專題：服貿會第七屆中國金融科技論壇
中國國際服務貿易交易會-第七屆中國金融科技論壇於2025年9月10日-11日在北京舉行。主題爲“科技賦能—金融業數字化轉型與應用”。奇富科技副總裁宋榮鑫出席並演講。
以下爲演講實錄：
各位領導、各位來賓，大家好。非常榮幸能夠在服貿會這樣一個平臺與大家交流，剛纔前面各位領導的發言也是讓我受益匪淺。
奇富科技作爲長期致力於用最先進的人工智能技術賦能金融行業的一家公司，今天我想結合過去1年奇富科技在AI-Native+金融方面的實踐和大家分享智能體在金融業務的應用趨勢。
先分享幾組數字：
從全球的趨勢來看，2022年大約有45%的金融機構在應用AI，2025年比例躍升到85%。從市場投入上來看，AI市場的投入規模當初也非常快，尤其是銀行業最爲積極。預計到2027年市場將突破270億美元，在中國國務院已經提出到2027年新一代的智能體普及率會超過70%，到2030年要超過90%。
根據Gartner的數據，生成式AI在中國的落地率也在快速提升，去年是8%，今年就已經能達到43%，這也和我們的切實感受是非常一致的。今天爲止，近乎沒有哪一個金融同行沒有在探索智能體的。所以我們看到無論是政策、資本還是產業，都在共同推動AI走向金融場景的深度應用。
爲了更系統的跟蹤這個趨勢，我們每一年都會對市面上看到的金融AI產品去做調研，今年我們還在英國、硅谷等地方設立了團隊，和當地的銀行、科技公司做深入的交流，經過對600多個產品的詳細分析，我們看到一個非常明顯的趨勢。
在2023年的時候，大約85%的AI產品，主要集中在客服、文檔處理等邊緣式的嘗試。到今年其實已經有1/3產品切入到風控、獲客這樣的場景。比如說我最近關注的一家公司叫Casca，它不僅把大模型技術應用在覈心流程裏面，而且還用AI- Native的架構重新搭建了整個銀行的信貸平臺。在90%人員的投入減少下，它實現了十倍的效率提升，而且服務了大量原來服務不到的小微企業，總的來說金融大模型的應用，確實是從“支持性工具”開始轉向“業務核心流程”。
從奇富科技自身的發展來看，我們在這條路上的演進其實也和行業是高度一致的。熟悉我們的人可能知道我們在大模型做金融是做得比較早的。我們在2023年就已經組建了100多個人的大模型團隊，我們當時還發布了一個基座大模型，但是現在我們不做基座大模型了。我們覺得那一段時間做技術沉澱還是非常重要的，但從應用的角度來說，2023年主要還是在做客服助手、營銷質檢相對邊緣的場景。到2024年，我們其實有更多的成果，比如說像Jarvis、ChatBI這樣的產品，逐步進入業務提效的環節。當時也得到了不少掌聲，但業務反饋很清楚地告訴我們：這些應用還不夠核心。比如說拿信貸舉例來說，如果你不去做風控、不去做獲客，相當於你就不是在做核心。
2024年不做的原因，我覺得有好幾個：
一是從技術角度來說當時推理成本還是比較高昂的，不划算。
另外一個就是幻覺問題，雖然說我們用了RAG技術解決了很多幻覺的問題，但是在金融的核心場景裏面，我們會看到經常需要做多步的推理，去年解決得還不是很好。
另外一個就是產品切入點，我覺得想得還不是很清楚。
到2025年出現了一個拐點，一方面像DeepSeek R1這樣的新模型確實推動了行業的快速迭代。另一方面我覺得憑藉着對底層數據的理解，對切入點想得比較清楚，楊總也提到要做超級員工，我們確實也是深表共鳴。很多人可能已經覺得大模型應用必須要在現有的系統裏面去替換某一個核心的模塊，從而達到一個非常好的效果。我現在覺得從輔助人開始是一個非常好的選擇，比如說你能夠把很多重要的崗位體力勞動的時間轉化爲腦力勞動的時間，其實也是非常有價值的。
另外就是爲了做好助手，我們在架構上也更新了奇富AI-Native的架構，可以充分的發揮數據場景和模型的優勢。
基於這一塊，我們今天做的AI合規、AI信貸員、AI審批官這樣的智能體已經能夠作爲金融核心崗位的有效助手，直接進入金融風控核心的環節，實現大模型從邊緣到核心的轉變。可能有人要問爲什麼我們能把AI落到金融的核心業務裏？這是簡單說一下：
第一個比較重要的原因，我們捨得長期投入，到目前爲止我們在AI領域已經投入了確實超過近百億的研發資金。長期維持一支近千人的技術團隊，專門盯着金融場景的創新，這些投入帶來了很多的沉澱，比如說900多項專利，80多個著作權，在國際頂刊上我們也是經常發表論文。還和信通院一起發佈了國內首個金融大模型的標準。更重要的是，我覺得有這樣長期投入的決心，在一些關鍵的時候，在探索AI應用的時候，纔有底氣往深入的做，而不是停留在概念層面。
第二個原因，我覺得我們有數據和場景的土壤，這裏面有一組數據我就不全部唸了，可以看到奇富科技在2億註冊用戶的基數下，每天產生的業務量，場景交互量還是巨大的。正是這種複雜多樣的環境，給智能體提供了豐富的“環境數據”，讓智能體能夠不斷的學習和進化。
說實話，以前我也沒覺得這麼重要，但是自從做了智能體之後，我覺得對這些數據的重要性感觸還是比較深的。舉個例子，我們最近經常會做調研，很多銀行客戶經理在一天快下班的時候，他會做很多客戶關係覆盤的工作。我們看到每天就要花兩個小時，有的時候會聽一下和客戶打電話的錄音，或者跟他的記憶在系統裏面去做備註，比如說每個客戶有沒有貸款需求呀？今天和客戶聊了哪些內容之類的，主要是爲了沒有漏掉這些客戶的需求或者說銷售機會，要不就是爲下一次營銷做準備。
待會兒我會分享到一個智能體，我們就是嘗試給客戶經理提供這麼一個AI助力，大幅降低這裏面的時間投入。但這裏主要是想要說從準確性來說，根據我們的數據覆盤，客戶關係覆盤這個事如果光靠人來做，準確率到60%。如果用通用大模型來做，這個準確率最多也就到7%，但是我們把每天的環境數據灌輸到大模型之後，準確率可以做到85%以上，而且還在持續變化。
有了豐富的場景和數據之後，我覺得還需要一套能夠把場景和數據發揮到極致的AI架構，大模型訓練的能力和數據處理的能力肯定是標配，少不了的。當前我們看到很多智能體的應用，其實還是基於規則或者邏輯驅動，模型訓練完了之後，需要提前去做大量的數據提取和標註，整個迭代確實是比較慢的，一旦到金融的核心場景變複雜之後，工作量會有一個指數級的增長，效果也不持續。
我們覺得在AI-Native這種架構下，智能體本身就是系統的中樞。它能夠形成數據、模型、業務反饋的閉環，簡單來說就是你用得越多，就學得越快，效果也越來越好。
接下來我想給大家分享幾個我們已經落地的例子：
第一個例子是AI信貸員，是我們在信貸獲客、業務場景賦能核心場景的這麼一個智能體。我們說獲客的核心場景是什麼呢？大家有可能也會覺得，是現在大家都會有的信貸申請系統，或者說是一些營銷工具，其實我們覺得不是，我們覺得信貸獲客的核心場景就在客戶經理的身上。比如說客戶經理想主動出去獲客，出門去哪裏才能夠碰到潛在的客戶？有了AI信貸員之後，就不用想了，直接給你推薦地點和詳細信息。
比如說剛纔提到的客戶接觸記錄的摘要，怎麼樣去記錄用最少的時間，有了AI信貸員你也不用自己去記錄了，它可以自己打標籤，可能比你自己做得還準，就比如說多個客戶都想對多個客戶做到無微不至的客戶關懷，提升黏性和留存率。
有了AI助手，你可以直接派任務，你可以對助手說，請幫我設定一個任務，給每個過生日的客戶，根據他的地域，定製不同的生日祝福，並在早上發送短信。你只需要下達這麼一個任務，助手就會自動的幫你去做。
再比如說產品推薦，你也可以對助手說，幫我找一下有房子但是沒有房貸並且根據歷史三個月所有的接觸記錄來判斷，可能有貸款需求的客戶，幫我發一條推薦信息給他，如果他感興趣了，再通知我。你也可以下這樣的指令給助手。
AI信貸員就是我們面向客戶經理研發的智能助手，目的是要把核心複雜的需求用智能體真正的滿足起來，讓每個人都可以去做銷售冠軍。本月我們也將會發布正式的To B的版本，目前從內部的試點來看可以幫助客戶經理人均轉化率提升15%，效率提升30%，特別是每個人去管理的客戶數，從幾百個可以拓展到幾千個。
另外一個成果就是AI審批官，它進入了金融最核心的審批和風控環節。在傳統的系統架構裏，AI更多的是作爲材料識別或者字段提取的工具，在結合策略和模型做風險識別，這種方式成本高、落地週期比較長，而且如果有很多材料的模塊的話，還需要頻繁地進行信用迭代。在奇富AI-Native的架構下，審批官是一個真正的數字員工，它能整合徵信、交易、行爲等全量數據，完成跨模態、端到端的風控推理。
比如說在審查、審批場景它已經能做到零退補件，100%的審查自動化，審批時效也是在T+0完成。
又比如說風險建模場景，它可以充當風險策略人員的智能助理，就有點像高級建模專家，在日常的建模工作裏面，我們知道有特徵選擇、歸因分析和模型評估等工作。其實它可以給這些智能助理設定一個任務之後，智能助理就可以7*24小時連續運轉，直到達到設定的目標。
除此之外，我們還有一位智能選手可以在企業信貸中爲金融機構承擔麥肯錫諮詢師的角色。
最後我想要說AI-Native智能體在金融核心場景的應用纔剛剛開始。面向未來我覺得中國擁有全球最複雜的金融場景和最大的用戶規模，每天數億級的交互和真實的業務循環，正在成爲智能體持續進化最好的土壤。我們相信AI在金融業的故事已經進入了一個全新的階段，奇富科技也會持續的堅定走在AI-Native+金融的賽道上，在中國深耕，把經驗推廣到全球，爲世界金融業的智能化升級貢獻一份中國方案。
謝謝大家！
新浪聲明：所有會議實錄均爲現場速記整理，未經演講者審閱，新浪網登載此文出於傳遞更多信息之目的，並不意味着贊同其觀點或證實其描述。
責任編輯：王翔