专题：服贸会第七届中国金融科技论坛
中国国际服务贸易交易会-第七届中国金融科技论坛于2025年9月10日-11日在北京举行。主题为“科技赋能—金融业数字化转型与应用”。奇富科技副总裁宋荣鑫出席并演讲。
以下为演讲实录：
各位领导、各位来宾，大家好。非常荣幸能够在服贸会这样一个平台与大家交流，刚才前面各位领导的发言也是让我受益匪浅。
奇富科技作为长期致力于用最先进的人工智能技术赋能金融行业的一家公司，今天我想结合过去1年奇富科技在AI-Native+金融方面的实践和大家分享智能体在金融业务的应用趋势。
先分享几组数字：
从全球的趋势来看，2022年大约有45%的金融机构在应用AI，2025年比例跃升到85%。从市场投入上来看，AI市场的投入规模当初也非常快，尤其是银行业最为积极。预计到2027年市场将突破270亿美元，在中国国务院已经提出到2027年新一代的智能体普及率会超过70%，到2030年要超过90%。
根据Gartner的数据，生成式AI在中国的落地率也在快速提升，去年是8%，今年就已经能达到43%，这也和我们的切实感受是非常一致的。今天为止，近乎没有哪一个金融同行没有在探索智能体的。所以我们看到无论是政策、资本还是产业，都在共同推动AI走向金融场景的深度应用。
为了更系统的跟踪这个趋势，我们每一年都会对市面上看到的金融AI产品去做调研，今年我们还在英国、硅谷等地方设立了团队，和当地的银行、科技公司做深入的交流，经过对600多个产品的详细分析，我们看到一个非常明显的趋势。
在2023年的时候，大约85%的AI产品，主要集中在客服、文档处理等边缘式的尝试。到今年其实已经有1/3产品切入到风控、获客这样的场景。比如说我最近关注的一家公司叫Casca，它不仅把大模型技术应用在核心流程里面，而且还用AI- Native的架构重新搭建了整个银行的信贷平台。在90%人员的投入减少下，它实现了十倍的效率提升，而且服务了大量原来服务不到的小微企业，总的来说金融大模型的应用，确实是从“支持性工具”开始转向“业务核心流程”。
从奇富科技自身的发展来看，我们在这条路上的演进其实也和行业是高度一致的。熟悉我们的人可能知道我们在大模型做金融是做得比较早的。我们在2023年就已经组建了100多个人的大模型团队，我们当时还发布了一个基座大模型，但是现在我们不做基座大模型了。我们觉得那一段时间做技术沉淀还是非常重要的，但从应用的角度来说，2023年主要还是在做客服助手、营销质检相对边缘的场景。到2024年，我们其实有更多的成果，比如说像Jarvis、ChatBI这样的产品，逐步进入业务提效的环节。当时也得到了不少掌声，但业务反馈很清楚地告诉我们：这些应用还不够核心。比如说拿信贷举例来说，如果你不去做风控、不去做获客，相当于你就不是在做核心。
2024年不做的原因，我觉得有好几个：
一是从技术角度来说当时推理成本还是比较高昂的，不划算。
另外一个就是幻觉问题，虽然说我们用了RAG技术解决了很多幻觉的问题，但是在金融的核心场景里面，我们会看到经常需要做多步的推理，去年解决得还不是很好。
另外一个就是产品切入点，我觉得想得还不是很清楚。
到2025年出现了一个拐点，一方面像DeepSeek R1这样的新模型确实推动了行业的快速迭代。另一方面我觉得凭借着对底层数据的理解，对切入点想得比较清楚，杨总也提到要做超级员工，我们确实也是深表共鸣。很多人可能已经觉得大模型应用必须要在现有的系统里面去替换某一个核心的模块，从而达到一个非常好的效果。我现在觉得从辅助人开始是一个非常好的选择，比如说你能够把很多重要的岗位体力劳动的时间转化为脑力劳动的时间，其实也是非常有价值的。
另外就是为了做好助手，我们在架构上也更新了奇富AI-Native的架构，可以充分的发挥数据场景和模型的优势。
基于这一块，我们今天做的AI合规、AI信贷员、AI审批官这样的智能体已经能够作为金融核心岗位的有效助手，直接进入金融风控核心的环节，实现大模型从边缘到核心的转变。可能有人要问为什么我们能把AI落到金融的核心业务里？这是简单说一下：
第一个比较重要的原因，我们舍得长期投入，到目前为止我们在AI领域已经投入了确实超过近百亿的研发资金。长期维持一支近千人的技术团队，专门盯着金融场景的创新，这些投入带来了很多的沉淀，比如说900多项专利，80多个著作权，在国际顶刊上我们也是经常发表论文。还和信通院一起发布了国内首个金融大模型的标准。更重要的是，我觉得有这样长期投入的决心，在一些关键的时候，在探索AI应用的时候，才有底气往深入的做，而不是停留在概念层面。
第二个原因，我觉得我们有数据和场景的土壤，这里面有一组数据我就不全部念了，可以看到奇富科技在2亿注册用户的基数下，每天产生的业务量，场景交互量还是巨大的。正是这种复杂多样的环境，给智能体提供了丰富的“环境数据”，让智能体能够不断的学习和进化。
说实话，以前我也没觉得这么重要，但是自从做了智能体之后，我觉得对这些数据的重要性感触还是比较深的。举个例子，我们最近经常会做调研，很多银行客户经理在一天快下班的时候，他会做很多客户关系复盘的工作。我们看到每天就要花两个小时，有的时候会听一下和客户打电话的录音，或者跟他的记忆在系统里面去做备注，比如说每个客户有没有贷款需求呀？今天和客户聊了哪些内容之类的，主要是为了没有漏掉这些客户的需求或者说销售机会，要不就是为下一次营销做准备。
待会儿我会分享到一个智能体，我们就是尝试给客户经理提供这么一个AI助力，大幅降低这里面的时间投入。但这里主要是想要说从准确性来说，根据我们的数据复盘，客户关系复盘这个事如果光靠人来做，准确率到60%。如果用通用大模型来做，这个准确率最多也就到7%，但是我们把每天的环境数据灌输到大模型之后，准确率可以做到85%以上，而且还在持续变化。
有了丰富的场景和数据之后，我觉得还需要一套能够把场景和数据发挥到极致的AI架构，大模型训练的能力和数据处理的能力肯定是标配，少不了的。当前我们看到很多智能体的应用，其实还是基于规则或者逻辑驱动，模型训练完了之后，需要提前去做大量的数据提取和标注，整个迭代确实是比较慢的，一旦到金融的核心场景变复杂之后，工作量会有一个指数级的增长，效果也不持续。
我们觉得在AI-Native这种架构下，智能体本身就是系统的中枢。它能够形成数据、模型、业务反馈的闭环，简单来说就是你用得越多，就学得越快，效果也越来越好。
接下来我想给大家分享几个我们已经落地的例子：
第一个例子是AI信贷员，是我们在信贷获客、业务场景赋能核心场景的这么一个智能体。我们说获客的核心场景是什么呢？大家有可能也会觉得，是现在大家都会有的信贷申请系统，或者说是一些营销工具，其实我们觉得不是，我们觉得信贷获客的核心场景就在客户经理的身上。比如说客户经理想主动出去获客，出门去哪里才能够碰到潜在的客户？有了AI信贷员之后，就不用想了，直接给你推荐地点和详细信息。
比如说刚才提到的客户接触记录的摘要，怎么样去记录用最少的时间，有了AI信贷员你也不用自己去记录了，它可以自己打标签，可能比你自己做得还准，就比如说多个客户都想对多个客户做到无微不至的客户关怀，提升黏性和留存率。
有了AI助手，你可以直接派任务，你可以对助手说，请帮我设定一个任务，给每个过生日的客户，根据他的地域，定制不同的生日祝福，并在早上发送短信。你只需要下达这么一个任务，助手就会自动的帮你去做。
再比如说产品推荐，你也可以对助手说，帮我找一下有房子但是没有房贷并且根据历史三个月所有的接触记录来判断，可能有贷款需求的客户，帮我发一条推荐信息给他，如果他感兴趣了，再通知我。你也可以下这样的指令给助手。
AI信贷员就是我们面向客户经理研发的智能助手，目的是要把核心复杂的需求用智能体真正的满足起来，让每个人都可以去做销售冠军。本月我们也将会发布正式的To B的版本，目前从内部的试点来看可以帮助客户经理人均转化率提升15%，效率提升30%，特别是每个人去管理的客户数，从几百个可以拓展到几千个。
另外一个成果就是AI审批官，它进入了金融最核心的审批和风控环节。在传统的系统架构里，AI更多的是作为材料识别或者字段提取的工具，在结合策略和模型做风险识别，这种方式成本高、落地周期比较长，而且如果有很多材料的模块的话，还需要频繁地进行信用迭代。在奇富AI-Native的架构下，审批官是一个真正的数字员工，它能整合征信、交易、行为等全量数据，完成跨模态、端到端的风控推理。
比如说在审查、审批场景它已经能做到零退补件，100%的审查自动化，审批时效也是在T+0完成。
又比如说风险建模场景，它可以充当风险策略人员的智能助理，就有点像高级建模专家，在日常的建模工作里面，我们知道有特征选择、归因分析和模型评估等工作。其实它可以给这些智能助理设定一个任务之后，智能助理就可以7*24小时连续运转，直到达到设定的目标。
除此之外，我们还有一位智能选手可以在企业信贷中为金融机构承担麦肯锡咨询师的角色。
最后我想要说AI-Native智能体在金融核心场景的应用才刚刚开始。面向未来我觉得中国拥有全球最复杂的金融场景和最大的用户规模，每天数亿级的交互和真实的业务循环，正在成为智能体持续进化最好的土壤。我们相信AI在金融业的故事已经进入了一个全新的阶段，奇富科技也会持续的坚定走在AI-Native+金融的赛道上，在中国深耕，把经验推广到全球，为世界金融业的智能化升级贡献一份中国方案。
谢谢大家！
新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。
还没有评论，来说两句吧...