AI时代下的金融科技发展洞察报告（2026）

署名：开迪尔尼沙


目录

CONTENTS

01 中国金融数智化驱动因素

行业演进与核心动力

02 金融机构AI投入情况

金融机构AI能力建设路径与采购逻辑

03 金融机构AI应用现状

AI在金融场景中的落地进程、应用成效

04 发展趋势

AI驱动下的金融科技演进方向

05 AI Fintech卓越者榜单

行业代表厂商的综合竞争力

06 卓越厂商案例与专家之声

标杆企业实践和专家观点


研究概念与背景

概念界定：AI时代下的金融科技是什么？

金融科技，是指运用人工智能、区块链、大数据、云计算、物联网等前沿科技成果，对金融产品、经营模式、业务流程进行改造与创新，进而推动金融发展提质增效的一类技术与应用体系。

AI时代下的金融科技，则是在传统金融科技基础上的进一步深化。其以数据、算法、算力和金融业务知识为基础，以大模型、智能体、机器学习、自然语言处理、知识图谱、智能语音、计算机视觉等AI能力为核心抓手，推动AI深度嵌入银行、保险、证券等金融机构的前中后台业务场景。区别于过去以系统建设、线上化和流程自动化为主的金融科技阶段，AI时代下的金融科技更加关注业务理解、智能决策和价值创造。

研究背景：本报告要回答哪些问题？

金融是现代经济的核心，科技是金融转型升级的关键引擎。我国金融科技已从电子化、互联网化，逐步迈入人工智能全面驱动的智能化新阶段。在政策、市场与技术的三重推动下，金融机构技术投入持续增长，AI、大数据、云计算、隐私计算等技术与金融业务深度融合，成为行业提质增效的核心动力。

与此同时，行业发展面临现实冲突与瓶颈：传统金融科技仍存在数据孤岛、流程低效、风控合规成本高、服务同质化等问题；人工智能虽带来革命性可能，但在核心业务落地不足、数据安全与模型治理矛盾突出、算法合规风险凸显、复合型人才短缺，中小机构更是面临转型难、投入不足等困境。全球金融科技竞争加剧，国内监管强调创新与安全并重，行业亟需清晰的发展方向与落地路径。

在此背景下，本报告提出核心问题：1）金融机构对AI的投入情况如何？ 2）AI在金融领域的落地成效如何？3）行业面临哪些关键挑战？4）未来趋势与机遇是什么？

围绕上述问题，本报告立足AI时代新特征，梳理金融科技发展脉络、数智化驱动因素、金融机构对AI的投资现状、AI在金融场景的应用、产业生态与挑战对策，展望未来趋势，为金融机构、科技厂商与监管方提供参考，推动我国金融科技在智能时代高质量发展。

来源：艾瑞咨询研究院自主研究及绘制。


目录

CONTENTS

01 中国金融数智化驱动因素

行业演进与核心动力

02 金融机构AI投入情况

金融机构AI能力建设路径与采购逻辑

03 金融机构AI应用现状

AI在金融场景中的落地进程、应用成效

04 发展趋势

AI驱动下的金融科技演进方向

05 AI Fintech卓越者榜单

行业代表厂商的综合竞争力

06 卓越厂商案例与专家之声

标杆企业实践和专家观点

金融科技发展历史


历经20余年发展，中国金融科技经历了从电子化、互联网化到规范化的阶段，迈入数智化发展的新阶段

金融互联网化（1993-2006）

1993

1999

2002

2004

2006

金卡工程 招行开通“一网通”中国银联成立 支付宝拆分上线

国有大行股改上市；

全国性网上银行体系建成

从“金卡工程”起步，中国金融业正式开启了交易电子化与金融业务线上化的探索之路。1999年招行“一网通”开启线上银行先河；2002年银联打通全国跨行清算基础设施；2004年支付宝独立上线标志第三方支付赛道开启。整个阶段以传统金融机构为核心主体，依托互联网技术完成线下金融业务的电子化、网络化改造，核心解决了金融交易的效率痛点，完成了中国金融科技的萌芽与基础基建搭建。

互联网金融爆发（2007-2015）

2007

2010

2013

2013

拍拍贷诞生

2015

支付宝获支付许可证

余额宝上线微信支付上线

众安保险获批京东金融成立

微众银行、网商银行开业

2007年国内首家P2P网贷平台拍拍贷的诞生，拉开了互联网金融新业态探索的序幕，中国金融科技正式进入互联网金融爆发期。随着移动互联网的快速普及，2013年余额宝正式上线、众安保险获批筹建、微信支付正式推出，互联网业态全面渗透理财、保险支付等核心金融领域。这一阶段互联网企业跨界渗透金融业态，大幅降低了金融服务门槛，推动普惠金融实现快速普及。

金融科技规范化（2016-2022）

2016

2018

国务院启动全国互联网金融风险专项整治；互金协会成立

2020

2021

资管新规发布；网联清算平台上线； P2P行业启动全面清退

蚂蚁集团暂缓上市

P2P平台全面清零；央行发布《金融科技发展规划 （2022-2025）》

2016年国务院启动互联网金融风险专项整治工作，标志着中国金融科技正式告别野蛮生长，进入全面规范化发展的全新阶段。这一阶段监管体系持续完善，互联网巨头逐步剥离自营金融业务、转向技术服务输出，传统金融机构全面启动数字化升级，数字人民币试点大范围推广，行业正式进入合规、有序、高质量发展的新阶段。

金融数智化（2023-至今）

2023

2023

2024

2025

大模型技术

《生成式人工智能服务管理暂行办法》

2025

《推动数字金融高质量发展行动方案》

智能体技术

《“人工智能+”行动意见》

2023年生成式AI大模型技术的全面爆发，推动中国金融科技正式迈入金融数智化的全新发展阶段。这一年，国有大行、股份制银行、头部保险与券商机构密集发布金融行业大模型，国家网信办等七部门同步发布《生成式人工智能服务管理暂行办法》，为金融领域AI合规应用划定了核心准则。这一阶段以生成式AI、智能体等为核心的新一代数字技术，与金融业务实现全流程、全场景的融合，推动行业从“数字化”向“数智化”全面升级。

来源：公开信息，艾瑞咨询研究院自主研究及绘制。


金融数智化驱动因素（1/3）

内生变革需求、外部竞争压力与技术成熟共同推动金融数智化

当前，金融数智化已不再是“要不要做”的选择题，而是金融机构在效率提升、客户服务、风险管理和市场竞争中必须持续推进的能力建设。调研结果显示，金融机构投入AI由战略牵引、经营压力、市场竞争、技术成熟与行业示范等多重因素共同作用。其中，高层战略推动 （80.6%）、降本增效压力（75.0%）和市场竞争驱动（72.2%）位居前三，说明当前金融数智化已从局部技术尝试逐步上升为机构级战略行动，AI的应用成为金融机构重塑经营模式、提升运营效率、增强市场竞争力的重要抓手。

一、内生驱动力：组织战略牵引与经营效率提升是核心动因

调研中，“高层战略推动”的选择比例最高，达到 80.6% ，是金融机构深度应用AI的首要推动因素。这一结果反映出，金融行业的AI应用具有较强的组织性和系统性特征。由于金融机构业务链条长、数据体系复杂，同时又面临较高的安全、合规和风控要求，AI的深度应用往往不是单个部门能够独立完成的工作，而需要管理层在战略方向、资源投入、组织协同和机制建设等方面进行统筹推动。

降本增效压力也是推动金融机构应用AI的重要原因。本次调研中， 75.0%的受访者选择了这一因素。近年来，金融机构普遍面临经营效率提升、成本结构优化和资源配置改善等压力，传统依靠人工处理和流程驱动的模式在效率、成本和响应速度方面逐渐显现出局限。AI在智能客服、智能审核、风险识别、运营自动化、营销推荐等场景中的应用，能够帮助机构减少重复性劳动，提高业务处理效率，并在一定程度上降低运营成本。因此，降本增效构成了金融机构推动AI应用最直接、也最现实的业务动因。


~81%的金融机构受访者认为高层战略推动是AI深度应用的主要驱动力。


~75%的金融机构受访者认为降本增效压力是AI深度应用的主要驱动力。

二、外生驱动力：市场压力与同业实践共同推动金融机构AI应用深化

从外部环境看，市场竞争是推动金融机构深度应用AI的主要外生因素，72.2%的受访者选择了“市场竞争驱动”。随着银行、保险、证券、基金以及金融科技公司持续加快智能化布局，AI能力正在逐渐转化为客户服务、风险识别、营销触达等方面的竞争优势。在这一背景下，AI应用较慢的机构，可能在服务响应速度、客户体验、业务处理效率和精细化运营能力上落后于同行。因此，市场竞争构成了金融机构加快数智化转型的重要外部压力。


金融数智化驱动因素（2/3）

同业示范效应进一步放大了这种外部压力。调研中，61.1%的受访者选择“同业示范效应”，说明金融机构在推进AI应用时，会高度关注行业内其他机构的实践进展。金融行业对安全性、稳定性和投入产出要求较高，机构在采用新技术时通常较为谨慎。当同业已经在智能客服、智能风控、智能投研、运营自动化、合规审核等场景中形成可见成效时，会降低其他机构对AI应用风险和收益的不确定性判断，也会推动更多机构加快跟进。换言之，同业示范不仅提供了可借鉴的实践路径，也形成了一种“不能落后于同行”的竞争压力。

相比之下，客户需求升级的推动作用并不明显，只有41.7%的受访者选择了该选项，说明当前金融机构应用AI的直接动力仍主要来自机构自身经营压力和市场竞争。但从长期看，客户对服务便捷性、响应速度、个性化体验和综合金融服务能力的要求正在提高，这会持续推动金融机构优化智能客服、精准营销、财富管理、智能投顾等服务场景。因此，客户需求升级虽然不是当前最强的驱动力，但会持续影响AI应用的方向和深度。


~72%的金融机构受访者认为市场竞争是AI深度应用的主要驱动力。


~61%的金融机构受访者认为同业示范效应是AI深度应用的主要驱动力。

三、技术基础：技术条件成熟提升AI规模化落地可行性

调研中， 55.6%的受访者选择“技术条件成熟”，说明技术进步已经成为金融机构深化AI应用的重要基础条件。相比高层战略推动、降本增效压力和市场竞争驱动，技术条件成熟的选择比例并非最高，这也表明技术本身并不是金融机构应用AI的唯一原因。

但从应用落地角度看，技术成熟度直接影响AI能否从概念验证和局部试点，进一步走向业务流程中的稳定应用。过去，金融机构在应用AI时往往面临模型效果不稳定、场景适配难度高、数据安全要求高等问题，导致AI更多停留在辅助性、局部性的应用层面。


~56%的金融机构受访者认为技术条件成熟是AI深度应用的主要驱动力。

随着大模型、机器学习、智能语音、知识图谱、自动化流程工具等技术能力不断提升，AI在自然语言理解、数据处理、风险识别、知识问答、内容生成和流程自动化等方面的可用性增强，金融机构将其嵌入客服、风控、投研、运营、合规等业务场景的条件也更加成熟。因此，技术基础的作用并不在于单独“推动”金融机构应用AI，而在于降低AI应用的落地门槛，提高应用的稳定性和可复制性。

注：N=108，调研范畴包括国有商业银行、股份制银行、城市商业银行、保险、证券等金融机构的科技/IT部门决策者。来源：艾瑞咨询研究院自主研究及绘制。


金融数智化驱动因素（3/3）

政策引导是金融数智化的制度保障与方向指引

在技术与市场双重驱动之外，政策体系构成了金融数智化发展不可或缺的制度性保障。近年来，我国从顶层战略、行业专项到地方先行等多个维度，系统构建了推动“人工智能+金融”发展的政策框架。

“人工智能+金融”相关政策（部分列举）

时间

文件名称

发布单位

主要内容与价值

顶层设计

2025年8月

《关于深入实施“人工智能+”行动的意见》

国务院

明确“加大人工智能领域金融和财政支持力度，发展壮大长期资本、耐心资本、战略资本，完善风险分担和投资退出机制，充分发挥财政资金、政府采购等政策作用”。

2024年11月

《推动数字金融高质量发展行动方案》

中国人民银行等七部门

明确以人工智能等数字技术为关键驱动，推动数字技术在科技金融、绿色金融、普惠金融、养老金融、数实融合等“五篇大文章”全领域深度应用。

2022年8月

《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》

科技部、教育部等六部门

将金融作为人工智能场景创新的重点领域之一，鼓励金融机构加快AI技术在智能风控、智能投顾、智能客服等场景的创新，支持开展金融领域人工智能创新试点，完善场景激励政策与容错机制。

2021年12月

《金融科技发展规划(2022-2025年)》

中国人民银行

提出“智慧为民”基本原则，要求抓住全球人工智能发展新机遇，全面推进智能技术在金融领域深化应用，实现金融服务全生命周期智能化。

行业专项政策

2025年12月

《银行业保险业数字金融高质量发展实施方案》

国家金融监督管理总局

明确提出加快发展“人工智能+金融”，鼓励有条件的金融机构构建企业级人工智能平台，集中管理模型开发、部署与评估流程。

2024年12月

《银行保险机构数据安全管理办法》

国家金融监督管理总局

为AI+金融应用筑牢数据安全基础，明确银行保险机构数据全生命周期管理要求，规范数据采集、存储、使用、共享等行为。

2022年1月

《关于银行业保险业数字化转型的指导意见》

原中国银保监会办公厅

作为银行业保险业数字化转型的纲领性文件，明确提出大力推进业务经营管理数字化转型，鼓励运用人工智能、大数据等技术。

地方先行政策

2025年11月

《关于携手打造港深全球金融科技中心的行动方案(2025-2027年)》

香港特别行政区政府财经事务及库务局、深圳市地方金融监督管理局

鼓励深港两地金融机构联合科技企业，探索人工智能等技术在金融领域的深度应用，支持智能算力服务供给、降低金融AI研发成本。

2024年9月

《上海高质量推进全球金融科技中心建设行动方案》

上海市人民政府办公厅

重点围绕人工智能等底层技术推动金融科技原创性研发，打造上海大模型金融语料数据库，推动金融垂类大模型创新应用。

2024年7月

《北京市推动“人工智能+”行动计划(2024-2025年)》

北京市发改委、北京市经信局、北京市科委中关村管委会

将“人工智能+金融管理”列为重点示范性应用，明确推进银行、保险、证券等金融机构建设大模型风险评估与预警系统，加强内控合规、客户财况评估、违约概率预测、欺诈检测等工作。

来源：公开资料，艾瑞咨询研究院自主研究及绘制。


目录

CONTENTS

01 中国金融数智化驱动因素

行业演进与核心动力

02 金融机构AI投入情况

金融机构AI能力建设路径与采购逻辑

03 金融机构AI应用现状

AI在金融场景中的落地进程、应用成效

04 发展趋势

AI驱动下的金融科技演进方向

05 AI Fintech卓越者榜单

行业代表厂商的综合竞争力

06 卓越厂商案例与专家之声

标杆企业实践和专家观点


金融机构AI投入规模

2025年，中国金融机构对AI类产品的投资规模为144亿元，预计2030年将达579.2亿元，年复合增长率为32.1%

2025年，中国金融机构AI类产品投入规模约为144.0亿元。其中，一部分来自智能客服、智能营销、智能办公等成熟场景的持续采购，另一部分来自大模型、智能体平台、行业模型微调和场景化解决方案等新增投入。预计到2030年，市场规模将提升至579.2亿元，2025- 2030年CAGR约为32.1%。从增长节奏看，2026-2028年是金融机构AI投入的快速放量阶段，市场规模从190.4亿元提升至352.6亿元；2029年后，随着早期试点逐渐完成、项目ROI要求提高、预算审批趋于理性，增速将从高位回落，但投入规模仍保持持续扩张。

这背后有三点核心逻辑：1）金融机构的AI应用正在从“工具采购”转向“能力建设”，金融机构不再只采购单点产品，而是围绕模型、数据、平台、智能体和业务系统改造进行组合投入；2）金融机构的AI预算正在从技术部门向业务部门渗透，风控、营销、客服、投研、核保理赔等条线会成为新增预算的重要来源；3）市场将从高预期驱动转向价值验证驱动，项目能否形成稳定效果、可复制场景和可衡量收益，将决定后续投入能否持续扩大。

2025-2030年中国金融业AI类产品投入规模及增速


来源：专家访谈，艾瑞咨询研究院自主研究及绘制。


金融机构AI投入类型

应用层数智化改造与算力建设成为金融业AI投入双主线

现阶段金融机构的AI投入更偏向于围绕具体业务场景和系统能力展开。调研结果显示，分别有 80.6%和 77.8%的受访者表示所在机构的AI投入在应用层改造和算力基础设施。一方面，机构关注AI能否嵌入现有业务流程，提升客户服务、风险管理、运营管理、投研支持、理赔核保、合规审核等环节的效率；另一方面，AI应用的持续运行也需要算力资源、系统稳定性和模型调用能力作为基础支撑。

金融机构对AI的投入具有较强的业务导向。相比单纯配置模型或采购工具，应用层改造更直接对应业务系统、流程节点和用户触点的变化。对于金融机构而言，AI价值往往不是通过单一技术模块体现，而是通过与业务流程结合，改善信息处理效率、审核效率、服务响应速度和决策辅助能力。因此，应用层改造成为最主要的投入方向，反映出金融机构更加关注AI在具体业务中的可用性和落地效果。

础资源能力是金融AI建设的重要内容。金融场景通常对响应速度、系统稳定性、数据安全和服务连续性要求较高，尤其是在智能客服、内部知识问答、文本与单证处理、风险识别、投研辅助等场景中，模型调用频率、并发处理能力和推理效率都会影响应用体验和部署范围。因此，算力基础设施并不是独立于业务之外的技术投入，而是支撑AI应用规模化运行的重要条件。

金融机构数智化需要复合型AI人才和具备金融行业know-how的外部服务商。人才团队建设和外部采购服务的选择比例分别达到 61.1%和 55.6%，均超过半数，说明金融机构在AI投入中需要能够连接技术、业务与合规的专业能力。金融AI应用通常涉及客户服务、风险管理、投研支持、理赔核保等具体场景，对数据安全、业务规则和结果可解释性要求较高。因此，机构既需要懂AI又懂金融业务的复合型人才，也需要引入熟悉金融行业场景、能够提供定制化解决方案的外部服务商。

中国金融机构AI投入类型


注：N=108，调研范畴包括国有商业银行、股份制银行、城市商业银行、保险、证券等金融机构的科技/IT部门决策者。来源：艾瑞咨询研究院自主研究及绘制。


金融机构AI能力建设路径（1/2）

自研和外采结合是金融机构AI能力建设的主流路径

金融机构AI能力建设以“自研+外采”的混合模式为主，在调研中仅仅 8.3%的受访者表示所在机构的AI能力建设完全依赖外采，同时没有受访者表示能够依靠纯自研模式完成AI能力的建设，说明在AI能力建设过程中，金融机构普遍倾向于在内部能力建设与外部资源引入之间寻找平衡。

这一结果与金融行业的业务特征具有较强一致性。金融机构一方面需要通过自研或内部开发掌握关键业务场景、核心数据、风控规则和系统集成能力，确保AI应用在安全性、稳定性、合规性和可控性方面满足行业要求；另一方面，也需要借助外部模型、技术平台和解决方案提升建设效率，降低从零开发的成本和周期。因此，“自研+外采”是金融机构在安全可控、业务适配和效率成本之间进行权衡后的现实选择。

金融机构构建AI能力的方法


“自研”的含义

注：N=108，调研范畴包括国有商业银行、股份制银行、城市商业银行、保险、证券等金融机构的科技/IT部门决策者。


注：N=99，调研范畴包括国有商业银行、股份制银行、城市商业银行、保险、证券等金融机构的科技/IT部门决策者。

进一步看，“自研为主、外采为辅”和“外采为主、自研为辅”占比接近，分别为 47.2%和 44.4%，说明不同机构在AI能力建设中的主导权安排存在差异。一部分机构更倾向于以内部建设为核心，将外部能力作为补充，用于通用模型、工具平台或特定模块；另一部分机构则更依赖外部服务商和成熟产品，再结合自身业务进行适配和二次开发。两类路径的接近分布表明，金融机构尚未形成统一标准化建设模式，机构会根据自身技术基础、数据资源、预算规模、业务复杂度和合规要求选择不同的组合方式。

值得注意的是，当前金融机构所说的“自研”，并不主要等同于完全自主研发。金融机构对自研的理解更加偏向模型改造、场景适配和工程化落地，区别于从底层模型架构、训练数据和基础参数层面完全从零开发。调研中有72.7%的受访者认为“基于开源模型深度开发”更接近本机构所认定的自研，反映出开源模型在金融AI建设中的重要性。一方面，开源模型为机构提供了较低门槛、较高灵活度的技术基础，有助于机构根据自身业务场景进行微调、蒸馏、部署优化和安全改造；另一方面，相比完全自主研发基础大模型，基于开源模型进行深度开发在成本、周期和可控性之间更具现实可行性。

来源：艾瑞咨询研究院自主研究及绘制。

金融机构AI能力建设路径（2/2）

外采路径具有“效率导向”和“安全可控”双重特征

从前述调研结果可知金融机构AI能力建设呈现出较强的外部能力引入需求，全部受访者选择了包含外采成分的建设方式。从外采原因看，金融机构选择外采的首要动因集中在落地效率和方案成熟度， 86.1%的受访者选择“加快落地速度”， 80.6%的受访者选择“供应商有成熟行业方案”，明显高于其他选项。

金融机构选择外采AI服务的原因


金融机构引入外部AI产品和服务的核心诉求是希望借助已经过市场验证或行业验证的解决方案，降低试错成本、缩短建设周期。

超过60%的金融机构面临研发成本较高、自研技术与人才储备不足等现实约束，需要通过外采引入成熟产品、工程化能力和行业解决方案，以降低建设门槛并补齐内部能力短板。

安全合规非金融机构选择外采的主要动因，是外采过程中必须满足的前置条件。

这一点在外采落地模式中体现得更为明显。调研显示， 75.0%的受访者选择“私有化本地部署”，是所有落地模式中比例最高的选项；而“公有云SaaS/API订阅”的比例仅为 16.67%。这说明金融机构虽然普遍引入外部AI能力，但更倾向于将外部产品和模型能力部署在自身可控环境下。尤其在涉及客户数据、交易数据、经营数据、风控规则和内部知识库的场景中，私有化部署能够更好地满足金融机构对数据不出域、系统可控和服务稳定性的要求

除私有化部署外，定制化项目开发、混合云模式、低代码/无代码平台的占比相对较高，说明金融机构对外采AI产品的需求更强调与自身业务流程、数据体系和系统架构的适配，并不会为了追求速度选择标准化、即插即用式采购。

联合共建选择比例仅为 25.0% ，说明相较于从零与厂商共建，金融机构更倾向于基于成熟产品和解决方案，在实际业务场景中进行适配和落地。

金融机构外采AI服务落地方式



金融机构关注的供应商能力（1/2）

安全合规与金融行业经验是AI供应商选型的核心考量

随着AI应用逐步进入金融机构的真实业务环境，供应商能力评估不再局限于模型性能本身，而转向对安全合规、行业理解、技术可靠与长期服务能力的综合考察。金融业务具有数据敏感度高、监管要求强、流程复杂度高等特征，因此金融机构在选择AI供应商时，更关注其是否能够在安全可控的前提下理解业务场景、适配既有系统。调研结果显示，金融机构评估供应商能力的考量因素优先度如下：

安全合规能力 > 金融行业经验 > 技术能力 > 商业能力

TOP1：安全合规能力

指供应商在数据保护、权限控制、隐私安全、合规管理、结果解释和审计追溯等方面的能力。

~86%的受访者选择数据安全

数据安全：数据安全成为金融机构选择供应商的首要考量因素，约 86%的受访者选择了该选项，反映出金融机构对AI应用风险的高度敏感。金融机构业务存有大量涉密数据，AI系统接入会涉及数据调用、存储等多项安全问题，因此供应商的数据隔离、权限管控、隐私保护等安全能力，直接决定金融机构能否放心将AI系统接入真实业务场景。

~61%的受访者选择 AI合规/可解释

AI合规/可解释性：约61%的受访者选择AI合规/可解释性，说明金融机构对AI系统“给出结果”的可解释性、过程可追溯性以及责任界定有着较高的关注度。尤其是在风控、授信、理赔、投研、合规审核等场景中，AI输出往往需要接受业务人员复核和监管审视，因此供应商需要具备模型解释、依据溯源、过程留痕和合规审计能力，降低AI应用中的黑箱风险和合规风险。

TOP2：金融场景落地能力

指供应商对金融业务逻辑、行业规则、监管要求、系统流程和具体应用场景的理解能力，以及将AI能力嵌入金融业务流程的交付能力。

~83%

行业落地经验：约 83%的受访者选择金融行业落地经验，仅次于数据安全，说明金融机构高度重视供应商是否真正“懂金融”。银行、保险、证券等场景具有较强的业务专业性和流程约束，AI应用不能简单停留在通用问答或文本生成层面，而是需要理解信贷审批、风险控制、核保理赔、投研分析、客户服务、合规管理等具体业务逻辑。因此，具备成熟金融项目经验的供应商，更容易获得金融机构信任。

的受访者选择行业落地经验

>50%

的受访者选择定制化开发能力

定制化开发能力：约 50%的受访者选择定制化开发能力，说明金融机构对AI供应商的要求并不止于标准化产品交付。不同金融机构在数据基础、系统架构、业务流程和管理规则上存在差异，AI系统往往需要围绕具体场景进行二次开发、流程适配和系统集成。因此，定制化开发能力体现的是供应商能否将AI能力转化为贴合机构实际需求的解决方案。

注：N=108，调研范畴包括国有商业银行、股份制银行、城市商业银行、保险、证券等金融机构的科技/IT部门决策者。来源：艾瑞咨询研究院自主研究及绘制。


金融机构关注的供应商能力(2/2)

TOP3：技术可靠性

指供应商在模型理解、推理生成、系统集成、稳定运行和生产环境承载等方面的能力。

>64%

模型性能：约64%的受访者选择模型性能，代表金融机构仍然重视AI产品本身的技术能力。模型性能决定AI系统在语义理解、内容生成、复杂推理和任务执行方面的能力上限，是AI应用能否产生实际效果的基础。但从整体结果看，模型性能并未超过数据安全和金融行业落地经验，说明金融机构对AI能力的判断更加务实，并不单纯追求“模型更强”，而是更关注模型能否在安全、合规和业务适配的前提下发挥作用。

的受访者选择模型性能

>64%

系统稳定性：同样约 64%的受访者选择系统稳定性，说明金融机构非常关注AI系统在真实业务环境中的持续可用能力。金融机构落地的AI项目需要在真实数据、真实用户、真实流程和长期运行条件下保持稳定输出。对于金融机构而言，系统不稳定可能影响业务连续性、用户体验和内部协同效率，因此系统稳定性是AI应用从试点走向生产环境的重要前提。

的受访者选择系统稳定性

TOP4：商业合作能力

指供应商在成本控制、实施交付、售后响应、持续运维、品牌信誉和长期服务方面的能力。

~44%的受访者选择实施成本

实施成本：成本仍是金融机构AI项目采购和推进过程中的重要考量因素，但并非首要决定因素，约44%的受访者选择了“实施成本”选项，占比不高。相比单纯压低采购价格，金融机构更关注项目能否在安全合规、业务适配和稳定运行的前提下实现有效交付。实施成本更多影响的是项目部署范围、推进节奏和投入产出评估。

>36%

的受访者选择售后服务能力

售后服务能力：金融机构对供应商的服务能力有一定关注，仅有约36%的受访者选择售后服务能力。但这并不意味着售后服务不重要，而是因为金融机构在选型阶段更关注供应商能否先满足准入门槛和核心业务需求。AI项目并非一次性交付，后续通常涉及模型调优、知识库更新、系统维护、问题修复和场景迭代，因此售后服务能力更多体现为项目长期运行过程中的持续保障能力。

~33%的受访者选择品牌信誉

品牌信誉：约33%的受访者选择品牌信誉，在各选项中相对靠后，说明金融机构在AI供应商选型上更加关注实际能力和落地效果，避免单纯依赖品牌知名度。品牌信誉可以降低初始沟通和信任成本，但不能替代数据安全、金融行业经验、模型性能和系统稳定性等核心能力。尤其在AI应用仍处于持续迭代阶段的背景下，金融机构更倾向于以真实案例、交付能力和应用效果来判断供应商价值。


金融机构与供应商合作中遇到的问题 AI外采合作痛点集中于业务理解、效果兑现与成本控制

对金融机构从业者的调研及访谈反馈显示，金融机构外采AI服务过程中，最常出现的问题集中在业务理解不深、核心效果未达预期和后期隐性成本过高三个方面。从本质上看，金融AI外采的关键在于供应商能否将AI技术能力转化为金融业务价值。金融机构采购的并不只是模型或工具，更关注供应商能否理解业务规则、适配真实流程、控制实施成本，并在持续迭代中形成稳定、可验证的应用效果。


业务理解不足

金融机构外采AI服务时，最突出的痛点集中在供应商对金融业务的理解深度上。金融业务具有较强的专业性和流程约束。这一问题的影响往往发生在项目早期，业务理解不足会导致供应商对金融机构真实需求把握不准，可能出现场景选择偏宽、功能设计偏浅、评估指标偏技术化等情况。


核心效果未达预期

部分AI项目虽然完成了部署或功能交付，但在真实业务中的效果释放仍然不足。当前金融 AI外采项目的效果落差，主要来自技术能力、业务流程和组织协同之间的匹配不足。供应商需要从单纯功能交付，进一步走向业务效果交付；金融机构也需要在数据治理、流程梳理和内部协同上提供支撑。


后期隐性成本过高

金融机构在AI外采过程中已经开始感受到项目上线后的持续投入压力。AI项目的成本结构通常比传统软件采购更复杂，除前期采购和部署费用外，后续还可能涉及模型调优、算力扩容、场景迭代等持续投入。如果金融机构只关注初始报价，就容易低估项目的全生命周期成本。

RaaS模式有望缓解金融机构AI外采中的效果兑现与成本治理难题

针对供应商对金融业务理解不深：在RaaS模式下，供应商的收益与长期服务效果相关，其动力会从“完成交付”转向“持续产生业务结果”。这要求供应商在项目前期更深入地参与场景诊断，理解业务目标、流程节点、数据基础和使用人群，从而减少需求理解偏差。

针对效果未达预期：AI项目效果未达预期，很多时候源于验收标准过于偏向技术指标，例如模型准确率、响应速度、功能可用性等，而金融机构真正关注的是审核效率、人工成本、风险识别、客户体验、业务转化和合规质量等业务结果。RaaS模式更适合围绕业务指标建立评价体系，通过将供应商服务与业务结果绑定，AI项目的评价标准会更加接近金融机构的真实需求。

针对隐性成本过高：RaaS模式可以将部分持续投入纳入服务价格或结果计费框架中，让金融机构在项目前期就能更清楚地评估长期使用成本。同时，供应商也会更重视模型调用效率、系统复用能力和运营成本控制，因为这些因素会直接影响其自身服务收益。


金融机构对AI供应商的期待

金融机构期待AI供应商提供贯穿落地全周期的综合服务

调研显示，金融机构对AI供应商的服务期待，集中体现为三类需求：一是围绕具体业务场景提供可落地的解决方案，二是围绕机构自身数据、流程和知识体系进行模型适配，三是在项目上线后提供持续响应、经验输入和能力建设支持。结合前述合作痛点来看，这些期待是金融机构对“业务理解不深、效果未达预期、隐性成本较高”等问题的直接回应。金融机构希望供应商提供能够贯穿场景诊断、方案设计、模型调优、上线运行和组织赋能的综合服务。

场景落地服务 ~89% 场景化方案 ~56% 行业实践分享

约 89%的受访者选择场景化方案，约 56%的受访者选择行业实践分享。这说明金融机构最希望供应商先帮助其判断AI应该落在哪些业务场景、以什么路径落地、用什么指标衡量效果。

场景化方案居于首位，反映出当前AI外采的首要难点在于业务场景转译。金融业务具有强流程、强规则、强合规特征，供应商如果缺乏对具体场景的拆解能力，AI项目很容易停留在功能演示层面。行业实践分享则说明金融机构希望借鉴同类机构经验，减少重复试错。

基础能力建设支持

>64%

定制化训练

>53%

数据治理支持

约64%的受访者选择定制化训练，约53%的受访者选择数据治理支持，共同指向AI项目落地的基础能力建设支持。

定制化训练解决的是模型与机构业务知识、产品规则、服务口径之间的适配问题；数据治理支持解决的是数据分散、口径不一、标签不足、知识库质量不稳定等基础问题。

二者结合起来，反映出金融机构希望供应商参与的不只是技术部署，还包括数据基础建设、模型效果优化和内部使用能力培养。

运营保障服务 ~58% 快速响应支持 ~44% 持续运维服务

约 58%的受访者选择快速响应支持，约 44%的受访者选择持续运维服务，反映出金融机构对AI项目上线后持续优化的需求。

AI系统进入真实业务环境后，会持续面对数据变化、业务规则变化、用户反馈、模型效果波动等要求，因此项目交付边界会明显后移。快速响应支持可以帮助金融机构及时处理错误输出、接口异常等使用问题；持续运维服务则关系到模型调优、知识库更新、版本升级等。对于金融机构而言，这类服务直接影响AI应用能否从试点验证走向长期使用。


目录

CONTENTS

01 中国金融数智化驱动因素

行业演进与核心动力

02 金融机构AI投入情况

金融机构AI能力建设路径与采购逻辑

03 金融机构AI应用现状

AI在金融场景中的落地进程、应用成效

04 发展趋势

AI驱动下的金融科技演进方向

05 AI Fintech卓越者榜单

行业代表厂商的综合竞争力

06 卓越厂商案例与专家之声

标杆企业实践和专家观点


金融机构应用的AI工具类型

大模型、智能体、机器学习成为金融机构AI应用底座

调研显示，金融机构当前深度应用的AI工具中大模型以 86.1%的占比居于首位，反映出其在金融行业高文本、高知识密度场景中的通用适配性，已成为智能客服、内部知识问答、投研辅助和合规审核等场景的重要技术底座。智能体和机器学习的选择比例均超过 60%，前者体现了AI向任务拆解、工具调用和流程协同延伸的趋势，后者则继续在风控、反欺诈、客户分群和预测分析等成熟场景中发挥基础作用。相比之下，其他工具更多依附于特定业务入口或数据形态，应用深度取决于机构的数据基础、系统连接能力和业务闭环程度。

金融机构深度应用的AI工具类型

占比

技术类型

技术特点

金融场景中的典型应用

86.1%

大模型

擅长文本理解、内容生成、知识问答、摘要归纳和复杂语义处理。

智能客服、内部知识问答、合规审核辅助、投研报告生成、合同/制度解读、营销话术生成、员工培训等。

63.9%

智能体

能够进行任务拆解、工具调用、流程编排和多步骤执行，强调从“回答问题”走向“完成任务”。

信贷尽调助手、理赔流程助手、投研工作流、客户经营助手、运营审批辅助、跨系统业务办理。

61.1%

机器学习

基于结构化数据和历史样本进行识别、预测、分类和推荐，稳定性和可验证性较强。

信用评分、风险预警、反欺诈、客户分群、精准营销、保险定价、赔付预测、交易策略辅助。

47.2%

数字人/虚拟人

融合虚拟形象、语音交互、大语言模型和知识库，强调拟人化表达和服务体验。

智能客服形象、线上财富顾问、保险产品讲解、业务办理引导、员工培训、品牌营销。

33.3%

语音技术

包括语音识别、语音合成、语义理解和语音质检，适用于电话、会议和音频类数据处理。

智能外呼、呼叫中心质检、语音客服、会议纪要、坐席辅助、客户情绪识别。

33.3%

知识图谱

强调实体、关系和网络结构建模，适合处理复杂关联关系和风险传导路径。

关联方识别、反欺诈网络、风险传导分析、合规审查、客户画像、产品匹配。

27.8%

计算机视觉

处理图像、视频、证件、票据和材料影像，适合非结构化视觉数据识别。

身份证件识别、票据审核、远程开户、网点风控、车险定损、医疗票据识别、材料审核。

注：N=108，调研范畴包括国有商业银行、股份制银行、城市商业银行、保险、证券等金融机构的科技/IT部门决策者。来源：艾瑞咨询研究院自主研究及绘制。


AI工具在金融机构中的价值释放

降本增效是当前最突出的价值，收入转化仍待长周期验证

整体来看，金融机构使用AI工具后已普遍形成价值反馈，仅有2.78%的受访者表示“暂无明显价值”，说明AI应用已经在具体业务流程中产生可感知的经营效果。

降本增效是当前AI应用最直接的价值体现。 86.1%的受访者认为AI带来了“人效/流程效率提升”， 75.0%的受访者认为AI降低了“人力/运营成本”。当前金融机构对AI价值的感知首先来自内部运营和流程改造：通过自动化问答、材料审核、信息检索、坐席辅助等高频任务，AI能够压缩人工处理时间、减少重复性工作占用，并提升单位人力产出。对银行、保险和证券机构而言，这类价值更容易量化，也更容易被业务部门直接感知，因此成为当前AI落地中最成熟、最稳定的收益来源。

AI正在带动新的金融服务范式形成。50.0%的受访者选择“催生新产品/服务/模式”，说明AI的作用已经从后台提效延伸到产品设计、客户经营和服务供给方式的重塑。大语言模型、智能体、数字人和机器学习等技术组合，使金融机构能够探索智能客服、智能投顾、自动化投研、智能理赔等新型应用形态。新范式的价值重点在于改变金融服务的组织方式：从依赖人工经验和线下流程，逐步转向数据驱动、智能交互和人机协同的服务模式。

AI应用在收入端的价值尚未充分释放。仅25.0%的受访者认为AI带来了“收入/利润增长”，显著低于其他价值类选项，说明AI应用在金融机构收入端的贡献尚未形成普遍反馈。收入增长需要AI进一步嵌入产品设计、客户经营、渠道转化和服务交付链路，并通过客户转化、交叉销售、资产规模提升或服务付费等方式体现出来。相较于降本增效，收入端价值链条更长、影响因素更多、归因难度更高，目前仍处于培育和验证阶段。

AI工具给金融机构带来的价值


注：N=108，调研范畴包括国有商业银行、股份制银行、城市商业银行、保险、证券等金融机构的科技/IT部门决策者。来源：艾瑞咨询研究院自主研究及绘制。


本章研究工具介绍

本章基于金融机构AI应用的技术属性和业务落地属性，构建“技术通用程度一业务嵌入深度”二维分析框架，并以“应用成熟度”作为气泡大小，对银行、保险、证券机构的AI应用场景进行图谱化呈现。

横轴为“技术通用程度”：用于衡量AI应用在不同业务、部门和行业之间的迁移复用能力。技术通用性越高，说明该类应用对特定业务规则、专有数据和行业知识的依赖程度越低，较容易在多个场景中复制推广。技术通用性越低，则说明该类应用更依赖特定业务流程、专业模型和机构数据，通常需要围绕银行、保险或证券的核心业务逻辑进行定制开发等。

纵轴为“业务嵌入深度”：用于衡量AI应用与金融机构核心业务逻辑的耦合程度。业务嵌入深度越高，说明该类应用越贴近核心价值链，需围绕行业特定规则、监管要求和专有数据定制开发，难以跨行业迁移；业务嵌入深度越低，说明该类应用越偏向通用工具，对特定业务规则依赖弱，较容易跨部门或跨行业复用。

气泡大小表示“AI应用场景成熟度”：用于衡量AI应用在金融机构内部的成熟度。气泡越大，说明该类场景应用范围和使用频率相对较高，对业务流程的支撑作用更加明确，成熟度相对较高；气泡越小，说明该类场景应用尚处试点探索或局部落地阶段，技术方案仍在迭代，成熟度相对较低。

金融机构AI应用场景图谱

高

AI应用场景成熟度

业务嵌入深度

垂直深耕型：技术门槛高且行业属性强，模型训练依赖银行、保险或证券的专有数据与业务规则，跨行业迁移成本极高。这类应用直接作用于核心决策环节，是机构差异化竞争的关键，但开发周期长、投入重，通常需要与垂直厂商深度共建或自主研发。

低

边缘定制型：技术方案定制化程度高，但仅停留在边缘支持环节，未触及核心价值链。典型如某些内部制度问答机器人、部门级定制报表工具特征是场景封闭、复用性差、投入产出比偏低，容易形成数据孤岛。

通用赋能型：底层技术具备跨行业通用性，但落地时与金融业务核心流程深度耦合。技术底座相对成熟，通过金融数据微调即可嵌入核心业务。这类应用性价比最优，是当前金融机构规模化部署的主阵地，气泡通常较大。

基础工具型：高度标准化的通用技术工具，停留在辅助支撑层。部署快成本低，但同质化严重，不直接创造业务价值，属于数字化底座和效率基建，难以构成竞争壁垒。

低

技术通用程度

高

注：本图谱中的“成熟度”主要依据调研中各场景的应用阶段及人工替代/辅助比例进行综合判断；“技术通用性”和“业务嵌入深度”则结合场景所需技术能力、业务规则依赖程度进行研究赋分。

来源：艾瑞咨询研究院自主研究及绘制。


银行业AI应用场景

高频客户服务和营销触达环节已经形成成熟的AI应用

银行业AI应用已覆盖客户服务、风险管控、内部运营和投研辅助等多个环节，其中智能客服、代码生成等通用场景率先成熟，智能信贷审批、风控预警、智能营销等场景则体现出更强的业务嵌入价值，推动AI从效率提升工具进一步成为银行经营管理和风险治理的重要支撑。

银行AI应用的重点价值并不止于通用提效。图谱中，智能信贷审批、智能风控预警、智能业务合规审查等场景业务嵌入深度较高，说明AI已经进入银行风险管控和信贷业务等关键链条。这类场景对数据质量、模型解释、风险规则和人工复核机制要求更高，落地难度也更大，但一旦形成稳定应用，能够直接影响银行的资产质量、审批效率和风险识别能力。部分银行业从业人员表示，AI赋能风控后，贷前审批等预警时间缩短约 30%-40%；对公信贷尽调报告中 80%以上的工作量可由AI替代，审批时间缩短，业务量同步增长超过 40%。这些效果说明，银行AI应用已经在部分核心业务环节形成较强的效率改善和业务支撑价值。

客户经营也是银行AI应用成熟度较高、价值释放较明确的方向。图谱中，智能营销的成熟度最高，智能客服也处于较高水平，说明银行在客户触达、客户分层、产品推荐、服务响应等场景中已经具备较好的应用基础。银行业正在把AI用于市场数据分析、产品筛选和客户服务适配，通过更精细的客户理解和更自动化的服务支持，实现“千人千面”的经营能力。

银行业AI应用场景图谱（部分举例）


来源：专家访谈、问卷调研，艾瑞咨询研究院自主研究及绘制。


银行业AI落地痛点

银行AI规模化推进受制于合规、可信与ROI评估

银行业AI落地的痛点，集中体现为合规边界、模型可信和价值衡量三重压力：

1. 8%的银行受访者认为监管合规标准模糊是所在机构AI落地过程中的痛点，说明随着AI进入信贷审批、风控预警、对公尽调等高约束业务环节，机构需要明确模型使用边界、人工复核机制、责任归属和过程留痕。

• 与此同时，模型幻觉和数据安全隐患均达到 55.6% ，反映出银行在“自研+外采”并行的技术路径下，面临着数据调用、模型接口、供应商责任和输出校验的复杂度，需要同时控制数据流向、模型输出和供应商风险。

投入产出难以量化是银行在AI落地过程中另一痛点，随着机构对AI投入的增加，管理层需要更清晰地判断AI带来的真实回报。尽管银行在AI落地之后获得降本增效、风控能力增强等效益，但这些价值分散在不同业务条线，评价口径并不统一，也不易量化。


监管合规标准模糊


模型输出幻觉高数据安全隐患

AI已接入贷前预警、信贷尽调、风控审批辅助等环节，开始靠近风险判断和客户权益处理流程。模型建议能否作为审批依据、人工复核放在哪个节点、错误结果由谁负责、调用过程如何留痕，都会影响业务部门的使用尺度。因此银行在扩大AI应用时更谨慎，合规确定性成为首要约束。


银行采用“自研+外采”并行路径，既使用内部模型和智能体，也采购底座模型和垂直风控工具。技术来源变多后，数据调用模型接口、知识库权限、供应商责任和输出校验同步变复杂。对于银行而言，模型幻觉不是简单的内容错误，可能影响授信判断风控提示、客户沟通和内部审批。

投入产出难以量化

银行AI投入已接近信息科技预算的20%，但收益分散在不同条线：风控看预警提前量，信贷看审批效率，客服看转人工率，运营看流程自动化，科技部门看研发效率。单点场景能看到提效，整体ROI却缺少统一口径。投入规模越大，管理层越需要一套可比较、可复盘的价值评估体系。


保险业AI应用场景图谱

核保、理赔、定损成为保险AI价值释放的主阵地

保险业AI应用呈现出明显的主业务链条嵌入特征，智能客服率先在高频服务场景中形成成熟应用，智能核保、智能理赔、车险定损和反欺诈则推动AI进入承保审核、赔付处理和风险识别等核心环节，成为保险机构提升效率、改善客户体验和强化风险控制的重要支撑。

高频服务场景率先成熟：智能客服、保单票据OCR识别等场景流程标准化程度较高，适合AI快速落地。智能客服已经覆盖售前、售后业务，并形成 $ 7\times 2 4 $小时服务能力，说明保险机构已经在前端服务和内部录入环节获得较稳定的效率提升。

核心业务流程加速嵌入：智能核保、智能理赔、车险智能定损等场景直接对应保险经营的关键环节。它们不仅提升处理速度，也在改变原有人工审核、线下查勘和材料流转模式。车险全自助赔付就是一个典型突破，说明AI正在推动保险服务从人工密集型流程向自动化、在线化、即时化流程演进。

风险治理能力开始增强：反欺诈和智能风控场景说明AI正在介入保险机构的风险识别和风险拦截。相比单纯流程提效，风控类场景对模型准确率、数据积累和规则解释要求更高，但业务价值也更直接，能够影响赔付质量、风险成本和经营稳定性。

保险业AI应用场景图谱（部分举例）

AI应用场景成熟度


来源：专家访谈、问卷调研，艾瑞咨询研究院自主研究及绘制。


保险业AI落地痛点

保险AI落地难点在于复合人才、ROI与可信输出

保险业AI应用已经在客服、定损、核保、反欺诈、票据识别等场景形成较清晰的落地效果。调研显示，专业人才缺乏是其落地首要痛点，占比73.3%；投入产出难以量化位列第二，占比66.7%；模型输出幻觉则达到53.3%。后续推进的关键，是把AI落地成效转化为单案成本、理赔周期、欺诈拦截、客户满意度等可量化的经营指标，并建立支撑长期迭代的复合人才和模型治理机制。


缺乏专业人才

保险AI落地高度依赖复合型人才。智能客服需要理解产品条款和客户沟通语境，车险定损需要结合图像识别、维修经验和赔付规则，寿险核保涉及健康告知、风险分层和医学知识，反欺诈还要结合身份核验、历史行为和异常模式判断。人才短板会直接影响模型训练质量、业务规则配置、结果校验和后续迭代效率。

TOP1

投入产出难以量化


保险AI已经进入客服、定损、核保、反欺诈等核心业务环节，投入规模也持续攀高。调研中66.7%的保险业从业者认为投入产出难以量化，反映出机构对AI回报的要求正在提高。虽然智能客服、车险定损和智能风控已分别带来人员减少、时长压缩和准确率提升，但这些收益分布在不同业务条线，尚未形成统一的ROI口径。后续需要用单案成本、理赔周期、欺诈拦截金额、客户满意度和人工复核成本等指标，衡量AI对保险经营的真实贡献。

TOP2


模型输出幻觉高

TOP3

保险业务对信息准确性要求很高，模型幻觉会直接影响客户信任和业务判断。当前大模型输出幻觉问题仍然突出，可能出现张冠李戴、信息过时、计算错误等问题。放在保险场景中，这类错误可能表现为误解保单责任、错误解释理赔条件、混淆产品条款、误判核保信息。保险服务具有强信任属性，客户往往在投保、出险、理赔等关键时点与机构交互，一旦AI给出错误答案，会放大客户的不安全感，也会增加人工复核和投诉处理压力。

来源：艾瑞咨询研究院自主研究及绘制。


证券业AI应用图谱

高价值方向已显现，AI深度落地仍待突破

从证券业AI应用场景图谱来看，证券机构的AI应用已经覆盖客户服务、投研生产、交易辅助、投行尽调、合规风控和内部运营等多个方向，但整体落地深度弱于银行和保险。图谱中，证券业成熟度较高的场景主要集中在智能客服、财务流程自动化、AI数字人、代码生成等通用应用，其中智能客服气泡面积最大，成熟度也最高；相比之下，智能投研、智能选股、智能盯盘、异常交易监测、智能尽调、合规审查等更贴近证券核心业务的场景，气泡面积普遍偏小，成熟度也明显低于银行、保险中的核心业务场景。

通用场景先落地，成熟度主要来自外围提效：智能客服、AI数字人、财务流程自动化、代码生成等场景成熟度相对更高，说明证券机构当前更容易在客户咨询、业务办理引导、内容生成和内部流程处理等低风险环节使用AI。这些场景能够改善效率和体验，但对证券机构核心投研、交易和合规能力的影响有限。

智能投研最先形成明确收益：智能投研是证券业AI应用中最值得关注的业务场景。AI已经可以用于财报和研报解析、热门事件总结和研究材料生成，大幅缩短部分工作时间。

交易、合规、尽调场景价值高，但落地更审慎：AI选股、盯盘、复盘、异常交易监测、合规审查和投行尽调都贴近证券核心业务，但这些场景涉及投资建议、市场风险、信息披露和监管责任，不能简单追求自动化替代。多模型交叉比对、置信度阈值、人工核查和审计留痕，将是证券AI继续深化的必要条件。

证券业AI应用场景图谱（部分举例）


来源：专家访谈、问卷调研，艾瑞咨询研究院自主研究及绘制。


证券业AI落地痛点

证券AI的落地难点在于人才缺乏、模型可信与数据安全

证券业AI落地相较银行、保险机构更为谨慎，核心难点有三：一是复合型专业人才稀缺，证券机构在AI落地过程中需要同时懂模型、业务、财务与监管，而这类人才市场上极少；二是模型输出幻觉问题，在财报解析、事件梳理、合规初审等场景中模型若引入过时信息或误读财务指标，直接影响投研判断和合规安全；三是数据安全隐患突出，证券数据高度敏感且对外部供应商依赖强，一旦泄露将引发客户流失或策略暴露。加之证券场景对时效性和准确性要求极为严苛，AI难以像在银行、保险中那样在相对标准化的环节快速规模化落地，往往不得不在效率与风控之间反复权衡。

专业人才缺乏：证券AI落地对复合型人才依赖最强。智能投研、 AI选股、盯盘复盘、投行尽调、合规文本初审等场景，都要求使用者同时理解模型能力边界、证券业务逻辑、财务数据、市场信息和监管规则。目前AI在证券机构已经用于财报和研报解析、热门事件总结、投行尽调材料撰写以及股市业务辅助等，但这些场景的输出结果需要业务人员的判断，因此证券机构对能够把AI嵌入投研、风控、投行和客服流程的业务型AI人才的需求最高。


模型输出幻觉高：证券业务高度依赖事实准确性和逻辑严谨性模型幻觉会直接影响投研判断、客户沟通和合规风险。财报解析、研报总结、热点事件梳理看似是文本处理，实际涉及数据口径行业判断、公司基本面和市场预期。模型如果引用过时信息、混淆公司主体、误读财务指标，可能形成具有误导性的分析结论。部分证券机构表示会通过多模型交叉比对、设置模型结果置信度等方法降低业务决策风险，说明证券AI目前正在建立强复核机制以应对模型幻觉问题。

数据安全隐患：证券机构之所以对数据安全隐患更敏感，核心原因在于其AI能力建设对外部供应商依赖更高，而证券业务数据本身又具有较强的商业价值和交易敏感性。证券业务数据不同于一般运营数据，投研资料、客户持仓、策略逻辑等数据都可能直接影响客户经营和市场交易判断，一旦出现暴露，风险会迅速转化为客户流失、策略泄露等。同时，证券场景对响应速度要求较高，机构需要在实际落地中平衡安全隔离、调用效率和成本可控等因素。

注：N=36，调研范畴包括证券机构的科技/IT部门决策者。

来源：艾瑞咨询研究院自主研究及绘制。


目录

CONTENTS

01 中国金融数智化驱动因素

行业演进与核心动力

02 金融机构AI投入情况

金融机构AI能力建设路径与采购逻辑

03 金融机构AI应用现状

AI在金融场景中的落地进程、应用成效

04 发展趋势

AI驱动下的金融科技演进方向

05 AI Fintech卓越者榜单

行业代表厂商的综合竞争力

06 卓越厂商案例与专家之声

标杆企业实践和专家观点


01应用实践：从单点提效走向流程重构，高价值场景将进入人机协同决策阶段

未来几年，金融AI应用将从单点工具使用，逐步走向业务流程重构。客服问答、文档生成、知识检索、材料识别、代码生成等技术通用程度高、业务嵌入程度低的低风险场景仍将是AI规模化落地的入口，但行业真正的增量价值，将来自AI对金融业务链路的深度嵌入。银行的客户经营、信贷风控和运营审核，保险的核保理赔和客户服务，证券的投研支持、盯盘复盘和合规审查，都是AI在金融机构的高价值落地场景，也是AI从辅助工具走向流程能力的重要场景。

具体而言，AI在金融机构的应用经历三个阶段：

Step1低风险、高频场景自动化

金融机构优先在内部大量重复标准化、低决策风险的工作中部署AI工具，典型场景如前述技术通用程度高、业务嵌入度低的客服问答、代码辅助、知识检索等。这个阶段的AI更像是“效率工具”，它不直接改变业务决策逻辑，但能够明显释放基础人力，让员工从重复劳动中抽离出来。这类场景风险边界清晰、结果容易校验、应用门槛较低，因此会成为金融机构AI规模化落地的起点。

Step2关键流程辅助决策

完成基础场景的规模化落地之后，金融机构将AI工具部署到金融业务主流程中，典型场景如前述业务嵌入程度高的信贷材料初审、贷前风险预警、核保理赔辅助、反欺诈识别等。 AI在这一层承担的是“前置筛选”和“辅助判断”角色，帮助业务人员更快发现问题、形成判断依据、减少人工遗漏。这一层的价值已经不只是降本增效，开始影响业务质量和流程效率，帮助机构提升业务处理能力和风险识别能力。

Step3高价值场景人机协同决策

在关键业务中辅助使用AI工具获得效果验证之后，金融机构在高价值场景中实现人机协同决策。AI在这一层的作用是整合多源信息，识别潜在风险，生成策略建议，推动流程流转，并在人工决策前提供更完整、更及时、更结构化的判断依据。其核心价值在于提高决策质量和业务响应速度，同时也对金融机构的要求最高，需要较好的数据治理基础、清晰的业务规则、可靠的模型输出、完善的人工复核机制和可追溯的责任链条。

趋势形成原因：

技术能力的升级：新一代AI技术已经发展到能够理解和生成长文本、进行多轮对话、整合跨文档信息，具备了处理信贷尽调、保险核赔、投研分析等复杂流程的能力。

业务需求的变化：多数机构已完成系统线上化、数据中台等数字化基础建设，业务部门要求AI直接解决经营问题，如提升转化率、缩短理赔周期、降低合规返工成本等。

应用基础的成熟：前述对国内金融机构的调研结果显示，AI已经在智能客服、智能营销、代码辅助等场景中形成较为成熟的应用，具备了往业务嵌入度更高、价值潜力更大的核心业务中转移的基础。


02 | 产业供给：从产品交付走向价值共创，厂商竞争将围绕金融业务Know-how分化

金融AI行业商业模式由传统软硬件、项目制产品售卖，逐步转向RaaS（结果即服务）价值共创模式，厂商核心竞争力由模型性能比拼下沉至金融业务Know-how储备。在早期阶段，金融机构采购AI更关注模型能力、系统功能、部署方式和演示效果；但随着AI项目从POC、试点进入生产环境，金融机构会越来越关注项目是否真正改善了业务指标，例如客户转化率、客服解决率、理赔处理时长、反欺诈识别效果、合规审核效率、投研生产力和单位作业成本。该趋势的判断有两重考量因素：

01 金融机构的ROI量化诉求

结合前述调研结果，约 61%的金融机构受访者认为所在机构AI落地痛点是投入产出难以量化。这种对ROI量化的诉求意味着金融机构的AI应用已经进入生产环境，机构关心AI能力是否能转化为可被业务部门确认的结果。因此AI厂商不能只交付模型或系统，而通过RaaS模式将服务收入与客户实际业务成果（如AUM增长、营销转化率提升、运营成本下降）绑定，能够有效解决金融机构对投资回报不确定性的顾虑。

02 金融机构对场景化方案的期待

约 89%的金融机构受访者希望AI供应商能够提供场景化落地方案。场景化方案需要深度拆解金融业务链路，将AI能力融入每一个环节，实现业务流程重构与效率系统性提升。这种需求直接放大了金融业务Know-how的核心价值，只有长期深耕细分领域的厂商才能打造可落地、可量化的方案。场景化同时也是RaaS价值共创模式的前提，只有明确业务场景才能定义清晰的成果指标与分成机制。

理想的RaaS模式

结果导向的刚性结算机制：完全基于可审计的业务成果结算费用，达到指标按月/季度分成，未达约定基线厂商按比例减免费用或承担损失，实现真正的风险共担、收益同步。

全周期联合运营模式：厂商转变为机构“长期业务合伙人”，派驻专属业务与技术团队驻场，根据业务变化、监管新规、客户反馈持续迭代优化AI模型与流程，保障效果长期稳定而非仅满足上线标准。

合规边界内的双向赋能：金融机构开放脱敏后的业务数据与流程规则支撑模型精调，厂商输出跨机构积累的行业最佳实践、风险规则库与运营方法论。

可规模化的弹性交付体系：构建标准化底层能力平台与可插拔场景模块的架构，既保留对不同机构差异化业务的适配能力，又实现RaaS方案的快速复制与低成本规模化，解决传统定制化模式难以规模化的痛点。

来源：专家访谈，艾瑞咨询研究院自主研究及绘制。


03|能力底座：从通用模型接入走向金融智能体平台，AI能力将被嵌入业务系统和操作流程

从前述调研结果看，金融机构当前AI投入的重点已经更多转向应用层改造，约 81%的受访

机构的AI投入落在应用层改造，相比之下仅有 53%的机构选择了基础大模型投入。这意味着目前机构的投入重点是将AI能力嵌入到具体业务中，而智能体是实现AI能力深度嵌入业务流程、完成端到端业务自动化的更优技术形态。当前金融智能体落地路径可以被概括为以下两类：

嵌入式功能

指在既有系统或应用中嵌入智能体功能。通过轻量化改造提升既有业务的智能化水平，这类智能体功能需依托现有系统功能聚焦于局部场景优化（如在传统信贷系统中嵌入智能审批模块），智能体需在宿主系统中运行，适配性强但扩展受限。

独立应用开发

指标准化智能体&定制开发智能体、采购智能体平台、包含大模型的技术栈能力组合方案。相比嵌入式功能，独立开发的智能体拥有自主的数据处理、决策链路和运行环境，可跨系统调用资源，迭代灵活，但需解决与既有系统的集成问题，开发和维护成本高。

注：关于金融智能体落地路径的详细内容，请阅读艾瑞咨询发布报告《2025年中国金融智能体发展研究与厂商评估报告》。

04|可信治理：从结果校验走向内生治理，安全合规将成为AI进入核心业务的前置条件

在对金融机构从业人员的调查中，约有 56%的受访者表示所在机构在AI落地过程中最大的痛点是数据安全隐患，足见安全问题对金融AI的重要性。未来行业将逐步落地AI内生治理体系，安全合规成为AI切入金融核心业务的硬性前置门槛，全链路风险管控会内嵌在模型运行、业务执行全流程中。金融机构在AI落地过程中的可信治理至少要补上以下三层能力：

数据可控使用：金融机构业务需要调用大量高敏感数据，在AI落地过程中，AI就绪数据、 AI生成或调用的数据都存在泄露风险，基于密态计算等隐私保护技术的数据可信流通范式，将逐渐内化为AI落地的原生安全能力。

AI运行过程可控：金融AI的风险不只来自输出内容，也来自数据调用、知识检索、系统接口、工具执行和流程流转，因此金融机构需要把控制点前置到AI运行过程中，保证过程可控。以智能体为例，机构部署智能体需要设置清晰的行为边界，将治理前置到执行过程中，避免指令误解、上下文污染或越权调用扩大风险。

平台化治理能力：金融AI要进入核心业务，治理不能停留在上线前评估和上线后抽查。更可行的方式是把模型评测、权限管理、上下文隔离、工具调用审批、异常监测、审计日志、人工干预和结果反馈做成平台能力。只有治理能力随AI应用同步运行，金融机构才能在扩大应用范围的同时，保持稳定的风险边界。

来源：专家访谈，艾瑞咨询研究院自主研究及绘制。


目录

CONTENTS

01 中国金融数智化驱动因素

行业演进与核心动力

02 金融机构AI投入情况

金融机构AI能力建设路径与采购逻辑

03 金融机构AI应用现状

AI在金融场景中的落地进程、应用成效

04 发展趋势

AI驱动下的金融科技演进方向

05 AI Fintech卓越者榜单

行业代表厂商的综合竞争力

06 卓越厂商案例与专家之声

标杆企业实践和专家观点


“AI FinTech卓越者”评选介绍与说明

卓越者评选介绍

Introduction to Outstanding Enterprises

本报告坚持"金融为本、技术为用"的原则，聚焦AI时代下金融科技技术供应商、服务集成商、 AI原生科技厂商及金融科技公司的综合表现。评选旨在为金融机构在数智化转型与AI应用落地过程中的合作伙伴选择提供实证参考，同时为行业呈现AI技术与金融生态融合的最新竞争格局。

本年度评选由艾瑞咨询联合来自银行、保险、证券、基金等金融机构以及科技学术单位的 30+位FinTech专家共同提名、评选并确定最终入围者。

评选聚焦于“行业深耕程度、技术输出力、服务能力、生态能力”四大维度的考察，尤其关注参评企业在AI大模型、智能体、决策智能等前沿技术与金融业务深度融合方面的实践能力。

“AI FinTech卓越者”评选结果分为“综合能力单元”、“智能体平台与应用单元”、 “模型服务单元”、“数据及可信单元”与“基础设施单元”五大单元。

卓越者入围说明

Qualification Statement for Outstanding Enterprises

1. 所有的入围者，均为接受过研究团队调研的企业，其在综合能力或者关键能力方面获得了研究团队及产业专家团的一致肯定。

1. “AI FinTech卓越者”的选定，艾瑞咨询研究团队征询了来自银行、保险、证券、基金等传统金融机构，金融科技企业、技术服务商、科技学术单位等众多专家意见，外部专家团站在技术应用者的角度提出了相应的观点和看法。

1. “AI FinTech 卓越者”由艾瑞咨询研究团队及产业专家团共同提名，研究团队也在最大程度上实现了对厂商的触达。对未展开调研或者未接受调研的企业，艾瑞咨询不对其发表任何评判观点。

1. “FinTech 卓越者”不代表企业排名，也不能说明未入围者完全不具备产品力或市场力的优势。

1. 本次调研仅为对企业的当下能力判断，不代表对企业的长期判断。


“Al FinTech卓越者”评选规则


如何确定入围者？

“AI FinTech 卓越者”的评选由内外两部分评审团组成：内部评审团的评审权重为 20% 、外部评审团的评审权重为 80% 。具体流程如下：


Step1 卓越者提名 由“AI FinTech 卓越者”的内、外部评审团队，共同进行企业提名。


Step2内部评审 由内部评审团队对提名企业进行评选，输出评选结果。

Step3 外部评审 由外部评审团队对提名企业进行评选，输出评选结果。


Step4结果审核 对评审结果进行校验审核，保证结果准确公正，确定最终入围者名单。


入围者的评估指标有哪些？

根据企业类型不同，我们将“AI FinTech卓越者”分为“综合能力单元”、“智能体平台与应用单元”、“模型服务单元”、“数据及可信单元”与“基础设施单元”五大单元。每个类别企业均有相应的入围基准，在此基础上，我们将对企业从下述维度展开能力评估。

综合得分 = 行业深耕程度×20% + 技术输出力×40% + 服务能力×25% + 生态能力×15%


行业深耕程度

1、项目积累（6%）

2、客户服务情况（6%）

3、行业覆盖度 （5%）


4、金融合规与资质 （3%）

技术输出力

1、产品与业务需求匹配度（10%）


2、科技性与创新性（16%）

3、产品使用效果 （10%）

服务能力

4、安全与稳定性（4%）

1、服务质量与全面性（12%）

2、服务稳定性与持续性（8%）

3、交付与运维能力 （5%）


生态能力

1、联合技术研发能力（5%）

2、生态内业务拓展能力（5%）

3、协同企业合作能力（5%）

来源：艾瑞咨询研究院自主研究及绘制。

“AI FinTech卓越者”入围企业


AI时代下中国金融科技行业卓越服务厂商

iResearch-Al FinTech卓越者基于以上评分体系，综合艾瑞咨询研究团队及外部专家团队的评估结果，将表现优异的30家金融科技服务厂商纳入“iResearch-Al FinTech卓越者”榜单。







数字科技


综合能力单元：具备金融AI全栈能力和规模化落地经验的综合型企业。




















模型服务单元：提供通用大模型、行业大模型、垂直模型、模型微调或模型API服务的厂商。









数据及可信单元：提供数据安全、数据合规、隐私保护或可信评测能力的企业。



浪潮信息



数字化及AI解决方案领导者


星环科技



基础设施单元：为金融AI提供底层算力、云资源、数据库、开发平台或工程化环境的厂商。

注：1）每个竞赛单元内的企业先后顺序不代表排名，每个独立单元中的企业按照中文简称首字母排序；2）各竞赛单元之间的企业名单已做去重处理，同一企业仅出现在其最核心对应的单元中；3）某个企业被归入特定竞赛单元，仅反映其在该领域最具代表性的业务方向，不代表该企业不具备其他竞赛单元所涉及的技术能力或业务属性。来源：艾瑞咨询研究院自主研究及绘制


目录

CONTENTS

01 中国金融数智化驱动因素

行业演进与核心动力

02 金融机构AI投入情况

金融机构AI能力建设路径与采购逻辑

03 金融机构AI应用现状

AI在金融场景中的落地进程、应用成效

04 发展趋势

AI驱动下的金融科技演进方向

05 AI Fintech卓越者榜单

行业代表厂商的综合竞争力

06 典型厂商案例与专家之声

标杆企业实践和专家观点


典型厂商案例

*厂商按照中文简称首字母排序



蚂蚁数科

蚂蚁数科是蚂蚁集团旗下科技商业化独立板块，自2024年4月起独立运营。公司诞生于全球领先的金融科技实践，以“AI+Blockchain”为双引擎，在人工智能、区块链、隐私计算等领域具备深厚技术积淀。

在金融科技领域，蚂蚁数科持续联合金融机构、技术伙伴、数据服务机构及行业组织，构建AI+金融生态体系。


AI Fintech核心能力介绍

蚂蚁数科面向金融行业打造了覆盖模型层、智能体层、工程层的AI产品与解决方案体系。产品层面，以金融大模型为核心底座，结合机构私有数据、业务规则和知识体系，形成“出厂即专家、浅调即高能”的行业专属能力；技术层面，采用大小模型协同、RAG检索增强、领域建模、知识工程、评测治理和全链路可追溯机制，提升模型在金融场景中的专业性、稳定性和可控性；

解决方案层面，重点围绕财富管理、智能客服、营销运营、风控合规、对公服务等场景，构建“员工+数字专家+智能助理”的可信智能体协同体系，支持从问答咨询、投研辅助、客户洞察、方案生成到流程执行、复盘质检的完整闭环。通过可信AI系统工程方法，蚂蚁数科帮助金融机构实现AI能力与业务流程管理制度、组织机制的深度融合，加快从单点应用走向规模化落地。


AI Fintech落地案例介绍

在落地实践上，蚂蚁数科已面向银行等金融机构推动多个AI场景应用落地，并在财富管理、对公金融等方向形成较为成熟的案例。以财富管理场景为例，蚂蚁数科为一线理财经理构建“数字专家团队”，将市场分析、客户分层、产品匹配、经营策略生成、服务话术与复盘质检等能力整合到智能体体系中，帮助理财经理显著提升客户经营效率与专业服务能力，服务半径由原先人均约200户提升至2000户以上。以对公业务场景为例，AI助理可基

于权威金融数据和企业画像，为客户经理及企业客户生成融资优化、闲置资金管理、汇率风险管理等综合方案，提升方案响应效率和服务专业度。目前，蚂蚁数科正持续服务多家金融机构推进AI建设，围绕 “可用、可信、可管、可规模化” 目标，推动金融AI从试点验证迈向深度应用。目前，蚂蚁数科累计已服务100%的国有股份制银行、超 60%的地方商业银行，数百家金融机构，支持金融业高效数智化转型。


蚂蚁密算

蚂蚁密算是蚂蚁集团旗下专注于数据要素可信流通与产业AI应用的全资子公司，致力于为AI时代构建安全可控的数据基础设施。公司基于密态计算技术打造"可信智能Fabric"架构——以"四纵两横"安全机制实现全链路密态保障，让高价值数据突破供方壁垒安全流通；以可控可靠、可成长的智能体规模化协作，驱动产业AI落地。


AI Fintech核心能力介绍

蚂蚁密算以密态计算为核心，构建面向AI+金融的数据安全基础设施：1）破解数据“不敢供”困局：通过“四纵两横”技术体系自底向上重构安全架构，以内生于硬件与系统的技术机制实现数据全链路密态保障，从根本上抵御平台管理员的攻击，从而让提供方敢于供数，让高价值数据真正走出孤岛；2）支撑多源数据“融合炼数”：通过可信智能Fabric驱动智能化炼数，支持政府与企业多方数据安全汇聚与深度融合，将散落的数据“原矿”炼化为可直接驱动业务决策的数据产品；支持使用权交付与按业

务效果定价，从根本上破解权益与定价等基础难题。3）“数智双护”，保障AI知识产权：通过HOP框架支撑人与大模型深度协作，让专家才智持续融入AI并沉淀为知识产权；密态计算为数据与智能体提供全生命周期保护，确保在公有云等开放环境中“可用不可拿”，同时破除数据孤岛与智力孤岛；4）满足合规要求：构建达到等保四级的数据安全域，确保原始数据不出域；通过“受控匿名化”在保障数据精度的同时满足个人信息保护相关要求，支撑金融、医疗、政务等强监管行业的合规落地。


AI Fintech落地案例介绍

蚂蚁密算AI+金融解决方案已服务银行、保险等多元场景，覆盖农业农村医保、新能源车险、普惠金融等关键领域。典型案例包括：1）农业普惠金融（农户秒贷）：与农业农村部大数据发展中心、网商银行合作，在密态环境下融合土地确权、遥感数据与银行用户数据，覆盖全国31个省 2688个县，累计授信金额超2000亿元，服务农户超1300万人；2）新能源车险精算定价：融合人、车、险多维数据构建定价模型，已接入10余家

保险公司，使75%新能源车主保费平均降低8%（人均年省约300元），为险企带来数十亿新增保费；3）某银行信贷风控：在确保金融机构数据始终不脱离其管控环境的前提下，成功实现了风控模型的联合开发与应用，助力金融机构风险控制模型的KS值提高12%-23%，显著增强了对用户信贷风险的精准刻画能力，支撑了更精准的客户准入判断和授信额度动态调整。



趣链科技

杭州趣链科技股份有限公司（简称趣链科技）是国际领先的可信数据基础设施与运营服务提供商。趣链科技成立于2016年，依托区块链与隐私计算等可信技术积累，构建了贯穿数据流通全程的数据要素能力中枢，提供覆盖数据流通、治理、应用搭建及运营增值的全栈式服务。

在金融科技领域，趣链科技构建了涵盖金融机构、科技企业、科研院所的 AI+金融生态体系，服务触达全国 80%的银行、保险及各类金融机构。


AI Fintech核心能力介绍

趣链科技以“可信数据+智能算法”为核心，构建三大产品矩阵：1）数据要素平台：融合联邦学习、差分隐私等技术，支持金融机构与政府、企业进行AI联合建模，已形成信贷风控、供应链金融、反欺诈等12个标准化AI模型包；2）产融数据空间：打通工商、税务、订单、物流等多源数据，通过AI实现产业数字资产标准化确权与价值评估，提供“一次对接、全链贯通”的产

融协作服务；3）智能金融监管平台：利用AI+区块链技术实现交易行为实时监测、风险预警与合规审计，支持监管沙箱与创新业务试点。

技术上，该厂商自主研发的区块链平台Hyperchain与异构链开源跨链平台BitXMesh已适配主流AI框架，支持GPU加速计算与模型轻量化部署，可实现亿级数据秒级处理与毫秒级响应，满足金融高并发、低延迟业务需求。


AI Fintech落地案例介绍

趣链科技AI+金融解决方案已服务超200家金融机构，覆盖银行、保险、证券、基金等全金融领域。典型案例包括：1）浙商银行应收款链平台：通过AI智能核验与风险评估，累计服务企业超10万家，融资规模超2000亿元；2）江西省安全可信金融大数据共享平台：为人民银行南昌中心支行建设，AI驱动

的银政企数据共享平台，已全面互联省内20+银行建立互联互通网络； 3) 重庆公积金银政数据协同平台： AI智能审核系统实现公积金提取秒级到账，服务超1200万缴存人；4) 温州车险人伤理赔快速通：AI+区块链技术将理赔周期压缩至1天内，理赔效率提升 80%。



软通动力

软通动力信息技术（集团）股份有限公司（简称软通动力）是中国领先的全栈智能化产品与服务提供商。面向AI时代的产业智能化需求，软通动力已从传统软件与数字技术服务商，升级为覆盖软件服务、智能计算、数字能源、智算服务和国际化服务的综合型科技企业。

在金融科技领域，软通动力围绕银行、保险、证券等金融机构的数字化与智能化升级需求，形成了从基础设施、AI工程、开发工具到场景落地的全栈式服务能力。


AI Fintech核心能力介绍

在金融AI领域，软通动力构建了覆盖底层资源、工程体系、开发工具和业务场景的AI能力框架：1）底层提供弹性智算可信服务体系，为金融机构AI应用的稳定运行提供基础支撑；2）工程层形成模型工程、数据工程、智能体工程和硅基工程等AI工程服务体系，支持金融机构开展模型适配、数据治理、智能体开发和系统工程化改造；3）工具层提供模型微调、Agent开发、数据开发和知识库建设等AI开发工具，帮助金融机构将大模型能力嵌入研

发、运营和业务流程；4）场景层服务覆盖营销、风控、合规、投研等高价值场景，延伸至金融机构渠道、核心业务和中后台管理系统。

在金融软件工程领域，软通动力重点布局AI4SE能力，将大模型能力引入软件研发和系统改造。AI4SE通过代码分析、文档生成、代码转换和测试生成等能力，把AI应用从前台业务场景延伸到金融机构底层系统建设和技术栈升级环节。


AI Fintech落地案例介绍

在某海外银行零售信贷系统技术栈翻新项目中，客户面临系统建设时间久、技术架构陈旧、直接替换风险高等问题。软通动力借助AI大模型、面向软件工程的AI4SE技术栈翻新工具链底座，提出基于同一业务系统不同技术栈翻新改造的综合解决方案，对原系统开展代码分析、文档补全、代码翻写和测试生成，

在保留既有业务模型和操作模式的基础上完成架构升级。

该项目通过软通AI4SE的自动化处理，有效破解了老旧信贷系统“想改造但不敢动”的难题，在保留历史业务模型和操作模式的同时降低迁移风险，并将实施周期缩短 30%以上。



未来式智能

未来式智能是国内AI Agent领域的代表性厂商。公司依托企业级智能体应用构建平台“灵搭”，实现行业级数字员工的“0代码”端到端生成与全生命周期治理。

作为工信部智能体行业标准制定单位，未来式智能业务辐射金融保险、电力能源、泛互联网、公共服务等多个领域。


AI Fintech核心能力介绍

未来式智能打造了面向金融行业的企业级智能体应用构建平台“灵搭”，聚焦于推动金融AI从“个人工具走向经营系统”的跨越。

在技术与产品层面，平台提炼出三大工业级核心能力，首先是双模式工作流编排，以静态节点固化标准 SOP并保证合规口径一致，以动态 Agent节点处理复杂长尾判断与自主规划，实现流程稳态与业务活性的统一；其次是多智能体集群协作机制，支持数据聚合、舆情分析、量化研究等垂直Agent围绕同一金

融业务目标协同闭环；再者是知识体系与语义化工具集成，具备超大文档解析、知识图谱化与多跳推理能力，原生支持MCP标准工具调用与业务系统底层嵌入。

在解决方案层面，平台实现对金融机构数字化主链的全场景覆盖。员工端智能助理支持自然语言问数与文档交付；投研端虚拟团队实现多智能体集群深研；业务系统端作为协作者长在现有页面完成表单自动回填；管理侧推动岗位经验转化为组织资产并实现Skill进阶。


AI Fintech落地案例介绍

灵搭在金融行业实现多项标杆客户的深度私有化落地，其中东亚银行集团采用灵搭打造了全行内部AI智能体开发平台，成为业内极少数成功通过大型银行安全与合规准入的智能平台之一。该项目针对银行贷前贷后尽调、合规审查等复杂高严肃性场景，完成了行内私有化部署与安全合规改造，平台与行内 “东亚通”等系统无缝对接，能够

深度解析非结构化信贷材料并自动生成审核要点。除银行业场景外，灵搭在证券、基金等泛金融领域同样表现强劲，广泛落地了智能问数投顾助手、投决会助手、量化智能体、舆情风险分析以及ETF活动页智能运营等多个高ROI核心场景，形成了高度可复制、可平移的金融行业智能体解决方案体系。


AI Fintech专家之声

*专家按照所在企业中文简称首字母排序

IResearch-Al Fintech专家之声



蚂蚁数科

金融事业部总经理曹刚

瞻趋势

展望未来，AI在金融行业的角色将从生产力工具演进为与组织共生的新型生产力，并进一步重塑金融机构的业务模式、组织形态与客户服务范式。未来，金融从业者将从重复性、事务性工作中释放出来，更加专注于战略制定、复杂决策、目标设定与人本关怀等高价值活动，成为AI智能体的“指挥官”和“优化师”。智能体则将作为“数字员工”或“数字分身”，融入业务流程与管理规范，承担专业分析、方案设计、客户经营等复杂任务。随着技术持续成熟，独立的“智能体企业”乃至初级“智能体社会”形态也可能出现，推动金融生态深层变革。最终，金融行业将在AI驱动下，在业务增长、极致客户体验与安全合规之间寻找动态平衡，实现科技创新与业务价值的协同发展。

谋未来

蚂蚁数科长期深耕AI+金融，聚焦财富管理、营销增长、信贷管理、风险防控、承保核赔等核心场景，形成了以金融大模型为底座、以智能体协同为路径、以可信AI系统工程为保障的实践体系。我们认为金融AI应用需围绕专业性、严谨性、合规性和安全性进行系统化重构。基于此，蚂蚁数科持续推进“从会答到会做”的能力升级：通过金融增强、知识增强和私域数据融合，打造更懂金融规则、更适配业务场景的行业大模型；提出以人为中心的智能体协同体系，即“1位员工+N位数字专家+M位智能助理”，为员工配备智能体专家团队，实现专业能力规模化复制；同时以可信AI系统工程约束大模型不确定性，弥合概率性输出与金融确定性需求之间的差距，确保AI应用可追溯、可管控。

IResearch-Al Fintech专家之声



刘前伟

蚂蚁密算总裁


瞻趋势

数据是金融产业AI变革的主战场——谁能把数据真正用好，谁就能率先释放金融AI的产业价值。然而，大量高价值数据仍处于"原矿"甚至"矿渣"状态。要跨越鸿沟，必须打破“数据孤岛”与“智力孤岛”，通过密态计算实现"融合炼数"——横向汇聚多源数据形成规模价值，纵向推动公共数据与业务指标深度对撞，数智融合促进数据与专家智能深度结合，把原始资源炼成可用、可复用、可流通的数据产品。2026年是AI生产力演进的关键分水岭。未来，密态计算+可信智能体将成为下一代金融基础设施的核心支撑。

谋未来

蚂蚁密算在AI+金融领域构建了"密态计算+可信智能体"全栈技术架构，致力于 “把数据炼成好产品”。依托十余年技术攻坚，通过密态计算打破数据孤岛与智力孤岛，实现跨机构数据"可用不可见"的融合炼数。在信贷风控领域，基于可信智能Fabric架构构建专业风控智能体，实现复杂风控任务的自主执行与核验闭环；在反欺诈领域，促进跨机构风险数据融合与实时共享，实现毫秒级风险识别与精准拦截。此外，蚂蚁密算还在普惠金融、智能营销、供应链金融等领域持续探索密态计算与可信智能体的规模化应用，致力于成为AI时代金融机构最值得信赖的数据安全合作伙伴。



趣链科技

大客户部金融总监钟蔚蔚


瞻趋势

未来，AI与金融的融合将从“单点工具应用”迈向“金融基础设施重构”。AI大模型与可信数据技术将重塑金融核心生产环节，推动金融体系从“流程数字化”走向“认知智能化”。未来行业竞争的关键，不只是算法能力，更是谁能构建安全可信的数据流通体系，实现跨机构协同与数据资产化。在跨境支付、供应链金融、金融保险等场景中，数据参与主体更加复杂，“隐私保护+可信计算+AI决策”将成为下一代金融基础设施的重要方向。对于中国科技企业而言，这是参与全球金融科技基础设施重构的重要机会，怎样让“服务理解人”，打造具备实时感知、动态决策与持续学习能力的金融系统值得科技企业思考。

谋未来

趣链科技在AI+金融领域构建了“区块链+隐私计算+AI”三位一体的技术架构，形成了覆盖数据治理、风险管控、产融协同等核心场景的完整实践体系。公司依托自研技术，解决多方数据协同中的隐私泄露与数据孤岛难题。在信贷风控领域，通过联邦学习实现银政企数据“可用不可见”的联合建模，为中小微企业构建精准信用画像。在供应链金融场景，利用AI技术实现应收账款凭证的智能核验、风险预警与自动化融资审批，帮助核心企业实现信用多级传递。此外，趣链科技还在保险理赔、金融监管等领域持续探索建设AI应用。

来源：厂商访谈，艾瑞咨询研究绘制。

IResearch-Al Fintech专家之声



软通动力

战略市场部专家

童毅

瞻趋势

AI对金融科技赛道的渗透速度将远超预期。与信息化、数字化转型时期长达8至10年的规划周期不同，当前智能化进程的技术迭代速度极快，企业已无法沿用传统的长周期规划模式。这一加速并非仅源于大模型技术本身的突破，更在于过去十年积累的科技资产与数据治理能力在当前时点被集中激活与释放，多重因素叠加形成共振效应。与此同时，AI技术的创新正在跨过业务和系统之间的技术壁垒，直接介入到前端业务流程中，企业运营管理的界面也将从传统的系统操作界面转变为AI人机交互界面，技术迭代直接影响业务处理流程与用户体验。这意味着未来金融科技的核心挑战不再仅是技术问题，而是人机协同方式的重构。

谋未来

软通动力在AI+金融领域构建了"AI工程化能力+场景落地"双轮驱动的实践体系。在AI软件工程方面，公司依托自研ASDM体系，帮助金融机构实现代码迁移与系统重构，典型实践包括为某股份制银行完成数据湖仓SQL语句的智能分析与重构，以及为东南亚头部银行将基于IBM大型机与COBOL语言的老旧系统迁移至Java微服务架构，大幅压缩人工工作量。在金融场景落地方面，公司聚焦问数、智能问答、制度审核修订等业务场景，推动AI能力向业务端渗透。此外，软通动力正将算力调度、模型调优、Agent编排、知识库构建等能力整合为可复制、可规模化落地的AI工程化平台，帮助金融机构构建自主AI能力，实现从"单点工具试点"到"深层业务经营系统"的升级。

IResearch-Al Fintech专家之声



未来式智能

创始人&CEO杨劲松


瞻趋势

大模型正演进为平价的底层基础设施。决定产业智能化深度的核心战场，已转移至能够直接交付确定性业务结果、具备数据决策闭环能力的Agent智能体系统。当前底层模型能力的突破与推理成本的断崖式下降，正倒逼企业系统采购预算发生结构性调整，驱动智能体赛道进入爆发转折期。企业用户正从算力与基座模型的重资产投入，转向场景级数字员工的轻资产能力消费。对于岗位经验稀缺、人员高频流动的金融行业而言，下一阶段的核心价值在于将个体流动性风险转化为组织核心经验资产，以数字化沉淀确保业务专家的经验留存、持续继承与复用进化。


谋未来

从当前金融行业的智能化改造路径来看，企业级智能体搭建平台“灵搭”已完成从单点工具试点到深层业务经营系统的连续升级。针对此前业务知识滞留于员工个人私域、难以向组织级形式形成回流闭环的共性瓶颈，“灵搭”在银行的营销与合规智能知识库、贷前贷后管理，以及证券与保险领域的投研决策、智能理赔等业务场景中都取得了明显的成效。实践表明，通过灵搭“静态SOP流程+动态自主Agent节点”的双模式工作流编排以及多智能体协同机制，智能体技术已具备在强监管、高严肃性金融业务现场的工程化落地与平稳运行能力。

来源：厂商访谈，艾瑞咨询研究绘制。



中关村科金

高级副总裁范斌


瞻趋势

未来金融科技有四个确定性趋势：第一，服务模式从“人找服务”走向“服务找人”，智能体会主动感知客户需求节点，在关键时刻主动触达，使金融服务的颗粒度将从“产品”变为“时刻”；第二，决策权从“人审机辅”走向“人机共审”，在合规可控的前提下，智能体将在小额信贷、标准化理赔等场景中获得有限决策授权，人的角色从审批者转变为监督者和例外管理者；第三，商业闭环从“软件交付”走向“结果付费”，智能体的价值以业务结果为结算标尺，与客户目标深度绑定，降低企业试错风险；第四，组织边界逐步消融，跨机构智能体协同将重塑金融生态。后续智能体将互通互联、互为服务，可打通金融各业态全域数据，落地以客户为中心的一体化金融服务。

谋未来

中关村科金在AI+金融领域的实践，核心聚焦于一个关键命题：如何让智能体不再是“辅助提效的对话工具”，而是成为能独立交付业务结果的数字员工。我们发现，金融机构不缺AI能力，缺的是能将能力嵌入业务流程、真正闭环创造价值的智能体。目前，中关村科金已服务500多家头部金融机构，覆盖 50%以上中国百强银行及 70%的信托机构，在深度的行业共创中，我们基于自主研发的得助大模型平台，打造了覆盖智能营销、智能销售、智能客服、智能运营、智能办公五大场景的企业智能体和数字员工产品矩阵，并在落地过程中沉淀出角色定界、行动闭环、可控进化三个关键深耕维度。


BUSINESS COOPERATION业务合作

联系我们


400-026-2099


ask@iresearch.com.cn


www.idigital.com.cn www.iresearch.com.cn

官网


微信公众号


新浪微博

企业微信




LEGAL STATEMENT法律声明

版权声明

本报告为艾瑞咨询制作，其版权归属艾瑞咨询，没有经过艾瑞咨询的书面许可，任何组织和个人不得以任何形式复制、传播或输出中华人民共和国境外。任何未经授权使用本报告的相关商业行为都将违反《中华人民共和国著作权法》和其他法律法规以及有关国际公约的规定。

免责条款

本报告中行业数据及相关市场预测主要为公司研究员采用桌面研究、行业访谈、市场调查及其他研究方法，部分文字和数据采集于公开信息，并且结合艾瑞监测产品数据，通过艾瑞统计预测模型估算获得；企业数据主要为访谈获得，艾瑞咨询对该等信息的准确性、完整性或可靠性作尽最大努力的追求，但不作任何保证。在任何情况下，本报告中的信息或所表述的观点均不构成任何建议。

本报告中发布的调研数据采用样本调研方法，其数据结果受到样本的影响。由于调研方法及样本的限制，调查资料收集范围的限制，该数据仅代表调研时间和人群的基本状况，仅服务于当前的调研目的，为市场和客户提供基本参考。受研究方法和数据获取资源的限制，本报告只提供给用户作为市场参考资料，本公司对该报告的数据和观点不承担法律责任。

Research

艾瑞咨询

THANKS

艾瑞咨询为商业决策赋能