告草、格式化报告），并规划执行顺序。通过调用相应的外部工具（如投资模型API、报告生成工具），智能体能够自主完成整个复杂任务链。

4、持续学习与自我优化

优秀的金融智能体具备从历史任务执行中学习的能力。通过分析成功或失败的案例，智能体可以不断优化其决策逻辑、规划策略和工具调用方式，提高应对复杂和未知情况的能力，从而在长期应用中持续提升性能和准确性。

5、降低金融服务的门槛和成本

金融智能体的自动化和低成本特性使其能够有效地触达传统金融服务难以覆盖的边缘人群和欠发达地区。

「金融智能体在金融体系中的角色正在逐步演进，引领一场不可逆的生产力革命，其发展轨迹从最初的辅助工具向更高级别的协作者发展，在特定场景下甚至可能成为任务主导者。」该报告总结道。

在生成式 AI 刚出现的时候，大家对于大模型技术充满了期待和憧憬，金融业也不例外。但这两年看下来，起初的热闹过去，金融机构对大模型技术的态度始终有些不温不火。

说到底，智能客服、智能营销都是外围场景，不直接贡献增长。成本、数据、技术门槛……挑战客观存在，但本质还在于大家并没有看到新技术对于核心业务和收入利润的贡献。

但如今，AI Agent（智能体）的出现或许会改变这一局面，因为他正在重塑生产力，从业务外围向核心场景不断突进。

从目前的实践来看，已经推出的金融智能体产品都渗透到整个金融产业链的不同环节，比如奇富科技的「信贷超级智能体」。

蚂蚁数科更是探索了超过 100 个金融智能体的深度应用场景，覆盖了银行、证券、保险、通用四大领域，渗透到客户服务、内部运营、营销与销售、风险管理、产品创新、决策支持等场景之中。

我们不妨从一个具体的财富管理场景切入，来看金融智能体可以做什么？又能创造哪些增量价值。

比如，当客户抛出一个问题，「我现在的持仓合理吗？请提出建议。」

金融智能体收到这个问题之后，首先会分析用户指令，包括解读指令背后的隐藏需求，比如，客户这句话的潜台词可能是「市场变化了我是否需要调整持仓，我现在的持仓是不是风险有点高？」

当分析了指令之后，金融智能体会把这个需求拆分成若干具体的任务：要去了解客户画像、持仓情况以及近期市场变化，再完成分析诊断、给出相应建议等等。然后基于这些任务，去调用相关的数据和工具来一一完成。

在此基础上，金融智能体还会综合专业和情感等多个维度输出答案，甚至主动猜测客户还想提出的问题。

至此，客户在极短时间内获得了一次高质量的财富管理「问诊」和「咨询」。

相比信贷业务相对标准化的业务流程，财富管理业务的痛点在于客户的自身情况和理财需求千差万别，很难提供精准的服务。而目前来看，人+数字化的方式仍有「断点」，客户体验并不流畅。

而金融智能体「感知-推理-规划-执行-进化」的闭环机制，可以实现「端到端」解决更复杂的理财问题，有望真正实现「千人千面」的理财服务。

拥抱AI Agent：最终还是「一把手工程」

前些年的金融数字化转型，为今天的智能化打下了一定的基础。即便如此，金融机构在更复杂的业务场景下，依然面临流程固化、数据孤岛、人力成本高企、个性化服务不足等挑战。

生成式 AI的横空出世让各行各业都为之一振，但对于金融机构来说，大模型技术从部署到应用仍存在不少障碍。很多年初高调接入 DeepSeek的金融机构，也再没有更进一步的动作。

尽管 DeepSeek 在一定程度上降低了企业部署和使用大模型的门槛，但这并不代表没有投入。

据了解，从基础设施投入到应用落地，金融机构一次性的成本投入至少在百万量级，但产出是什么？可量化的结果有多少？却没有答案

此外，还有一些「隐性门槛」不能忽略。比如前面提到的「数据孤岛」问题，根据麦肯锡的调研报告，40%的企业存在50个以上的数据孤岛，这会导致大模型精度下降20%-30%。

还有就是复合型人才短缺的矛盾愈发尖锐。将 AI 大模型技术应用到具体的金融场景当中，并非易事，AI+金融的跨能力协作还是要复杂的多。

麦肯锡预测，2030年中国AI人才缺口将达500万，兼具算法与金融业务能力者不足15%。

面对种种挑战，金融智能体深入业务场景、自主解决问题的能力，降低了金融机构前期的投入成本、磨合成本和合规风险，让更多机构看到了通过投资「技术变量」带来「价值增量」的曙光，尤其，这种价值增长既是可量化的，也是可持续的。

眼下，国内的金融智能体发展处于单智能体与多智能体协同应用并存的状态。

根据麦肯锡的定义，「单智能体」主要解决一些具体的、相对简单的业务需求。而「多智能体系统」则像是一个虚拟职场，每个智能体都有自己专长的特定领域，并统一受「协调智能体」调用，从而使得多智能体系统能够与人类一样，具备行动规划、使用工具执行规划、与其他智能体及人员合作、边实践边学习以自我改进的能力。

这种单+多的智能体生态，进一步降低了金融机构的「试水」门槛。可以先从某个具体业务场景或诉求切入，来试用相应的金融智能体产品，而不需要从一开始颠覆以往的业务框架。

基于对金融智能体的落地经验，蚂蚁数科总结了四条路径：

在大模型时代，AI的进化与迭代速度远超我们的想象。随着金融智能体的加速落地，其应用的门槛更低、见效更快，对于金融机构而言，是否应用「新质生产力」所带来的业务差距也会越来越大。

当然，新一轮生产力变革所带来的不只是技术升级，更是战略重构、组织变革和文化重塑的系统工程。

麦肯锡的调查分析表明，由CEO亲自监督这项工作，是企业借助生成式AI提升财务表现的关键因素之一。尤其在大型企业中，CEO的直接参与对息税前利润（EBIT）的拉动效果最为显著。

对于金融行业而言，从数智迁徙到范式重构，未来已来。

本文来自微信公众号 “馨金融”（ID：Xinfinance），作者：关注前沿的，36氪经授权发布。