如果说过去几届外滩大会，大家讨论的兴奋点还聚焦在智能客服、智能信用审批、智能风控等单点应用的落地路径上；那么，昨天举行的 2026 Inclusion · 外滩大会 "AI 原生时代 · 信用经济的应用探索 " 论坛现场，更多人开始把目光投向 " 打通 AI 规模化应用的‘最后一公里’ "。
一个清晰的趋势浮出水面：用不了多久，AI 将在不同金融场景里从 " 辅助工具 " 演进为 " 自主执行体 "，不仅降本增效，更有望创造新的业务模式……
逐级跃迁
" 中国 AI 金融总体市场规模去年达到 1.8 万亿元，预计今年将突破 3 万亿元，年复合增长率超过 30％，金融 AI 渗透率达 58.6%。" 清华大学五道口金融学院金融发展与监管科技研究中心主任张健华用一组数据印证金融业已成为 AI 应用最超前的领域之一。一方面，国有六大行持续加码金融科技投入，头部引领效应明显；另一方面，DeepSeek 等开源模型同步推动形成 " 全员加入 " 的格局。
从银行、证券、保险、基金等不同金融子行业来看，AI 应用呈现出显著的梯次渗透格局。其中，银行业率先以风控、客服、投研为核心场景，推动规模化落地。整体而言，随着大模型能力的逐级跃迁，AI 智能体演进为 " 自主执行体 "，技术创新轻轻扇动翅膀引发的行业变革越来越近。
根据中国工程院院士、同济大学教授蒋昌俊的观察，AI 在金融业首先带来技术底座的重塑，"AI 基座并非算力与服务器的简单堆叠，而是连接数据与业务的基础设施。它不再只是 IT 部门的工具包，而是将成为金融机构参与战略制定的‘第二大脑’。"
以风控环节为例，知识图谱、图神经网络与大模型的融合，使识别对象从单一账户扩展到账户、设备、IP 地址及其关联关系，推动风险管理由 " 事后拦截 " 转向 " 事前穿透预测 "。AI 的价值，也由提供判断依据，延伸到帮助机构更早看见风险。
在蒋昌俊看来，基座决定业务的创新高度，高质量的数据决定决策精度，而可信的安全治理决定机构发展，这样三位一体的齐抓共管才能是所谓的新金融。落地试验
当 AI 在金融业从辅助走向执行和决策前沿，风控成为最直接的试验场。
今年，蚂蚁消费金融场景化风控提额同比增长 30%，相关用户不良率比整体用户平均水平低 20%。而在这些数字的背后，AI 升级场景风控成为关键支撑，目前已支持识别日常消费、大件消费、旅游、兴趣、进修等 230 多个关键场景的消费需求，并提供专项额度。
蚂蚁消金副总经理兼首席风险官林嘉南透露，" 我们不是去简单扩大授信覆盖，而是要做到‘在对的时间，给对的人、对的额度’。这就要求金融机构既能识别需求发生的具体时点和场景，也能评估用户的真实资金需求与风险状况。"
借助 AI 的能力，蚂蚁消金的这场风控试验尝试去进一步理解用户 " 为什么借、需要多少 "，授信逻辑也从判断总体借款能力，逐步转向判断具体需求与额度是否匹配。
单项任务的提速，能否转化为整条业务流程的改善，是金融 AI 进一步落地需要回答的问题。浦发银行首席人工智能科学家郑波认为，判断 AI 应用是否进入生产，要看它是否进入核心业务流程、是否承担原先由人完成的关键任务，以及是否改善客户体验、经营效率和风险管理。
郑波判断，未来 3 年，银行 AI 的分水岭在于生产、价值运营与组织进化能力，领先的银行未必拥有最多智能体，但一定拥有更快的组织学习速度。一个客户经理的优秀经验，可以迅速转化为全行客户经理的能力；一个风险案例，可以迅速沉淀为全行风险识别规则；一次客户反馈，可以持续推动产品和模型进化，最终把 AI 能力转化为经营价值。
划定边界
随着 AI 金融从 " 副驾驶 " 转向 " 主驾驶 "，边界划定与监管治理成为无法绕开的前置命题。
蒋昌俊系统梳理 AI 大模型带来的三类新型风险：" 事实幻觉 " ——生成式 AI 可能捏造不存在的财务数据；" 算法黑箱与歧视 " ——深度学习无法解释决策逻辑，历史偏见可能被放大；" 数据投毒与隐私泄露 " ——攻击者可通过提示词注入绕过防火墙。张健华则提醒，AI 并非只带来单点模型风险，还会放大第三方依赖、网络风险、模型治理等既有的脆弱性。
毫无疑问，技术越深入业务，治理要求也越高，责任边界也需要随之调整。" 技术发展与业务创新通常快于监管制度形成，监管需要在鼓励探索与防范风险之间建立动态平衡。" 张健华直言，模型幻觉、算法黑箱以及 AI 可能放大既有风险等问题，都需要纳入治理视野。
