文 | 产业家
金融是人类商业社会中 " 信任体系 " 的最高形态，这套在最严苛环境下磨炼出来的智能体准入、权限划分、操作审计与熔断机制，是一套严格的 Agent 工业级标准。
未来，这套机制可以毫不费力地下沉到自动驾驶的调度计费、智能制造的供应链自动采购、乃至智能政务的资金划拨之中。站在这个角度来看，金融行业今天在 Agent 落地中踩的所有坑、立的所有规矩，实际上是在替未来整个智能商业世界打造 Agent 的 " 信任样板 "。
2026 年以来，金融行业正在成为 Agent 落地最热闹的行业之一。
过去几个月，大模型厂商、云厂商、金融科技公司几乎同时把金融推到了 Agent 落地的前排。
6 月，阿里云金融级通用智能体平台 " 点金 " 亮相中国国际金融展，主打投研、投顾、信贷、风控、理赔、营销、客服等金融业务流程中的任务执行，不再只停留在问答和摘要层面；同月，字节旗下扣子 Coze 3.0 上线，开始把金融、法律、医疗等行业能力封装成可调用的专业 Skill，随后广发证券、国信证券等机构相继在扣子平台上线金融 Skill，把选股、选基、行情、财务、宏观分析等能力变成 Agent 可以直接调用的工具。
进入 8 月，百度文库和百度网盘联合推出的库库 AI 公布中文名，并把金融投研作为首期重点办公场景之一。这个产品内置上市公司资料、股票行情、财报、研报等金融数据，面向的是 Word 研报、金融分析 PPT、财务模型 Excel 等更贴近金融从业者日常工作的产物。
到 9 月，动作明显更密集。腾讯 WorkBuddy 金融版正式发布，面向银行、资管、保险行业推出公司金融、零售金融、投研投顾、个客经营四大工作台；阿里千问开放平台集中接入十余家金融类智能体，覆盖证券投资、基金、期货、保险等领域；蚂蚁数科也推出 Agentar 金融版，提供金融智能体专家团、行业 Skill、MCP、评测工具和治理能力。
这一串动作放在一起看，可以发现，金融 Agent 正从大厂的技术能力展示，逐步演变成一条独立的产业赛道。
在需求侧，这种剧变同样汹涌。最为明显的是 AI 应用采购占比越来愈高，且不再局限于客服、知识库和办公辅助，开始转向决策、审核。
这一点，从招投标市场的信息中可见一斑。数据显示，对比 2025 年上半年，2026 年 H1 金融行业大模型中标项目数量增长 110%，披露中标金额增长 82.8%。
但热闹之外，一些真正值得追问的问题是：为什么偏偏是金融？现在的金融 Agent 究竟走到了业务的哪一层？以及，当 AI 开始拥有系统调用和执行能力之后，金融行业真正会被改变的是什么？
一、金融，最具含金量的 "Agent 产业样板 "
先来看一个来自 Gartner 的预测，到 2027 年底，超 40% 的 Agentic AI 项目将因成本攀升、商业价值不清或风控不足被取消。其还指出市场上大量所谓 Agent，本质上只是把 AI 助手、RPA 和聊天机器人重新包装成智能体，并不具备真正的自主任务执行能力。
不难发现，尽管 2026 年被普遍誉为 Agent 元年，但在真实的产业落地中，" 叫好不叫座 " 依然是常态。在此背景下，Agent 的故事能讲多久，最终取决于其能否从演示场景走进企业核心业务流。
金融，恰好提供了这样一个完美的试炼场。
首先，金融业务天然由数据和规则驱动。财报、公告、行情、研报、工商资料、征信记录、保单合同、交易流水、审批规则，长期沉淀在金融系统里。信贷、投研、理赔、风控，本质上都需要在大量材料中完成检索、比对、归纳和初步判断。这正是 Agent 擅长的工作，即把分散信息拉到一起，再沿着业务流程推动下一步动作。
其次，金融机构确实有持续投入 AI 的预算和动力。2025 年中国金融 AI 全栈云市场规模达到 207.6 亿元，同比增长 50.0%，高于金融云总盘 23.9% 的增速。招投标数量和金额的上升，也说明金融机构正在从试点走向集中采购。
在这样的背景下，Agent 的价值变得极具针对性。可以帮银行压缩尽调和审批时间，帮券商扩大研究覆盖半径，帮保险公司提升理赔审核效率，也帮财富管理机构提高理财师的服务半径。
同样，对于技术厂商而言，金融也是必须拿下的核心高地。
过去两年，大模型厂商与云厂商投入了海量的算力与研发成本。如今，面临巨大算力折旧压力的技术服务商，必须完成从 " 卖 Token" 到 " 卖数字员工席位 " 的商业模式转型。放眼全行业，金融业无疑是 IT 预算最充足、付费意愿最稳定的 " 造血源泉 "。更关键的是，金融业务逻辑最复杂、合规门槛最高，一旦在这里跑通多智能体调度、可信推理、私有化部署和安全治理，就有机会迁移到更多行业。
因此，AI 技术服务商扎堆金融并非偶然。对金融机构来说，这是效率自救；对技术厂商来说，这是商业化和工程能力的双重大考。
二、自建、上下文、基座：金融 Agent" 野蛮 " 生长
而在这种扎堆金融的热闹之下，不同玩家也在走出截然不同的路线。
首先是国有大行和头部银行。银行掌握着最敏感的客户数据、账户数据和交易数据，也承担最高等级的合规责任。因此，相比直接采购单点工具，其更倾向于自建底座、统一纳管，再向业务线开放能力。
以工商银行为例，其在 2025 年年报中披露，已打造 " 工银智涌 " 大模型技术体系，集成十余款主流模型，并在行内二次训练，形成更懂金融、更懂工行的企业级底座模型矩阵。同时，工行还建设了智能体创作平台，方便员工快速构建、组装智能体。目前，" 工银智涌 " 落地场景已超过 600 个，金融市场业务的智能询价交易占比突破 96%，审核效率提升至引入前的 5 倍。
但这一路线的代价也很高。招行 2026 年半年报显示，上半年信息科技投入 46.79 亿元，占营业收入 2.99%；截至报告期末，研发人员达上万人，占员工总数 8.98%。这已经接近一家头部科技公司的投入强度。重投入、重体系、重自主可控成为这一路线的关键词。
一直以来，华泰、中金、中信建投等券商的核心资产，主要是研究能力、交易能力和客户服务能力。过去，这些能力高度依赖分析师、交易员和投顾的个人经验；现在，券商正在尝试把这些经验沉淀为 Skill、MCP 工具和投研智能体，让 AI 能够识别、调用和复用。
例如，中金 " 点睛 MCP" 已将中金特色数据与模型、金融市场数据及资讯接入 AI 助手，并扩充分析师 Skill 矩阵和投研工具 Skill 库；中信建投上线的智能投研服务，则把研究团队方法论封装成 Skill 技能包，首发的非银金融分析师技能来自 40 篇深度报告提炼出的研究框架。
这背后，其实是券商竞争逻辑的变化。过去比拼研究员数量、行业覆盖和客户触达；现在，新的竞争转向谁能把研究方法、数据资产和交易工具沉淀成机器可调用的能力体系。
再往下看，是恒生电子、神州信息、宇信科技、中关村科金等传统金融 IT 厂商。
这类厂商未必拥有最强的底座大模型，但掌握着金融 Agent 进入业务现场所必须的核心系统接口、业务流程理解和私有化交付经验。Agent 要从 " 给建议 " 走向 " 真正办事 "，必须调用账户、交易、信贷、风控等系统。而这些系统长期由金融 IT 厂商建设和维护，正是其护城河。某种程度上，金融 IT 厂商解决的是 "Agent 如何长出手脚 " 的问题。
腾讯、阿里、百度、字节等通用科技巨头，则更擅长提供底座模型、云基础设施、Agent 开发平台和生态能力，把模型、工具、工作流、MCP 和安全治理能力打包成平台。但 AI 落地金融真正的难点不只在模型，而在私有数据、核心系统、合规流程和业务责任。大厂可以提供强大的底座和工具链，却很难单独吃下所有金融场景。要真正进入业务深处，必须与金融机构、数据服务商、金融 IT 厂商和生态伙伴结盟。
总的来说，未来金融 Agent 很难出现一家通吃的格局。大行会坚持自主可控，券商会把投研和交易能力 Skill 化，金融 IT 厂商会继续连接核心系统，通用科技巨头则提供模型、算力、开发平台和治理工具。真正成熟的金融 Agent 产品，必然是 " 通用模型底座 + 金融专有数据 + 行业工作流 + 核心系统接口 + 安全治理 " 的生态组合。
三、Agent 落地金融，临界点已到
金融 Agent 究竟走到哪一步了？
先来看覆盖率和使用强度。建设银行在 2025 年度业绩发布会上披露，截至 2025 年底，全行网点问题响应过程中，AI 助手覆盖率已经达到 99.42%，日均访问量超过 10 万人次。工商银行年报则显示，其在 30 余个业务领域落地 500 余个 AI 应用，AI 数字员工承担工作量达到 5.5 万人年。招商银行也在 2025 年报中提到，报告期内 AI 在人工效能提升方面节约人工 1556 万小时；中信银行则披露，其构建智能服务场景超过 1700 个，全行依托智能模型增效超 1.7 万人年。
这些数字说明，AI 已经不是金融机构里的小范围试点，而是在成为银行、券商、基金、保险内部的日常工具。
从外部看，金融 Agent 似乎已经进入全面爆发期。
但深入业务内部会发现，高 AI 覆盖率不等于真正的金融 Agent 普及。目前最成熟的仍是知识检索、文档处理和内容生成等低风险场景。AI 主要承担查询制度、总结纪要、起草报告等高频重复性任务，以提升信息处理效率。
严格来说，这更接近 Copilot，而非自主 Agent。
再往前一步，才是流程改造型 Agent。这一层的特点，是 AI 不只处理文本，而是开始进入业务流程中的具体环节。比如交通银行构建的企业级通用智能体平台，在实际业务中，交行通过 AI 重构开户、授信、审批、授权、国际结算等流程，到 2026 年上半年，这种流程化落地进一步加深，在跨境金融领域，航贸审查智能体日均审查业务超过 50 万笔，处理效率提升超过 70%；金融市场业务中的智能外汇询价、货币市场询价等智能体累计交易金额超万亿元。
保险和资管也在出现类似变化。保险理赔场景中，AI 可以识别影像材料、读取保单条款、比对病历信息，并给出材料缺失和初步审核提示；公募基金投研场景中，中欧基金投研 Agent 已集成超过 100 个 Skill，覆盖数据抓取、行业分析、财务建模、报告撰写等多个场景，研究员信息检索效率提升 60% 以上。
此时，Agent 开始串联跨系统、跨岗位的步骤，完成从读取资料、调用工具到生成判断的全过程，最后再交由人工复核。
不过，能做到的仍是少数，这一点从中标数据变可见一斑，根据中国大模型中标项目监测与洞察报告，2026 年上半年，金融大模型中标项目有 47 个跟智能体相关，在全部金融大模型中标项目中的占比约为 11.6%。对比之下，智能体相关项目在全行业大模型中标项目中的占比约 16.7%，低于全行业占比。
站在当下来看，金融 Agent 的演进正处于一个微妙的临界点：辅助层已经规模化，流程层正在扩张，但核心决策层和自主执行层依然步履维艰。目前跑通的场景，其共性是数据源稳定、结果易于复核、且业务过程留有完整审计轨迹。
四、AI 触碰资金：Agent 的金融深水区悄然到来
作为极少数能把 AI 的 " 价值 " 与 " 错误 " 瞬间转化为真金白银的行业。当 Agent 开始与银行账户、资金划扣、交易指令强绑定时，Agent 时代商业基础设施的大门，正被倒逼提前推开。
回顾过去三十年的技术演进，金融在不同周期的定位截然不同。
互联网时代，金融的定位是 " 连接与通道 "。核心任务是把物理网点搬上电脑和手机屏幕，解决的是人与钱的连接效率；云计算时代，金融的定位是 " 业务容器与算力买家 "。核心任务是支撑双十一高并发、海量交易流的弹性扩展，解决的是底层 IT 架构的稳定与敏捷；而在当下的 AI 时代，金融正在变成 " 智能社会的信用与清结算底座 "。
这很好理解。当越来越多的业务开始由算法和 Agent 自主运转，谁来给这些没有实体的智能体记账、核验身份、配置预算、划定风险边界？答案依然是金融。
在这个过程中，随着 AI 逐渐把手伸向 " 钱袋子 "，产业底层的运转逻辑将发生质变。
首先是交付标准。过去，大模型进金融机构，比拼的是跑分、生成质量和术语准确率。但当 Agent 进入资金流，金融机构最关心的是 " 出错了算谁的 "。这会倒逼供应商从卖模型、卖 API，转向提供一整套刹车系统，包括权限控制、硬规则拦截、操作日志、审计追踪、业务熔断，甚至催生新的责任保险。
其次，交互对象也会变化。过去金融产品围绕 " 人 " 设计，比如人看屏幕、人做决策、人点确认，再用刷脸、验证码和柜面复核控制风险。但随着 Agent 具备了自主执行力，未来的金融交互逻辑将被彻底颠覆。跟银行打交道的，可能是这家企业 ERP 系统里挂载的财务 Agent，在库存见底时自动向银行 Agent 申请供应链贷款；在二级市场，买方的投研 Agent 直接对齐卖方的实时数据接口，迅速完成逻辑验算与下单。
这意味着，现有的 APP 界面、人工审核流程都将退居二线，金融系统必须从底层重新搭建一套适配 " 机器对机器 " 的高频交互接口、安全认证体系和实时结算通道。
更重要的是，金融会把自己的风控范式外溢到更多行业。
要知道，金融是人类商业社会中 " 信任体系 " 的最高形态，如果一套多智能体协同系统，能够在一笔贷款的审批、放款、抵押登记全流程中，不依赖人类干预的情况下安全跑通，并且不出差错、全程留痕，那么这套在最严苛环境下磨炼出来的智能体准入、权限划分、操作审计与熔断机制，就会成为一套通用的工业级标准。
未来，这套机制可以毫不费力地下沉到自动驾驶的调度计费、智能制造的供应链自动采购、乃至智能政务的资金划拨之中。站在这个角度来看，金融行业今天在 Agent 落地中踩的所有坑、立的所有规矩，实际上是在替未来整个智能商业世界打造 Agent 的 " 信任样板 "。
过去两年，全行业都在卷算力和大模型，本质上解决的只是 AI 的 " 智力供给 "；而 2026 年这一轮金融 Agent 扎堆爆发，面对的则是一个更致命也更深水区的考题：当硅基智力开始拥有执行资金的权力，人类究竟该如何给它套上缰绳。
这场发生在金库门口的大考，才刚刚开始。
