隨著AI大模型技術興起，越來越多金融機構正將它應用在各個業務場景。

數據顯示，當前逾70%的國內金融機構處于大模型調研階段，8%處于立項階段，17%開始進入測試階段，部分金融機構甚至已將大模型技術投入實際應用。

一位城商行IT部門主管向記者透露，盡管金融行業對大模型技術的關注度和參與度日益升溫，但在大模型實際落地過程，金融機構仍面臨模型選擇難、算力供應不足、應用成熟度不足等挑戰。

興業證券金融科技部總經理蔣劍飛指出，當前，算力不足與成本過高是制約金融機構應用大模型技術的主要挑戰，但在未來，金融機構還將面臨模型成效的挑戰。

在他看來，當前證券公司的大模型應用仍處于逐步探索的起步階段，不少點狀的應用場景開始“爆發”，但是體系化、規?；膽脠鼍叭杂写诰?。當前金融機構要積極擁抱大模型技術，仍需穩健落實相關規劃，聚焦成效與深耕業務場景。

國金證券首席信息官王洪濤認為，當前大模型技術研發應用面臨的另一大挑戰，是金融機構各個業務部門留存的大量數據尚未經過有效的規范整理與治理。由于大模型技術體系對數據安全性、實時性與數據連通性方面的要求較高，金融機構針對各業務部門數據治理與規范使用，仍需持續不斷的優化。

在業內人士看來，隨著大模型技術在金融場景的應用落地日益增多，未來大模型技術可能在金融領域帶來體系化重構效應，其中包括重新定義人機交互方式與專業應用程序，重構金融機構原有的基礎設施與管理體系等。在這種情況下，針對大模型技術的發展需求，金融機構還需完成從原有的云原生數字化架構，向大模型原生數字化架構的升級。

王洪濤指出，在大模型技術的早期成熟過程，或許由科技公司“主導”；但當大模型技術發展到一定程度并產生溢出效應后，金融機構或將主導大模型技術的發展應用方向。

大模型應用場景從“點狀化”邁向“體系化規?；?/span>

記者獲悉，隨著AI大模型技術的興起，越來越多金融機構已將它成功應用在特定的業務場景。

近期，大模型技術正悄然在越來越多銀行智能客服場景落地。

上述城商行IT部門主管向記者直言，其銀行高層對大模型技術在智能客服場景的應用，抱有極高的期望值——一是希望它能令銀行減少逾百位人工客服的人力成本，二是希望它能提供更具人性化與精準化的智能客服體驗，提升銀行的口碑。

記者獲悉，當前不少銀行推出了智能客服“數字人”，廣泛應用在移動端APP、對公業務、財富管理等零售業務等眾多場景。但是，這些智能客服“數字人”的智能化程度不夠高，往往面對客戶提出的復雜問題，要么出現答非所問的狀況，要么無法準確理解用戶提問上下文內容并給出正確的答案。

在這種情況下，越來越多銀行開始寄希望AI大模型技術能給智能客服“數字人”裝載“大腦”。

這背后，一是AI大模型在內容生成和語義理解方面有著卓越的表現，與智能客服需求有著較高的契合度。二是AI大模型還能在某種程度進一步提升智能客服的智能化程度。

在證券投資領域，部分券商已著手將AI大模型技術應用在投顧與投研等場景，幫助投資者與分析師快速高效地獲取各類財經資訊以及核心內容。

一位券商IT部門人士告訴記者，針對大模型技術在投顧場景的應用，他們已開始內測。究其原因，以往AI投顧“機器人”回答的話術內容生硬專業，眾多投資者反饋自己看不懂這些回答內容，因此券商希望能借助AI大模型技術，將一些專業術語在內容合規準確的情況下變得更通俗易懂，且問答語調更貼近投資者希望看到的風格，進一步提升投顧服務體驗。

前述城商行IT部門主管透露，銀行高層希望大模型技術先在智能客服場景創造降本增效與提升服務體驗的雙重效果，再將AI大模型技術應用推廣到信貸風控、業務在線辦理、智能營銷等場景。目前，他們遇到的一大挑戰，是AI大模型技術的應用場景越多，需要打通的銀行各業務部門數據越廣，但鑒于當前各業務部門的數據采集使用標準不一，其數據治理與規范整理過程將是新挑戰。

數據治理與規范整理挑戰

記者獲悉，針對金融大模型的數據治理與規范整理，各家金融機構有著不同的做法。

申萬宏源信息技術開發總部總經理助理石宏飛表示，申萬宏源針對數據治理的總體規劃思路包含四方面，一是數據治理全域化，要推進數據治理全生命周期的管理模式，即源頭治理、過程管理以及最后的末端處理模式；二是數據資產的標準化，最終形成標準化的數據指標體系以及衍生指標，及一些低代碼二次開發的衍生指標；三是數據服務自助化，通過“自助分析+標簽工廠”提供數據自助加工；四是數據應用自助，包含大模型、AI、BI等。

一位股份制銀行人士向記者透露，針對大模型技術應用所涉及的數據治理，他們主要分成三步走，一是從總行層面制定數據治理操作標準與數據規范整理操作指引，先由各個業務部門按照上述要求自行梳理，二是總部IT部門會組建專門團隊，負責對各個業務部門數據治理成效進行評估與完善，三是將各業務部門完成治理且符合要求的數據納入一個數據中臺，作為大模型技術在更多業務場景應用的一項重要數據來源。

在他看來，當前令他們比較傷腦筋的，是如何全面評估金融大模型的能力表現。他們通過多輪內測發現，在智能客服、業務在線辦理、業務合規審核場景，金融大模型的應用成效高于預期；但在信貸風控、智能營銷等場景，金融大模型的表現則“差強人意”。

記者獲悉，中國信通院聯合相關機構著手設定金融大模型的評測標準，包含“L0-L1-L2”三層能力評測。其中，通用能力L0層包括基礎常識、語義理解、數學計算、多輪對話能力、表格處理能力和安全能力等；金融領域能力L1層包括金融法律法規遵循、金融百科問答與實體識別；金融場景能力L2層包括投顧、投研、運營、合規等場景的專屬任務評測。

在業內人士看來，若要金融大模型更好地應用在各個業務場景，除了全面考察評估金融大模型的能力表現，金融機構還需密切關注金融大模型生成內容的可控問題。尤其在金融領域，相關部門對金融業務話術內容的合規性與準確性要求非常高，不會容許任何“誤導金融消費者”的行為出現。

前述券商IT部門人士透露，這需要金融大模型在語料安全、模型安全、模型評估等方面設立完善的安全機制，確保大模型生成內容的安全合規并符合監管要求。目前他們雙管齊下，針對投顧場景的金融大模型語料采集，已相應減少財經大V版權語料并增加任務指令微調，更好地應對金融術語口語眾多、知識幻覺、監管嚴格等挑戰；針對投研場景的金融大模型語料采集，則通過新技術解決超長文本處理、圖表文字混合排布、投研術語眾多等問題，令研報觀點抽取、輿情事件識別、資訊摘要、表格處理、公司實體識別等方面呈現更高的準確性。

在他看來，判斷金融大模型技術能否有效落地應用，需從能否實質性改善用戶體驗、能否顯著提高業務效率，能否提升業務盈利能力而非追求流量等三個維度判斷。目前而言，金融大模型或許能在個別金融業務場景呈現不錯成效，但要讓它在更多金融業務場景發揮更大價值，仍需金融機構持續追加金融大模型的研發投入，確保它能在更大范疇賦能金融機構降本增效與提升金融服務體驗。

責任編輯：王超