文 | 定焦 One，作者 | 王璐，编辑 | 魏佳
Louis 构思好框架后把素材喂给 AI，再调出几个自建的 Skill，只要几个小时，一份符合他思路且相对完整的调研报告就出炉了。同样的活，2020 年的中秋，他写了一整个假期。
Louis 在金融行业待了 10 年，做过行业研究员、产品经理，参与过全国性金融系统的设计，跑过衍生品交易和后台结算的整套系统，了解金融行业的整个工作流程。他的这份提速体感，眼下每一个金融从业者都能感受到，因为 AI 巨头正集体杀进金融。
IDC 数据显示，2025 年中国金融生成式 AI 市场增速高达 90.4%，是 AI 落地最猛的行业之一。到了今年，节奏还在加快。
5 月，Anthropic 一口气发布 10 个金融 Agent 模板；8 月，Google Cloud 推出 Gemini 金融服务版。真正密集的火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，WorkBuddy 号称已陆续入职中金公司、国投证券、中国太平等 100 多家金融机构；9 月 7 日，千问宣布接入兴业证券、易方达、众安保险等十余家机构。9 月 10 日，OpenAI 推出金融版 ChatGPT，摩根士丹利参与打磨，内置 PitchBook、LSEG 等金融数据。同期，阿里云内测 AI 投研工具 Qovest 的消息也在圈内流传。
两个月内，四家巨头排队入场。AI 能落地的行业不少，为什么巨头在这个时候死磕金融？金融 AI 到底改变了什么，又迟迟没改变什么？
01. 巨头扎堆 AI 金融，为什么是现在？
金融和 AI 的天然适配，早已是行业共识。
金融是数字化程度最高的领域之一，存在着海量的结构化文本。需求端，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 1200 万户；资产端，中国结算登记存管的证券超过 4.2 万只，沪深总市值近 138 万亿元；内容端，5469 家上市公司每年滚动披露数万份定期报告，叠加每天滚动产生的公告与快讯，构成一个文本处理量以亿字计的市场。
信息浓度高，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 的主场。Louis 的体感是，以前研究员需要和写代码的同事配合，才能搭量化模型、完成 coding 等任务，现在只要懂产品思维，把思维喂给 AI，代码生成和信息检索由 AI 代劳，研发周期大幅缩短。
但适配只是底子，真正卡住的一直是技术。今年，有两件事终于跑通了。
一件是幻觉可控化。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，如今正在被逐一拆解。模型端，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压到 2% 以内；工程端，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；产品端，Agent 模板和工作台把每一次调用留痕，让幻觉从不可接受的风险变成可定位、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不能发现、能不能定位。" 一位金融 AI 领域的创业者说。落到工程上就是三层兜底，检索层只查给定的数据源；生成层要求每个结论必须带引用；审计层把每次调用的输入、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。
另一件是 Agent。幻觉可控，AI 才被允许进门，但要它真的替人干活，还得靠 Agent。
Octo 认为，" 聊天机器人时代，AI 本质是搜索，把文档切成数据块，按关键词检索、拼成答案，只有提效，没有实质，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，一层套一层，靠多个子 Agent 分工协作，整套研究框架才得以 AI 化。闭环能力成立之后，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，2029 年将增至 113.5 亿元。横向比，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。高增速有一部分来自低基数（2024 年仅 9.14 亿元），可低基数只是放大器，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，而且还涉及大量要求不高、人力成本却不低的重复性劳动的岗位，这是 AI 替代最现实的 ROI。"
数据、技术、钱都到位了，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，对应的是三种生意：卖工具、卖系统、抢流量。
最先落地的，是把通用模型包装成一套金融专业能力。比如，Anthropic 发布的 10 个 Agent 模板，是将写招股材料、做客户背景审查、搭财务模型、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，让 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，云端订阅，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、搭初步模型、更新表格等。它的优势在于部署最快，用户门槛最低，覆盖面也最容易做大。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，把整套AI系统嵌进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、个客经营分成四个工作台，厂商进驻装机，和中金、平安银行、中国太平等金融机构共同打磨。对公信贷尽调等流程已经开始尝试用 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。对于 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，是把 AI 推到金融服务的用户入口。
比如，千问 App 把券商、基金、保险、期货等机构直接放进一个面向消费者的 AI 入口里。用户在一个 App 里查询行情、阅读研报、获取机构提供的金融服务。对于金融机构来说，这意味着多了一条触达用户的渠道；对于 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 平台掌握的就可能是大量金融需求的分发权。但它也是三条路线里最难的一条，企业内部的 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其实各有侧重。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，第三条则最考验平台的用户规模和金融服务能力。这也解释了为什么巨头没有押注同一种产品。对于 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、标普这些数据商手里。现在的变化是，AI 厂商开始通过 MCP 和各种连接器，把这些原本藏在专业终端里的数据调用能力接进 Agent。Anthropic 与穆迪合作，Google 联手标普，WorkBuddy 接入通达信，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。
大型金融机构很难把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；中金把资深分析师的研究方法蒸馏成技能包；国君、广发、国信、中信建投各家都搭起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 怎么进入金融机构的问题，真正到了工位上，又是另一回事。
Louis 的体感是，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。对于通用 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。"
而金融真正值钱的部分，往往发生在信息已经整理完之后。比如，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。这解释了覆盖面为什么窄，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。一位金融从业者把信息分得很清楚，" 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 平台负责把模型、数据和 Agent 组织起来，金融机构则把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。
