- 投稿指南 |
▲ 孙奇正
中国移动通信有限公司研究院项目经理，
工程师
陆鸣
中国移动通信有限公司研究院高级项目经理，
工程师
赵璐
中国移动通信有限公司研究院项目经理，
工程师
信伦
中国移动通信有限公司研究院高级项目经理，
正高级工程师
图｜由作者提供
我国金融数字化转型已进入以AI原生为核心特征的攻坚深水区，传统“单点智能”模式因数据孤岛、能力割裂与决策链条冗长等结构性瓶颈，难以支撑金融高质量发展的内生需求。本文基于非连续性技术创新理论，系统界定了大模型驱动的金融智能体矩阵的理论内涵——即由差异化功能、分层级权限的智能体单元通过标准化协同机制构成的有机系统，其核心是实现“分治协同、效能涌现”。研究发现，智能体矩阵可将金融业务流程自动化率从30%提升至80%以上，跨机构协作成本降低50%，不仅能显著提升金融机构运营效率与风险管控能力，更将重构金融服务的价值创造逻辑，为“科技一产业一金融”良性循环提供关键技术支撑。
（一）金融数字化转型的三阶演进脉络
金融数字化转型是数字中国建设的核心支柱，也是落实中央金融工作会议“做好科技金融大文章”战略部署、推动金融高质量发展的关键抓手。党的二十大报告明确提出“加快发展数字经济，促进数字经济和实体经济深度融合”，2024年中央金融工作会议进一步将金融科技定位为“金融强国建设的核心驱动力”。我国金融数字化转型历经二十余年迭代，在国家政策引导与技术创新突破的双轮驱动下，形成了技术与业务深度融合、螺旋式上升的清晰演进路径，逐步从工具层面的效率提升深化至业务模式重构与生态体系重塑（见图1）。
2000—2015年为业务电子化阶段，这一阶段的核心驱动力是金融行业对外开放与内部管理规范化需求。2001年我国加入WTO后，金融行业面临国际竞争压力，迫切需要通过信息化建设提升运营效率；2005年原银监会发布《电子银行业务管理办法》，首次从监管层面确立了电子银行的合法地位，推动金融机构全面启动线上化建设。该阶段的核心特征是金融业务线上化、数据集中化，通过IT系统替代手工操作，完成了金融业务流程的数字化记录与迁移。截至2015年末，全国银行业金融机构网上银行交易规模突破1600万亿元，手机银行客户数达8.2亿户，ATM机保有量超过86万台，柜面业务替代率达到77%，基本实现了“业务上网、数据入库”的目标，为后续智能化转型奠定了坚实的数据与技术基础。但这一阶段各业务条线独立建设系统，缺乏统一的数据标准与接口规范，埋下了数据孤岛与系统割裂的隐患。
2016—2024年为场景智能化阶段，随着大数据、云计算、机器学习等技术的成熟，我国金融数字化转型进入智能化发展快车道。2017年中国人民银行成立金融科技委员会，标志着金融科技上升为国家战略；2019年、2022年中国人民银行先后发布两版《金融科技发展规划》，明确了场景智能化的发展方向，推动人工智能技术在金融领域的规模化应用。该阶段的核心特征是场景嵌入式服务、智能化风险管控，以机器学习、计算机视觉、自然语言处理为核心技术，在客户服务、风险管控、精准营销、运营管理等细分领域实现了单点智能化落地。截至2024年末，国内商业银行智能客服渗透率超过85%智能风控覆盖90%以上的个人信贷业务，移动支付交易规模连续9年位居全球第一，金融机构全要素生产率平均提升15%以上。然而，传统单点智能模式的内生局限性也在这一阶段集中暴露，为后续转型埋下了深层次的结构性制约。
2025年起，金融行业正式迈入AI原生转型阶段，其核心特征是AI驱动业务创新与生态化协同，这标志着金融科技发展进入了非连续性技术创新的全新阶段。
（二）传统单点智能模式的核心发展瓶颈
尽管我国金融智能化建设已取得阶段性成效，但传统单点智能模式的内生局限性逐步凸显，成为制约数字化转型向纵深推进的核心障碍，集中体现为三大瓶颈。
一是数据孤岛引致的要素流通壁垒。金融机构内部不同业务条线、管理系统之间存在数据标准不统一、接口体系不兼容、数据权属界定模糊等问题，导致数据要素无法实现跨域自由流动与共享复用，智能化应用仅能在局部闭环内发挥作用，难以形成基于全局数据的业务洞察与决策支撑。数据孤岛问题导致国内金融机构内部数据有效利用率不足30%，大幅削弱了智能化应用的落地成效。更造成了严重的金融资源错配，制约了金融服务实体经济的能力，最终影响了企业全要素生产率的提升。
二是能力割裂形成的“智能烟囱”效应。金融机构内部各部门独立建设、分散运维的智能化系统，缺乏统一的技术标准与协同交互机制，形成了彼此孤立的“智能烟囱”，直接造成数据不互通、能力不共享、流程不衔接的困境，既无法为客户提供全链路、一致性的服务体验，也导致了技术投入的重复浪费。麦肯锡《全球金融科技发展趋势2026》研究表明，智能化能力的碎片化割裂，使得金融机构智能化投入的平均回报率下降40%以上，严重影响了商业银行全要素生产率的提升。
三是决策链条冗长导致的自动化天花板。传统单点智能应用仅能作为人类决策的辅助工具，局限于完成信息收集、数据统计、基础分析等基础性工作，业务全流程的核心决策环节仍需人工完成，无法实现真正意义上的端到端业务自动化。波士顿咨询《金融智能体：从试点实验到规模化应用》报告指出，传统单点智能应用仅能实现约30%的业务流程自动化，而智能体技术可将这一比例提升至80%以上。
（三）智能体矩阵：破解转型瓶颈的核心技术路径
智能体矩阵通过构建多层次、多维度、可扩展的多智能体协同体系，能够从底层逻辑上破解传统单点智能模式的核心瓶颈。相较于传统智能应用，其具备三大颠覆性核心特征：一是全流程自主闭环，能够自主完成环境感知、方案规划、操作执行、迭代优化的完整行动链路，无需人工全程干预。二是网络化协同涌现，多个智能体单元通过标准化接口实现高效协同交互，达成系统整体效能大于个体能力之和的涌现效应。三是动态化持续进化，能够基于业务反馈与环境变化实现自主学习与能力迭代，动态适配金融业务需求与监管政策的更新调整。
工商银行原首席技术官吕仲涛在《金融智能体的发展逻辑与实践路径》（2025）中，将金融智能体的发展划分为三个递进阶段：第一阶段是标准化基础智能体的规模化推广，第二阶段是通过智能体矩阵实现关键业务节点的协同联动，第三阶段是多智能体全域协同实现复杂业务的前瞻预判与自主决策。当前，全球金融行业正处于从第一阶段向第二阶段跨越的关键窗口期，智能体矩阵的体系化建设，将成为未来3—5年全球金融数字化转型的核心命题，也是构建“科技一产业一金融”良性循环的关键环节。
（一）核心理论内涵与定义
金融领域的智能体矩阵，是指由具备差异化功能定位、分层级决策权限的多智能体单元构成的复杂有机系统，依托统一的任务调度框架与标准化协同交互机制，实现金融业务全链路、全场景的智能化重构与自主化运行。其核心并非多智能体的简单堆叠，而是通过系统化的架构设计，实现复杂金融任务的层级化拆解、分布式执行与集成化输出，最终达成“分治协同、效能涌现”的系统目标。这一架构设计充分借鉴了开放式创新网络的理论精髓，通过数字赋能与组织柔性提升，实现了创新资源的优化配置。
当前，金融智能体矩阵已从理论探索快速进入规模化试点阶段，国内呈现“政策引导+机构先行”的发展格局。2025年第一季度数据显示，国有大型银行中已有超过60%启动智能体矩阵体系建设，股份制银行与头部互联网金融机构布局进度更快。工商银行“工银智脑”已部署300余个专项智能体，在信贷审批、客户服务等领域实现跨场景协同，将个人信贷全流程审批时效从1天压缩至3分钟；建设银行“建行智脑”智能风控矩阵通过多智能体联动实现欺诈交易毫秒级识别，欺诈损失率下降72%；蚂蚁数科Agentar智能体平台已服务200余家金融机构，将智能体平均开发周期从3个月缩短至2周。
从技术实现看，成熟的金融智能体单元均具备标准化六大核心功能组件，形成完整自主闭环：环境感知组件负责多维度市场与业务信息的实时采集与结构化处理；逻辑推理组件开展因果推断、风险研判与合规校验；任务规划组件拆解业务目标并制定全链路操作路径；操作执行组件通过标准化接口完成具体业务动作；迭代学习组件基于执行反馈持续优化模型能力；合规安全组件对全流程行为进行实时校验，确保符合监管要求与内部制度（见图2）。
（二）分层级技术架构体系
金融智能体矩阵的技术架构遵循“底层支撑—能力核心—中枢调度一场景落地”的逻辑层级，自下而上可划分为基础设施层、模型能力层、中枢编排层与场景应用层四大核心层级，各层级相互协同、有机联动，形成完整的技术闭环（见图3）。
其中，基础设施层是智能体矩阵稳定运行的底层支撑，为上层应用提供一体化的算力、数据与网络安全保障。算力体系方面，需构建“训练一推理”一体化的AI算力底座，具备资源弹性调度与动态扩缩容能力，适配通用大模型与垂类小模型的差异化算力需求；数据体系方面，需搭建企业级统一数据中台，打通内部跨条线数据壁垒，整合外部合规数据资源，实现数据要素的标准化治理与高效流通；网络体系方面，需构建高可靠、高安全的专属传输环境，为数据交互与智能体运行提供全维度网络安全防护。
而模型能力层是智能体矩阵的能力核心，采用“通用大模型+金融垂类大模型+场景小模型”的协同架构体系。其中，通用大模型提供基础的自然语言理解、复杂逻辑推理与通识知识支撑；金融垂类大模型通过对金融行业海量合规数据进行微调训练，具备专业的金融知识储备与业务场景理解能力；场景小模型针对特定细分业务场景进行专项优化，提供高精度、低延迟、高可靠的场景化专业能力。该混合架构既充分发挥了大模型的通用认知优势，又保障了小模型的专业精度与落地效率，实现了能力与成本的最优平衡。
中枢编排层是智能体矩阵的“决策大脑”，核心负责智能体全生命周期管理、复杂任务调度与跨主体协同控制。该层级支持多模式任务调度，能够基于业务目标将复杂金融任务自动化拆解为标准化子任务，并精准分配给适配的智能体单元执行，同时统筹协调多智能体之间的信息交互与协同作业。以蚂蚁数科Agentar平台为代表的低代码可视化编排工具，已成为国内金融机构快速搭建与部署定制化智能体应用的核心载体。
场景应用层是智能体矩阵与金融业务场景的融合落地端口，主要涵盖面向终端客户的服务型智能体、面向内部员工的辅助型智能体、面向经营管理的决策型智能体三大类别。各类智能体通过统一的服务入口实现能力集成，为用户提供“一个入口、全域响应、全链服务”的极致体验。其中，面向供应链金融的智能体应用，能够有效解决中小企业融资难、融资贵问题，显著提升企业价值。
（三）核心协同运行机制
协同机制是智能体矩阵实现效能跃升的核心逻辑，主要包含纵向层级协同、横向平行协同、人机双轨协同三大类型，三类机制相互配合、有机联动，共同实现金融业务的全域智能化协同。纵向层级协同遵循“总一分一总”的闭环运行模式，由高层级的总控智能体负责业务目标拆解、任务分配与结果汇总，低层级的专项智能体负责具体子任务的落地执行与信息反馈；横向平行协同是指同一层级、不同功能定位的智能体之间的分工协作与能力互补；人机双轨协同是系统安全稳定运行的核心保障，智能体负责处理重复性、规则性基础工作，人类从业者聚焦复杂决策、客户关系维护等高价值工作，同时对智能体行为进行全流程监督与干预。
中国工商银行“工银智涌”平台的信贷审批智能体矩阵是这三类协同机制融合应用的典型案例，该平台将个人信贷全流程拆解为客户信息核验、征信数据查询、还款能力评估、反欺诈检测、合规审查5个标准化子任务，由总控智能体统一调度5个专项智能体并行执行，各智能体之间通过标准化接口实时共享数据与中间结果，同时在最终审批环节设置人工复核节点，对于智能体判定为高风险的申请自动转由人工审核，通过纵向层级拆解、横向平行协作与人机双轨管控的有机结合，将个人信贷审批时效从传统的1个工作日压缩至3分钟，审批准确率提升至99.2%，同时将人工干预率控制在5%以内，在大幅提升运营效率的同时有效保障了信贷资产安全。
结合我国金融数字化转型区域不均衡、机构分层化的现实特征，智能体矩阵建设不能搞“一刀切”，而应遵循“因地制宜、分层推进、先易后难、逐步迭代”的原则，按照“基础能力筑基一单一场景试点一跨域协同整合一生态开放融合”的四阶段路径稳步实施（见图4）。基础能力筑基阶段是整个体系的底层支撑，核心是解决智能体技术“可用”的问题，各地应依托全国一体化算力网络国家枢纽节点布局差异化算力设施，在北上广深等金融中心城市重点建设低延迟推理算力集群，中西部地区承接大规模模型训练任务，同时搭建统一的企业级数据中台，建立跨条线数据标准与质量管控体系，筑牢数据安全与网络安全底线。在完成基础能力搭建后，金融机构应进入单一场景试点阶段，优先选择标准化程度高、重复性强、痛点突出的业务场景开展验证，国有大型银行可率先在对公信贷审批、跨境金融结算等复杂场景试点，城商行、农商行则聚焦零售信贷、普惠金融等特色业务，上海、深圳等金融科技示范区可设立专项试点基金，支持机构开展创新应用，通过灰度发布、小范围验证逐步沉淀标准化开发运维流程。研究表明，银行金融科技的应用能够显著助力企业技术创新，这一效应在中小企业中表现尤为明显，最终将推动企业实现高质量发展。
（未完，完整内容，请订阅杂志。）
责任编辑｜吴政希
校对｜余健仪
文献来源：孙奇正,陆鸣,赵璐,信伦.智能体矩阵赋能金融数字化转型从“单点智能”到“全域协同”的突破路径[J].科技与金融,2026(6):39-46.
· 转载请注明作者及来源《科技与金融》杂志。
· 如需获取转载、合作、采访等需求请到微信公众号菜单栏-商务合作，获取相应信息。
· 您亦可在知网、今日头条、南方号等相关平台上关注我们。
《科技与金融》第96期
《人工智能+金融》
已发售
欢迎订购本刊
文章评论