AI巨头，盯上“金融牛马”

Louis搭建好整体框架后，将素材输入AI系统，再调用几个自建的技能模块，仅需数小时，一份逻辑清晰且较为全面的调研报告便已完成。同样的任务，在2020年中秋假期，他整整耗费了一周时间。

Louis在金融领域深耕十年，历任行业研究员、产品经理，参与过全国性金融系统的规划设计，并完整跑通过衍生品交易与后台结算流程，对金融行业的全链条运作了然于胸。他感受到的这种效率提升，如今已成为每一位金融从业者的共同体验——AI巨头正全面涌入金融行业。

IDC数据显示，2025年中国金融领域的生成式AI市场增速高达90.4%，是AI应用落地最迅猛的行业之一。进入今年，这一节奏仍在加快。

5月，Anthropic一次性发布了10个金融Agent模板；8月，Google Cloud推出了Gemini金融服务版。真正的密集发力集中在最近一个月：9月3日，腾讯WorkBuddy金融版上线，自今年3月以来，该产品已陆续入职中金公司、国投证券、中国太平在内的100多家金融机构；9月7日，千问宣布接入兴业证券、易方达、众安保险等十多家机构；9月10日，OpenAI推出金融版ChatGPT，由摩根士丹利参与打磨，内置PitchBook、LSEG等金融数据源。与此同时，阿里云内测AI投研工具Qovest的消息也在业内流传。

两个月内，四家巨头排队入场。AI可落地的行业众多，为何巨头们偏偏在这个时间点死磕金融？金融AI究竟带来了哪些改变，又有哪些方面迟迟未见突破？

01.巨头扎堆AI金融，为何是现在？

金融与AI的天然契合，早已是行业共识。

金融是数字化程度最高的领域之一，拥有海量的结构化文本。 从需求端看，中国结算《2025年统计年鉴》显示，A股投资者已超过2.5亿，自然人占比99.76%；上交所披露的数据中，仅2026年一季度新增开户就超过1200万户。从资产端看，中国结算登记存管的证券超过4.2万只，沪深总市值接近138万亿元。从内容端看，5469家上市公司每年滚动披露数万份定期报告，叠加每日产生的公告与快讯，构成了一个以亿字计文本处理量的市场。

信息密度极高，金融从业者每天的工作几乎都是信息搬运和密集计算，而这恰好是AI的强项。Louis的感受是，过去研究员需要与写代码的同事配合才能搭建量化模型、完成编码等任务，现在只需具备产品思维，将思路输入AI，代码生成和信息检索由AI代劳，研发周期大幅缩短。

Louis在社交媒体平台上的思考

但适配只是基础，真正卡住的关键一直是技术。今年，有两个方面终于取得了突破。

一是幻觉可控化。金融行业对AI的要求是零幻觉、可回溯、审计留痕，过去这被视为禁区，如今正被逐一攻克。模型层面，在Vectara幻觉排行榜的摘要事实一致性测试中，头部金融垂直模型的幻觉率已降至2%以内；工程层面，RAG（检索增强生成）成为B端标配，模型被约束在机构给定的数据源内作答；产品层面，Agent模板和工作台将每一次调用留痕，使幻觉从不可接受的风险转变为可定位、可审计的误差。

“金融客户不会追求幻觉率为零，他们更关心的是说错了能否发现、能否定位。”一位金融AI领域的创业者表示。落实到工程上就是三层兜底：检索层只查询给定的数据源；生成层要求每个结论必须附带引用；审计层将每次调用的输入、输出、引用全部留痕。 中国人民大学本硕、某头部VC投资分析师赵永国（Octo）补充了验收侧的关键在于“溯源”——每条结论挂上出处链接，点进去就能看到出自哪份研报、哪份年报。

二是Agent。幻觉可控，AI才被允许入门，但要它真正替人干活，还得靠Agent。

Octo认为，“在聊天机器人时代，AI本质上只是搜索，将文档切分成数据块，按关键词检索并拼成答案，只有提效，没有实质改变。但Agent能跑通工作流的闭环。以基金公司的行业研究为例，行业-要素-权重-方法论，层层嵌套，依靠多个子Agent分工协作，整套研究框架才能实现AI化。闭环能力成立后，金融行业才第一次确认这东西真的能用。 这才是巨头集体入局的真正时间拐点。”

最后是市场空间。 IDC数据显示，2025年中国金融行业生成式AI平台及应用解决方案市场规模为17.4亿元，到2029年将增至113.5亿元。横向对比，这个盘子并不算大——同年AI医疗应用软件市场已达35.4亿元，约为金融的两倍。但金融90.4%的增速稳居行业应用第一梯队。高增速部分源于低基数（2024年仅9.14亿元），但低基数只是放大器，真正的驱动力是需求的集中释放。

更关键的是，金融机构付得起钱。Octo算了一笔账，“一个外部数据账号年费高达上万元，一家中型基金公司一采购就是几百个，而且涉及大量要求不高、人力成本却不低的重复性劳动岗位，这是AI替代最现实的ROI。”

数据、技术、资金都到位了，巨头才会同时挤进来。

02.三种路线：从卖能力到抢入口

国内外巨头接连进场金融AI，但方式完全不同。拆开看，产品形态可分为三种，对应三种生意：卖工具、卖系统、抢流量。

第一种，是将AI做成金融从业者随手可用的工具。

最先落地的，是把通用模型包装成一套金融专业能力。例如，Anthropic发布的10个Agent模板，将撰写招股材料、做客户背景审查、搭建财务模型、月底对账等重复性工作做成开箱即用的模板，同时接入标普、穆迪等权威数据库，使AI回答时直接查数。Google的Gemini金融服务版、OpenAI的金融版ChatGPT也类似，采用云端订阅模式，但集成和流程改造留在客户侧。

这类产品解决的是金融从业者每天最琐碎、最标准化的工作：找数据、整理材料、搭建初步模型、更新表格等。其优势在于部署最快、用户门槛最低、覆盖面最容易做大。但这条路也最容易陷入同质化——技能可以复制，模型可以替换，数据连接也可以迁移。对巨头而言，这更像是抢占金融AI的第一层入口，同时培养用户习惯和使用数据，真正高价值的部分还在后面。

第二种是工作台，将整套AI系统嵌入金融行业的生产流程。

这一层比“工具”重得多。AI开始进入银行、券商、保险公司的业务系统，接触权限、数据、审批和内部流程，最终承担的是一段完整工作。

腾讯WorkBuddy金融版就是这一类。其金融版按公司金融、零售金融、投研投顾、个客经营分为四个工作台，厂商进驻装机，与中金、平安银行、中国太平的金融机构共同打磨。对公信贷尽调等流程已开始尝试用AI压缩处理时间，整套系统部署在机构内网，模型、数据、审计链路全部留在机构自己的墙内。阿里点金打法类似。

这条路线的优势恰恰来自它的“重”——一旦AI进入核心流程，客户就很难轻易更换。权限体系、数据接口、员工培训、审计记录、内部系统适配，都需要重新搭建。对AI厂商来说，这意味着更长的销售周期和更高的交付成本，但也意味着更高的客单价和更强的客户黏性。这条路最考验厂商的企业服务能力。

第三种，是将AI推到金融服务的用户入口。

例如，千问App将券商、基金、保险、期货等机构直接放入一个面向消费者的AI入口里。用户在一个App中查询行情、阅读研报、获取机构提供的金融服务。对金融机构来说，这意味着多了一条触达用户的渠道；对AI平台来说，则是在争夺用户每天处理“钱”的那个入口。

这条路线的想象空间最大，因为它直接连接用户和金融服务。一旦用户形成习惯，AI平台可能掌握大量金融需求的分发权。但它也是三条路线中最难的一条——企业内部AI主要解决效率问题；面向消费者的金融AI，还要处理责任、牌照和信任。

因此，三条路线的商业价值各有侧重。从眼下的成熟度看，第一条最容易快速放量，第二条最有可能沉淀长期价值，第三条最考验平台的用户规模和金融服务能力。这也解释了为何巨头没有押注同一种产品。对Anthropic、Google、OpenAI来说，先把金融专业能力装进模型，是进入机构的最快方式；腾讯、阿里更擅长企业服务和本地化部署，更容易从工作流切入；阿里的千问还可以利用App的用户规模，去争夺金融服务的消费端入口。

但无论走哪条路，巨头真正想把这门生意做深，都绕不开两个问题。

第一关在上游，核心数据仍然掌握在别人手里。

行情、财报、公告、研报的授权和口径，长期掌握在Wind、同花顺、通达信、彭博、穆迪、标普这些数据商手中。现在的变化是，AI厂商开始通过MCP和各种连接器，将这些原本藏在专业终端里的数据调用能力接入Agent。Anthropic与穆迪合作，Google联手标普，WorkBuddy接入通达信——这不是技术偏好，而是不做这个连接器，就拿不到更多专业数据。模型可以迭代，数据授权、数据口径和历史积累却很难一夜之间复制。

第二关在下游，金融机构自己也在建AI产品。

大型金融机构很难将最核心的能力全部交给外部厂商。东吴证券自研秀财GPT，用本地化部署的DeepSeek-R1做投顾、研报和风险识别；中金将资深分析师的研究方法蒸馏成技能包；国君、广发、国信、中信建投各家都搭建了自己的智能体矩阵；长桥则选择从底层到应用全链路自研，再将能力向外输出。

所以，AI金融不是巨头进去就赢的生意。

03.AI进了金融，但还没进最核心的地方

三条路线解决的是AI如何进入金融机构的问题，真正到了工位上，又是另一回事。

Louis的感受是，目前金融AI真正让一线人员感受到明显提效的，主要还是行研和交易， 而且集中在相对基础的环节。

“金融是一台大机器，行研和交易只是其中一台发动机。”他还指出了一个被忽略的事实：金融业最原始的形态是银行的存贷，如今没有任何一家金融AI能够覆盖借贷和存款的全周期。巨头反复强调的覆盖证券、基金、期货、保险全链条，落到实际，信贷审批、风险评估、合规决策这些最核心的环节，AI仍然只是辅助。

Octo从用人端给出了印证，“AI现在最容易替代的，是实习生和初级研究员。实习生的活是扒数据、整理数据、听会写纪要；初级研究员多一层最基础的研究能力，但他们的产出本质是行业普遍认知。对通用AI来说，这些内容有足够多的公开样本可以学习，也有相对清晰的工作流程可以拆解。”

图源 / pexels

而金融真正值钱的部分，往往发生在信息已经整理完之后。例如，同一组宏观数据摆在几个研究员面前，有人判断行业即将反转，有人认为只是短期波动，这些判断依赖的往往不是公开信息本身，而是对行业周期、公司经营、交易环境以及过去经验的综合理解。

更现实的问题是，少数人持有的观点和knowhow（落地的经验、踩坑心得、实操技巧、内部做法），机构不会交给任何外部厂商。这解释了覆盖面为何狭窄——AI能干的是普遍认知的活，而金融里最贵的活，恰恰是不普遍的那些。

除了覆盖面小，数据隐私是另一道坎。

幻觉率降了，但红线还在。一位金融从业者将信息分得很清楚，“未公开的财务数据、内部报表、董事会材料，都是敏感信息，不可能提供给AI。”

从这个角度看，AI已经进入金融的工作流，外围工作开始被AI接手，但核心判断仍然牢牢握在人手里。

巨头们则正在想办法改造这个行业。布局深的，或将成为机构离不开的底座；布局浅的，按token计费、随时可被替换。不止一位从业者认为，未来AI金融很可能不会只有一种赢家。模型厂商负责提供通用智能，数据商守住专业数据和口径，AI平台负责将模型、数据和Agent组织起来，金融机构则将自己的业务规则和方法论留在内部。真正能长期留下来的产品，最终都得进入这张复杂的产业链里，找到自己不可轻易替代的位置。

本文来自微信公众号“定焦”（ID：dingjiaoone），作者：王璐，编辑：魏佳，36氪经授权发布。