銀行Agent卡在了真實業務里

作者 | 鄭嘉意

Agent的熱潮，正在席卷整個銀行業。

6月18日的陸家嘴論壇上，農行董事長谷澍、中行行長張輝等多位大行高管分享了對金融Agent的觀點；

近乎同日，阿里云副總裁張翅也在中國國際金融展上表態，金融Agent已迎來真正的元年。

從大行的科技規劃、大廠的產品策略，到金融科技公司的應用探索，Agent正在成為銀行數字化轉型的新抓手。

但在銀行一線，Agent的真實使用遠未達到論壇敘事中的熱度。

樞紐調研多家大中型銀行發現，出于合規、數據安全和業務流程復雜性考慮，多數銀行Agent仍主要停留在研發側、辦公側或測試環境，距離核心業務流程仍有距離。

在銀行語境中，Agent至少包含三層：辦公、編程和知識問答類工具；客服、營銷、風控等業務輔助工具；以及能夠嵌入生產流程、調用系統并參與任務執行的流程型Agent。

當前推進較快的仍是第一類，后兩類距離規模化仍有距離。

這構成了銀行Agent當下的核心落差：戰略敘事已經展開，真實業務仍在門外。

一

業務側門檻

從流程拆解看，信貸、財富、客服、營銷、風控和運營等銀行業務，都有被Agent重組的空間；

但金融業務的核心不只是效率，而是授權、審計和追責，只有當Agent接觸真實數據、嵌入業務流程并參與任務執行時，業務側的門檻才真正出現。

這也是銀行保持謹慎的根本原因。

來自股份行總行科技部門的陳華（化名）對樞紐透露，公司允許研發人員在測試環境中自由發布各類Agent，但一旦涉及真實場景的運用，審核權限極其嚴格。

“測試環境肯定是自由的，也就是跑快跑慢的問題。”陳華表示，“但出于安全需求，這些Agent的審核權限最多通過到辦公環境，不可能進入業務側。”

另有多位來自國有行、股份行科技部門人士向樞紐確認，目前真正進入核心業務流程、并參與任務執行的Agent仍然很少，多數嘗試仍停留在辦公、研發、客服輔助或低風險試點場景。

這種謹慎，源于金融行業本身的復雜性。

神州信息AI創新中心總經理晉梅博士將這種復雜性總結為“嚴、密、貴”三個字：

一是監管嚴，敏感數據不能離開行內環境，方案必須私有可控，每一步判斷都必須可復現、可審計；

二是業務環節密，金融場景中業務環環相扣，任何一點問題都可能帶來風險；

三是人力資本貴，資深員工多年積累的判斷力，難以被完整寫成規則。

當然，業務側并非完全沒有嘗試。

一名國有大行科技部門人士對樞紐透露，公司已經有少量業務類Agent落地，但場景主要集中在個人金融業務和行內辦公，形態上更接近客服助手。

該人士坦言，目前Agent開發仍由科技部門主導，“流程大概是讓業務部門根據實際情況提報需求，但項目還是由研發部門牽頭”。

相較業務側的謹慎，研發側的突破要快一些。

多位國有行、股份行科技部門人士對樞紐表示，所在銀行已經或準備采購阿里、騰訊的編程Agent，此類Agent主要以內嵌插件形態出現，可以瀏覽代碼上下文、識別Bug、輔助生成代碼。

研發側更容易突破，并不難理解。

編程場景鏈路清晰、反饋明確，天然比金融業務更容易Agent化，如今OpenAI和Anthropic在Coding領域的競爭，也說明代碼生成正在成為Agent最先規模化的方向之一。

但研發側的突破，并不能直接外推到信貸、財富、風控等核心業務，后者涉及真實客戶、資金流轉和責任劃分，門檻明顯更高。

二

場景之外

業務側是一套能力檢驗場，銀行能否讓Agent進入真實業務流程，取決于其是否已經具備承載Agent的基礎設施。

自2025年DeepSeek出圈之后，銀行業部署本地模型、探索Agent的意愿明顯增強。

樞紐注意到，多家國有大行已經在年報中開始強調大模型應用。

在這個過程中，“場景”成了一個高頻詞：

例如，2025年，某國有大行已經推動大模型落地500余個場景；另一家大行的大模型技術，則賦能集團398個場景應用，滲透財富管理、普惠金融、風險管理、科技研發等領域。

但動輒成百的應用場景，并不等同于Agent基建成熟。

金融科技公司人士黃依麗（化名）向樞紐介紹，部分銀行對“場景”的計數方式較為寬泛。

例如，同一套話術優化智能體被分發給私行、財富中心、客戶服務等N個部門，就可能被記錄為N個場景。

這可能放大大模型應用的表觀滲透率。

因為場景數量增加，不代表模型能力更豐富，也不代表應用進入了核心業務鏈條；

而Agent落地需要的支撐，絕對不只是幾個問答助手，而是模型、數據、系統、權限、流程、審計和評測機制之間的連接。

更關鍵的數據是未被披露的使用頻次和活躍度，相比場景數量，它們更能反映AI工具是否真正被一線員工接受。

黃依麗表示，目前銀行為了數據安全，大多選擇完成模型的私有化部署。

“但有的管理者要追求模型私有化，會選擇參數較小的模型。”她表示，“銀行在安全和好用之間選擇了安全，代價就是使用頻率下降。”

黃依麗透露，在一線試點調研中，許多員工表示鮮少使用行內研發的話術優化類Agent，認為其使用體驗不如外部免費的豆包、DeepSeek。

由此來看，銀行Agent的現實進展仍然遲緩。

戰略表述積極，業務側謹慎；場景數量增加，實際體驗仍需驗證。

這些落差共同指向一個問題：限制Agent進入業務側的，已經不只是模型能力。

真正的難點，開始從模型部署轉向組織協同。

三

組織困局

過去開發軟件產品時，銀行的路徑相對清晰：科技部門與技術公司對接，向業務部門調研需求，再分析、研發、交付，最后將產品交由業務部門使用。

但Agent承載的是業務判斷力和經驗，而這些東西本身就在不斷演進。

一位金融科技公司人士用“運維”和“運營”來概括二者的區別：傳統軟件更像運維，重在穩定運行；Agent更像運營，重在持續反饋、訓練和校準。

該人士指出，傳統軟件和Agent的成本投入階段不同：

前者成本集中在建設期，后續主要是維護和修復；后者前期可以很快跑出原型，但真正成熟依賴持續的業務反饋、用戶訓練和迭代。

該人士總結稱，“所以好的Agent開發，需要業務、產品、研發從第0天就持續坐在一起”。

但部分銀行一線員工對于Agent的抵觸，最直觀地反映了現實的困難。

黃依麗表示，“從業務部門牽頭、收集需求開始，有些員工的積極性就很低。科技部門滿腔熱情想設計出Agent，但收回來的問卷對于需求的描述只有寥寥幾個字。”

這類反饋并不只是技術接受度問題，更像是崗位價值重估帶來的防御性反應。

Agent不是簡單幫客戶經理減負，它也在改寫客戶經理原本用來證明工作價值的方式。

一家股份行的科技部門主管的觀察給出了更具體的答案。

該主管表示，在引入零售多智能體系統后，客戶經理在信息整理、制度查詢等事務性工作上耗時顯著縮短，系統生成的資產配置方案草案減少了重復文書。

但效率的提升表象下，隱藏著更深層的組織挑戰，一些員工歡迎系統帶來的便捷，也有人擔心自身價值被替代；

更根本的是，當系統接管了信息整合和基礎方案生成后，客戶經理的核心價值本應向審核、優化、關系維護遷移，不少銀行的考核指標沒有同步調整。

“銀行現有的培訓體系和KPI考核中，對于電話數量、報告數量的要求，還沒有調整。”該主管表示，“這導致員工即使有空閑時間，也不知該往何處發力，或不愿改變既有工作習慣”。

該主管表示，公司正在設計新的“人機協同”培訓方案和考核指標，但也深感閉門造車之難。

這意味著，Agent落地不只是技術上線，還會觸及崗位定義、評估體系和激勵機制，已超出科技部門單獨能解決的范圍。

四

復制難題

在這樣的困局中，協同創新提供了一種突破的可能。

晉梅表示，其團隊曾與一家區域性銀行共創業務側Agent。對方提供資深理財顧問評判AI答案，也安排新員工驗證效果，雙方先用模擬數據打磨，再進入現場部署。

在她看來，金融業務反饋鏈條長，要讓Agent迭代形成足夠快的閉環，業務和技術就必須頻繁互動。

但即便成功共創，Agent又可能會面臨新的困境：難以復制。

樞紐了解到，如今有大量中小銀行對業務側Agent有訴求，但組織架構不支持進行費時費力的共創，他們最常問的問題是：別人家的Agent已經落地了，我能直接買過來用嗎？

答案往往是否定的。

一個成功Agent的背后，往往嵌入了特定銀行的業務規則、數據結構、風險偏好和權限體系。

它在A銀行跑通，并不意味著能直接遷移到B銀行；

即便在同一家銀行內部，從零售理財復制到對公信貸，也常常需要重新建模和驗證。

一位股份行的科技部門主管用“場景墻”來形容這個困境。

該主管表示，公司曾成功將零售業務的多智能體架構應用在理財和基金場景，但當試圖向對公信貸場景復制時，立刻撞上了困難。

例如，對公信貸與零售業務的規則、文檔和決策鏈條差異明顯：輸入材料從客戶畫像變成財報、合同和流水，系統也需要對接核心賬務、信貸審批等更復雜的流程；

原有智能體幾乎無法直接遷移，業務邏輯和數據模型都要重建。

該主管認為，如今的銀行仍缺少跨場景描述業務能力的“元語言”，也就是一套能把不同業務流程抽象成可復用模塊的表達方式。

這也解釋了為什么，不少第三方公司以項目制、系統集成或定制服務交付Agent，而不是像傳統SaaS那樣標準化銷售。

一位金融科技公司人士表示，所在團隊曾為客戶開發經營貸Agent，用于輔助客戶經理評估商戶資質，但這類能力通常只是整體項目中的子模塊，并不單獨售賣。

對銀行而言，真正有價值的不是通用Agent外殼，而是對具體業務約束的長期適配。

但這種模式，也可能天然限制規模化。

大行有資源推進共創，但流程鏈條長、跨部門協同成本高；中小銀行需求更迫切，卻未必有組織和預算承接復雜共創，最終，Agent在供需兩端都存在錯位。

要真正突破規模化困局，需要行業層面的共同努力。

谷澍指出，行業對智能體的定義和規范標準尚未統一，不利于科學評估各家機構的應用水平。

據此，他建議先建立“標準件”：把功能單一、業務流程固定的智能體做成標準化產品，同時聚焦開發具備自主規劃和決策能力的智能體。

只有查詢、摘要、提醒、資料核驗等流程固定、風險較低的能力先標準化，Agent才可能從單點項目變成可復用組件。

五

治理先行

協同創新可以改變工作方式，行業標準可以促進規模化，但這一切的前提是：Agent必須被有效地治理。

目前，金融機構在這個問題上還缺乏統一答案。

當一筆交易經過Agent推薦、人工確認后發生糾紛，責任如何在模型建議、人工確認和業務審批之間劃分？

如果監管追問決策依據，銀行能否通過審計日志復現Agent的輸入、輸出、工具調用和人工干預節點？

這不僅是技術問題，更是法律和治理問題，行業缺少一套統一的、能讓合規與科技部門對話的智能體決策審計標準。

谷澍在論壇上指出，金融應用中Agent可能存在“黑箱、幻覺、自主決策”等風險，這些都需要分類施策的治理思路來應對。

對銀行來說，Agent能否進入核心業務，最終取決于治理框架是否先立起來。

晉梅強調，這套框架至少包括四件事：

第一是權限邊界，明確Agent能查詢什么、調用什么，能否觸發交易或審批動作。

第二是責任邊界，明確AI建議、人工確認、業務審批之間如何劃分責任。

第三是審計邊界，記錄Agent的輸入、輸出、調用鏈條和人工干預節點，確保關鍵流程可追溯。

第四是評測邊界，為不同場景建立不同驗收標準，單看回答準確率并不足以衡量Agent效果。

因此，治理不只是合規框架，也會反向推動崗位、考核和激勵機制調整。

換言之，治理不是為了限制Agent，而是為了讓Agent獲得進入業務側的資格。

對銀行而言，Agent的分水嶺不會出現在發布會上，而會出現在真實業務流程里。

只有當它能夠被授權、被審計、被追責，并被一線員工持續訓練和使用時，才算真正進入銀行業務。

*本文為樞紐Ledger（ID：gh_21d64eee348b）原創作品，全天候科技經授權轉載，如需轉載，請聯系原作者。

點“在看”，變好看哦。