作者 | 定焦One 王璐

Louis構思好框架後把素材餵給AI，再調出幾個自建的Skill，只要幾個小時，一份符合他思路且相對完整的調研報告就出爐了。同樣的活，2020年的中秋，他寫了一整個假期。

Louis在金融行業待了10年，做過行業研究員、產品經理，參與過全國性金融系統的設計，跑過衍生品交易和後台結算的整套系統，了解金融行業的整個工作流程。他的這份提速體感，眼下每一個金融從業者都能感受到，因為AI巨頭正集體殺進金融。

IDC數據顯示，2025年中國金融生成式AI市場增速高達90.4%，是AI落地最猛的行業之一。到了今年，節奏還在加快。

5月，Anthropic一口氣發布10個金融Agent模板；8月，Google Cloud推出Gemini金融服務版。真正密集的火力集中在最近一個月，9月3日，騰訊WorkBuddy金融版上線，自今年3月以來，WorkBuddy號稱已陸續入職中金公司、國投證券、中國太平等100多家金融機構；9月7日，千問宣佈接入興業證券、易方達、衆安保險等十餘家機構。9月10日，OpenAI推出金融版ChatGPT，摩根士丹利參與打磨，內置PitchBook、LSEG等金融數據。同期，阿里雲內測AI投研工具Qovest的消息也在圈內流傳。

兩個月內，四家巨頭排隊入場。AI能落地的行業不少，為什麼巨頭在這個時候死磕金融？金融AI到底改變了什麼，又遲遲沒改變什麼？

01.巨頭扎堆AI金融，為什麼是現在？

金融和AI的天然適配，早已是行業共識。

金融是數字化程度最高的領域之一，存在着海量的結構化文本。需求端，中國結算《2025年統計年鑑》顯示，A股投資者已超過2.5億，自然人佔比99.76%，上交所披露的數據中，僅2026年一季度新增開戶就超1200萬戶；資產端，中國結算登記存管的證券超過4.2萬隻，滬深總市值近138萬億元；內容端，5469家上市公司每年滾動披露數萬份定期報告，疊加每天滾動產生的公告與快訊，構成一個文本處理量以億字計的市場。

信息濃度高，金融從業者每天的工作，幾乎都是信息搬運和密集計算，而這恰好是AI的主場。Louis的體感是，以前研究員需要和寫代碼的同事配合，才能搭量化模型、完成coding等任務，現在只要懂產品思維，把思維餵給AI，代碼生成和信息檢索由AI代勞，研發周期大幅縮短。

Louis發在社交媒體平台上的思考

但適配只是底子，真正卡住的一直是技術。今年，有兩件事終於跑通了。

一件是幻覺可控化。金融行業對AI的要求是零幻覺、可回溯、審計留痕，過去這被視為禁區，如今正在被逐一拆解。模型端，在Vectara幻覺排行榜的摘要事實一致性測試中，頭部金融垂直模型的幻覺率已壓到2%以內；工程端，RAG（檢索增強生成）成為B端標配，模型被約束在機構給定的數據源內作答；產品端，Agent模板和工作台把每一次調用留痕，讓幻覺從不可接受的風險變成可定位、可審計的誤差。

「金融客戶不會追求幻覺率為零，他們更關心的是說錯了能不能發現、能不能定位。」一位金融AI領域的創業者說。落到工程上就是三層兜底，檢索層只查給定的數據源；生成層要求每個結論必須帶引用；審計層把每次調用的輸入、輸出、引用全部留痕。中國人民大學本碩、某頭部VC投資分析師趙永國（Octo）補充了驗收側的關鍵在於「溯源」，每條結論掛上出處鏈接，點進去就能看到出自哪份研報、哪份年報。

另一件是Agent。幻覺可控，AI才被允許進門，但要它真的替人幹活，還得靠Agent。

Octo認為，「聊天機器人時代，AI本質是搜索，把文檔切成數據塊，按關鍵詞檢索、拼成答案，只有提效，沒有實質，但Agent能跑通工作流的閉環。以基金公司的行業研究為例，行業-要素-權重-方法論，一層套一層，靠多個子Agent分工協作，整套研究框架才得以AI化。閉環能力成立之後，金融行業才第一次確認這東西真的能用。這纔是巨頭集體入局的真正時間拐點。」

最後是市場空間。IDC數據顯示，2025年中國金融行業生成式AI平台及應用解決方案市場規模為17.4億元，2029年將增至113.5億元。橫向比，這個盤子並不算大，同年AI醫療應用軟件市場已達35.4億元，約為金融的兩倍，但金融90.4%的增速穩居行業應用第一梯隊。高增速有一部分來自低基數（2024年僅9.14億元），可低基數只是放大器，真正的驅動力是需求的集中釋放。

更關鍵的是，金融機構付得起錢。Octo算了筆賬，「一個外部數據賬號年費高達上萬元，一家中型基金公司一採購就是幾百個，而且還涉及大量要求不高、人力成本卻不低的重複性勞動的崗位，這是AI替代最現實的ROI。」

數據、技術、錢都到位了，巨頭纔會同時擠進來。

02.三種路線：從賣能力到搶入口

國內外巨頭接連進場金融AI，但方式完全不同。拆開看，產品形態可分為三種，對應的是三種生意：賣工具、賣系統、搶流量。

第一種，是把AI做成金融從業者隨手可用的工具。

最先落地的，是把通用模型包裝成一套金融專業能力。比如，Anthropic發布的10個Agent模板，是將寫招股材料、做客戶背景審查、搭財務模型、月底對賬等重複性工作做成開箱即用的模板，同時接入標普、穆迪等權威數據庫，讓AI回答時直接查數。Google的Gemini金融服務版、OpenAI的金融版ChatGPT也類似，雲端訂閱，但集成和流程改造留在客戶側。

這類產品解決的是金融從業者每天最瑣碎、最標準化的工作：找數據、整理材料、搭初步模型、更新表格等。它的優勢在於部署最快，用戶門檻最低，覆蓋面也最容易做大。但這條路也最容易陷入同質化，技能可以複製，模型可以替換，數據連接也可以遷移。對巨頭而言，這更像是搶佔金融AI的第一層入口，同時培養用戶習慣和使用數據，真正高價值的部分還在後面。

第二種是工作台，把整套AI系統嵌進金融行業的生產流程。

這一層比「工具」重得多。AI開始進入銀行、券商、保險公司的業務系統，接觸權限、數據、審批和內部流程，最終承擔的是一段完整工作。

騰訊WorkBuddy金融版就是這一類。其金融版按公司金融、零售金融、投研投顧、個客經營分成四個工作台，廠商進駐裝機，和中金、平安銀行、中國太平等金融機構共同打磨。對公信貸盡調等流程已經開始嘗試用AI壓縮處理時間，整套系統部署在機構內網，模型、數據、審計鏈路全部留在機構自己的牆內。阿里點金打法類似。

這條路線的優勢恰恰來自它的重，一旦AI進入核心流程，客戶就很難輕易更換。權限體系、數據接口、員工培訓、審計記錄、內部系統適配，都需要重新搭建。對於AI廠商來說，這意味着更長的銷售周期和更高的交付成本，但也意味着更高的客單價和更強的客戶黏性。這條路最考驗廠商的企業服務能力。

第三種，是把AI推到金融服務的用戶入口。

比如，千問App把券商、基金、保險、期貨等機構直接放進一個面向消費者的AI入口裏。用戶在一個App裏查詢行情、閱讀研報、獲取機構提供的金融服務。對於金融機構來說，這意味着多了一條觸達用戶的渠道；對於AI平台來說，則是在爭奪用戶每天處理「錢」的那個入口。

這條路線的想象空間最大，因為它直接連接用戶和金融服務。一旦用戶形成習慣，AI平台掌握的就可能是大量金融需求的分發權。但它也是三條路線裏最難的一條，企業內部的AI，主要解決效率問題；面向消費者的金融AI，還要處理責任、牌照和信任。

因此，三條路線的商業價值其實各有側重。從眼下的成熟度看，第一條最容易快速放量，第二條最有可能沉澱長期價值，第三條則最考驗平台的用戶規模和金融服務能力。這也解釋了為什麼巨頭沒有押注同一種產品。對於Anthropic、Google、OpenAI來說，先把金融專業能力裝進模型，是進入機構的最快方式；騰訊、阿里更擅長企業服務和本地化部署，更容易從工作流切入；阿里的千問還可以利用App的用戶規模，去爭奪金融服務的消費端入口。

但無論走哪條路，巨頭真正想把這門生意做深，都繞不開兩個問題。

第一關在上游，核心數據仍然掌握在別人手裏。

行情、財報、公告、研報的授權和口徑，長期掌握在Wind、同花順、通達信、彭博、穆迪、標普這些數據商手裏。現在的變化是，AI廠商開始通過MCP和各種連接器，把這些原本藏在專業終端裏的數據調用能力接進Agent。Anthropic與穆迪合作，Google聯手標普，WorkBuddy接入通達信，不是技術偏好，而是不做這個連接器，就拿不到更多專業數據。模型可以迭代，數據授權、數據口徑和歷史積累卻很難一夜之間複製。

第二關在下游，金融機構自己也在建AI產品。

大型金融機構很難把最核心的能力全部交給外部廠商。東吳證券自研秀財GPT，用本地化部署的DeepSeek-R1做投顧、研報和風險識別；中金把資深分析師的研究方法蒸餾成技能包；國君、廣發、國信、中信建投各家都搭起了自己的智能體矩陣；長橋則選擇從底層到應用全鏈路自研，再將能力向外輸出。

所以，AI金融不是巨頭進去就贏的生意。

03.AI進了金融，但還沒進最核心的地方

三條路線解決的是AI怎麼進入金融機構的問題，真正到了工位上，又是另一回事。

Louis的體感是，目前金融AI真正讓一線人員感受到明顯提效的，主要還是行研和交易，而且集中在相對基礎的環節。

「金融是一台大機器，行研和交易只是其中一台發動機。」他還指出了一個被忽略的事實，金融業最原始的形態是銀行的存貸，如今沒有任何一家金融AI能夠覆蓋借貸和存款的全周期。巨頭反覆強調的覆蓋證券、基金、期貨、保險全鏈條，落到實際，信貸審批、風險評估、合規決策這些最核心的環節，AI仍然只是輔助。

Octo從用人端給出了印證，「AI現在最容易替代的，是實習生和初級研究員。實習生的活是扒數據、整理數據、聽會寫紀要；初級研究員多一層最基礎的研究能力，但他們的產出本質是行業普遍認知。對於通用AI來說，這些內容有足夠多的公開樣本可以學習，也有相對清晰的工作流程可以拆解。」  

而金融真正值錢的部分，往往發生在信息已經整理完之後。比如，同一組宏觀數據擺在幾個研究員面前，有人判斷行業即將反轉，有人認為只是短期波動，這些判斷依賴的往往不是公開信息本身，而是對行業周期、公司經營、交易環境以及過去經驗的綜合理解。

更現實的問題是，少數人持有的觀點和knowhow（落地的經驗、踩坑心得、實操技巧、內部做法），機構不會交給任何外部廠商。這解釋了覆蓋面為什麼窄，AI能幹的是普遍認知的活，而金融裏最貴的活，恰恰是不普遍的那些。

除了覆蓋面小，數據隱私是另一道坎。

幻覺率降了，但紅線還在。一位金融從業者把信息分得很清楚，「未公開的財務數據、內部報表、董事會材料，都是敏感信息，不可能提供給AI。」

從這個角度看，AI已經進入金融的工作流，外圍工作開始被AI接手，但核心判斷仍然牢牢握在人手裏。

巨頭們則正在想辦法改造這個行業，佈局深的，或將成為機構離不開的底座；佈局淺的，按token計費、隨時可被替換。不止一位從業者認為，未來AI金融很可能不會只有一種贏家。模型廠商負責提供通用智能，數據商守住專業數據和口徑，AI平台負責把模型、數據和Agent組織起來，金融機構則把自己的業務規則和方法論留在內部。真正能長期留下來的產品，最終都得進入這張複雜的產業鏈裏，找到自己不可輕易替代的位置。