銀行Agent的落地方式，正在從單點試驗轉向更系統的工程化建設。

9月初，浙商銀行一筆Agent基礎軟硬件項目披露中標結果，接近6500萬元的報價，成為年內公開可查金融機構Agent項目中，金額最大的一筆；

疊加此前落地的財富及供應鏈Agent項目，浙商銀行在Agent上的公開採購金額已合計超過7400萬元。

這並不是孤例，上海銀行、浦發銀行、恒豐銀行近期均有大額採購落地，加碼Agent工作站、創設平台和運行觀測等環節。

銀行正在為Agent花更多的錢，而這些錢正在投向更底層的工程能力。

幾乎同期，服貿會、外灘大會上，銀行高管開始更多討論如何批量開發Agent、上線後怎麼評估、怎樣持續管理；

部分金融科技公司甚至將Agent平台定義為「超級工廠」，欲把開發、部署、評測和管理納入同一套體系。

資金流向和行業討論指向了同一個變化：銀行的目標正在從落地零散的Agent，轉向一套能夠反覆生產、調用和管理Agent的基礎能力。

資金流向底座

真實業務中，Agent需要調用知識、工具、業務系統執行任務；

這套規則落地銀行業時的特殊性在於，銀行不僅要檢查輸出結果，也要控制任務的執行過程。

一家股份行數據架構師向樞紐表示，不是所有場景都適合直接交給Agent；

例如，意圖識別、合同要素抽取等「非標準輸入、標準輸出」的任務容易落地，但信貸審批、理財規劃等複雜流程，需要把模型嵌入既有工作流，由規則、權限和人工節點共同控制。

這也改變了銀行科技項目固有的研發與交付方式。

傳統科技項目通常由業務提出需求、科技負責開發；

Agent進入生產後，業務規則、SOP和經驗判斷需要被轉化為模型能夠識別和執行的邏輯，業務人員需要深地參與測試和調整。

上述數據架構師表示，在Agent的金融場景開發模式中，業務專家需要深度參與知識和規則的沉澱，科技人員則負責將這些經驗轉化為可執行的流程和工具，雙方的協作早已經由需求交付，延伸到共同開發和持續調整。

而當Agent從試點走向批量，原本由各個項目分別完成的開發、評測和運行管理，也隨之出現標準化需求。

近期的採購已經出現對應變化。

樞紐統計發現，今年上半年，金融行業大模型中標項目達到406個，按年增長110%，其中銀行機構在項目數量和金額上的佔比均接近半數；

自去年下半年開始，Agent類應用項目明顯增加，銀行AI建設逐漸由模型部署和算力擴容，走向更具體的應用層。

這其中，浙商銀行接近6500萬元的Agent基礎軟硬件項目，已經覆蓋算力、知識工程、模型和Agent運行環節，建設範圍延伸至支撐後續Agent開發和運行的基礎環境；

同時，浦發銀行採購Agent創設平台，重點落在Agent的批量創建和管理；

恒豐銀行則單獨建設Agent觀測能力，把投入延伸到上線後的運行監測。

上述幾類項目，分別落在Agent生產體系的不同環節，說明銀行的投入對象正在由具體應用，繼續向開發和運行基礎設施延伸。

相似的變化，也反映在了科技部門職責和招聘需求上。

一位金融科技公司人士向樞紐反映，隨着Agent數量增加，銀行科技部門需要提供統一的開發和運行環境，並處理資源調用、Agent協同和治理等問題。

樞紐注意到，近期寧波銀行相關崗位出現Agent工作流構建和技術框架研發；

平安銀行則招聘AI Agent評測工程師，職責涉及工具調用、多步推理以及安全和性能評測。

從崗位設定看，Agent進入批量建設後，銀行對工程能力的需求已經延伸到工作流、工具調用、評測和運行管理等環節。

財富、信貸、客服仍按照各自的知識、流程和風險邊界開發，但其開發、驗證和運行管理，正逐漸形成一套相對統一的方法；

當Agent進入規模化建設，這套生產方法本身，也將成為銀行AI投入的新底座。

流程重新接線

Agent進入銀行核心業務後，真正複雜的，是原有流程裏的工作怎樣重新拆分。

信貸是一個典型場景。

今年以來，蘇州銀行相繼推進文檔識別、盡調、AI審批、放款審核和貸後管理等項目；

上海銀行也在對公授信的營銷、盡調和貸後環節佈局Agent。

這些項目分佈在一筆授信的不同階段：

材料讀取、數據提取、財務分析等任務相對標準，更容易交給機器，越往風險判斷和審批環節走，對業務經驗的依賴越高；

一組財務指標是否異常、哪些問題需要繼續追問、同樣的指標放在不同產業周期中意味着什麼，往往沒有固定答案，很多判斷沉澱在資深信貸人員長期積累的經驗裏。

目前，亦有金融科技公司在嘗試把這類經驗判斷進一步拆解、沉澱，並重新嵌入信貸流程。

神州信息AI創新中心總經理晉梅介紹，其公司推出CreditMind方案會把歷史盡調報告、審批意見以及貸款後續表現重新組織，從中提取資深信貸人員判斷風險時使用的邏輯和經驗，再用於新的審批任務。

在新的授信流程中，系統先處理客戶材料和基礎分析，再調用歷史案例和專家經驗補充風險提示，最終交由審批人員判斷；

這類嘗試的價值，在於把過去主要沉澱在個人經驗中的部分判斷，轉化成可以被Agent調用的Skill，再重新放回審批流程。

不過，能夠被沉澱的主要是相對明確的判斷邏輯，真正依賴具體客戶、行業環境和長期經驗形成的判斷，仍然需要人完成。

在這套組織架構之下，Agent進入信貸流程，將把原有工作拆成更細的任務：標準化信息處理給機器、可提煉經驗轉成Skill、關鍵風險判斷留給人。

可以觀察到的是，這種拆分已向更大範圍擴展。

浦發銀行披露，今年上半年已有超過440個AI應用，其中220個Agent實現工程化落地，同時上線108條AI流水線，數字勞動力承擔的工作量超過2500人年。

「AI流水線」比單個Agent數量更能反映流程層面的變化：不同AI能力按照業務順序被重新組織，機器連續承擔其中一部分任務，再在需要判斷、授權和承擔責任的節點交回人工。

浦發銀行首席人工智能科學家鄭波將金融AI進入生產概括為三個標準：進入核心業務流程，承擔過去由人完成的關鍵任務，並改善客戶體驗、經營效率或風險管理。

對銀行而言，Agent深入業務的程度，越來越取決於流程能被拆得多細。

哪些工作可以穩定交給機器，哪些經驗能夠沉澱成Skill，哪些判斷必須留給人，這些邊界越清楚，Agent越有可能真正嵌入核心業務。

進入運營之後

Agent進入業務流程後，銀行管理的對象，不只是一套系統能否正常運行，還包括它的業務效果能否持續滿足要求、是否值得繼續投入，以及出現異常後流程能不能被順利接住。

首先要解決的是持續校正。

Agent上線時通過測試，並不代表後續效果會保持不變；

業務規則、知識內容、客戶表達都在變化，實際使用中還會不斷出現新的反面案例，銀行需要繼續判斷，問題究竟來自知識缺失、流程設計，還是模型能力，再針對性調整。

來自金融科技公司的王軍（化名）向樞紐表示，傳統軟件上線後更多圍繞「運維」展開，Agent則需要持續「運營」；

這種運營關注的不只是系統是否在線，還包括輸出是否符合業務要求、問題出現在哪裏，以及後續該怎麼修正。

這也讓Agent上線後的評價變得更重要。

鄭波談及金融AI未來幾年的競爭時，將生產能力、價值運營能力和組織進化列為關鍵；

浙商銀行董事長陳海強則表示，科技投入要成為降本增效的收益項，通過使用頻率、承擔的工作量、處理效率，以及客戶轉化和風險管理效果等數據，判斷科技實際產出。

這些結果會進一步影響資源配置：能夠穩定承擔工作、形成業務價值的Agent可以繼續迭代，長期低頻、效果有限的應用，則需要調整甚至退出。

對銀行而言，另一項運營要求是業務連續性。

以授信為例，若Agent已經參與材料讀取、盡調分析和審批流轉，發生異常時，銀行需要明確任務停在哪一步、哪些結果已經進入後續流程、是否觸發過審批動作，以及接下來由誰繼續處理；

涉及交易和系統操作時，還要確認指令是否已經執行，避免人工接管後重復操作，或者因狀態不清引發新的操作風險。

王軍表示，目前業內已經開始討論給Agent設定kill switch，但更難的是Agent停下來以後，業務怎麼繼續。

樞紐注意到，如今這類需求，也已經進入銀行的建設範圍。

恒豐銀行單獨建設Agent觀測能力，反映出銀行對Agent的關注已經延伸到上線後的運行狀態和異常監測。

只有清楚Agent正在處理什麼、執行到了哪裏，異常發生後纔有條件及時接管；

持續校正決定一個Agent能不能越用越準，價值評價決定它值不值得繼續留下，異常接管則決定銀行敢不敢把更多工作交給它。

當Agent真正成為業務流程中的長期節點，運營能力也就成為規模化落地之後新的分水嶺。