智能体落地的真相：10%是AI，90%是软件工程

推荐语

金融智能体落地为何如此艰难？90%的投入都在解决看不见的软件工程问题，而非AI模型本身。

核心内容：
1. 金融智能体落地的真实成本分布：AI模型仅占10%
2. 金融行业特有的三大软件工程挑战：数据安全、系统兼容性、监管合规
3. 头部银行的解决方案案例与失败教训

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

引言

最近两年，AI智能体在金融圈掀起了一场"认知革命"。从智能投顾到信贷审批，从反欺诈到合规审查，行业都在高喊"用AI重塑金融流程"。但现实却给了很多企业当头一棒：当银行真正部署智能体时，90%的开发资源消耗在软件工程体系，只有10%用于AI模型本身。

这个比例并非偶然，而是金融行业特有的"技术地雷阵"在作祟。

为什么金融智能体总在"水下"挣扎？

很多金融机构误以为智能体就是"把大模型嵌进系统"，结果发现：

• AI能解决"大脑问题"：识别风险、生成报告、模拟对话……这些功能看似酷炫，但仅占整体工作量的10%。

• 软件工程才是"身体问题"：权限控制、数据加密、任务编排、异常处理……这些看不见的模块才是决定智能体能否稳定运行的关键，占到90%。

案例对比：

从表格可以看出，B端金融智能体的工程投入远超AI模型开发，这与金融行业的特殊需求密切相关。

某股份制银行的智能风控平台项目负责人曾透露："我们的AI模型只占开发成本的15%，而数据脱敏和加密技术的研发投入超过总预算的40%，系统集成和API网关开发又占了30%。真正消耗资源的是如何让AI模型安全、稳定地运行在生产环境中，而非模型本身的训练。"

金融行业的"90/10陷阱"：被低估的软件工程复杂度

1. 数据安全：比AI更昂贵的战场

银行每天处理数亿条客户数据，但AI模型的"黑箱特性"让监管机构无法信任其决策。因此，金融机构必须投入大量资源构建：

• 隐私计算框架：如同态加密、联邦学习，确保数据可用不可见。

• 可解释性系统：用XAI（可解释AI）技术记录每个决策路径，满足监管审计需求。

真实场景：某城商行在部署信贷审批智能体时，发现AI模型虽然准确率高达95%，但缺乏对决策过程的透明记录。为满足监管要求，他们不得不额外开发"决策溯源"系统，投入超过AI模型开发成本的两倍。

2. 系统兼容性：与"老古董"的生死战

金融企业往往有成百上千个遗留系统（如COBOL核心系统）。智能体落地时，必须通过：

• 中间件集成：用API网关实现新旧系统通信；

• 微服务改造：将单体系统拆解为可独立部署的模块。

失败教训：某国际银行曾因忽略系统兼容性，导致智能合约系统上线后与核心账务系统冲突，引发资金延迟结算事故。

3. 监管合规：AI的"紧箍咒"

金融智能体必须实时满足：

• 动态法规更新（如巴塞尔协议IV）；

• 反洗钱（AML）规则的自动化校验；

• 客户数据访问的"知情同意"流程。

解决方案：头部银行正在构建"监管科技中台"，将法律条文转化为机器可执行的代码逻辑，例如招商银行的"RegTech 3.0"平台。

金融智能体的"三重软件工程壁垒"

1. 安全工程：从"防黑客"到"防AI失控"

金融机构的软件工程团队正面临双重挑战：不仅要防止外部攻击，还要控制AI模型的潜在风险。具体措施包括：

• 零信任架构：每个操作都需动态验证身份；

• AI伦理审查：防止模型歧视性输出（如信贷审批中的性别偏见）；

• 行为监控：实时追踪AI决策路径，发现异常立即干预。

2. 数据工程：比模型训练更耗时

数据是金融智能体的"血液"，但处理这些数据的工程工作往往被低估：

• 数据清洗：占智能体开发周期的40%-60%，远超模型调优时间；

• 实时数据管道：建设成本是AI模型的3倍以上，需处理PB级数据流并保证毫秒级响应；

• 多源数据整合：需构建统一的数据中台，打破部门间数据孤岛。

3. 运维工程：让AI"活"在生产环境

即使AI模型训练完成，如何在复杂的金融生产环境中稳定运行仍是巨大挑战：

• 弹性扩容：应对突发流量（如双十一理财抢购），需设计自动化扩缩容机制；

• 故障隔离：当AI模型出错时，需快速切换回人工流程，避免系统性风险；

• 持续监控：通过Prometheus+Grafana等工具实时监测系统健康度，确保AI决策符合业务目标。

金融高管的"清醒剂"：如何正确启动智能体项目？

1. 重构团队能力模型

70%软件工程师+30%AI专家：传统IT人才负责系统架构，AI团队专注模型调优。

• 复合型人才优先：招聘"懂金融+懂软件工程"的跨界人才，而非纯算法博士。

• 桥梁团队结构：由懂业务与AI的负责人统筹，减少纯技术专家依赖。

2. 采用"分层架构"策略

金融智能大脑四层架构：

关键点：前三层的软件工程工作占主导，只有在稳固的基础设施上，AI模型才能发挥价值。

3. 选择"低代码+高安全"的落地路径

• 轻量化开发：用低代码平台快速验证业务场景（如智能开户），降低试错成本；

• 模块化扩展：先做局部智能体（如反欺诈），再逐步整合为全链路智能系统；

• 混合云部署：核心风控放本地（确保合规），客服放公有云（降低成本），实现成本与安全的最佳平衡。

4. 构建"桥梁团队"结构

平安银行2025年春季校园招聘设置了科技专场，主要为金融科技部储备数字化专业人才，强调"桥梁"思路：

• 负责人：由精通业务与AI应用的复合型人才担任，统筹技术与业务需求；

• 团队构成：以业务理解能力强、熟悉AI应用逻辑的人才为主，辅以少量AI技术专家，共同配合完成相关工作。

这种结构打破了传统IT与业务部门的壁垒，让AI真正服务于业务目标。

未来趋势：软件工程能力决定AI价值上限

1. 技术融合趋势

生成式AI+联邦学习：如摩根大通基于ChatGPT构建的预测美联储货币政策模型，结合大模型与隐私计算技术，既保护了数据隐私，又提升了决策能力。

AI与RPA低代码化：银行通过低代码平台让非技术人员参与智能体开发，加速业务落地。例如，江苏银行通过轻骑兵低代码开发平台构建智能营销系统，实现客户画像与产品推荐的精准匹配。

云原生与边缘计算：分布式部署降低延迟，支持实时风控。如浦发银行在昇腾服务器上部署DeepSeek-R1 671B千亿级大模型，实现全栈国产化算力平台+DeepSeek大模型的金融应用。

2. 监管科技(RegTech)发展

2025年，监管科技将成为金融行业合规监管的重点方向：

自动化合规审计工具：通过AI技术自动识别合规风险，生成合规报告。例如，工商银行青岛分行采用多方数据学习，在确保各方数据安全隐私的前提下，将银行内部数据与海关、仓储、物流等三方数据进行共享与核验，打破供应链融资的核验盲区。

实时监管报告生成系统：支持监管机构通过API获取实时数据，满足动态监管需求。中国人民银行提出的"数字化监管规则库"，将法规、规章、法律转换为"机器语言"，通过云计算、大数据和人工智能技术让机器自主学习这些规则。

区块链与分布式账本：提高交易透明度，降低监管成本。例如，星展银行利用AI改进反洗钱/反恐怖融资的报警优先级排序，大大降低了误报数量，提升监管效率。

3. 团队建设方向

复合型人才将成为主流：2025年各大银行招聘普遍要求"计算机+金融"复合背景，如交通银行、中信银行、招商银行等。

组织结构转型：金融机构需打破部门壁垒，建立"金融+科技"协同团队，避免信息孤岛。

伦理与监管角色强化：金融机构需引入具备伦理审查背景的工程师，设计公平性评估机制。

结语：

金融智能体的"成人礼"

当银行开始用软件工程思维替代"AI至上"的狂热，智能体才真正具备商业落地的可能。未来十年，谁能在软件工程体系和AI能力之间找到平衡点，谁就能在金融科技的下半场胜出。

"AI决定智能体是否聪明，软件工程决定它是否可靠。而金融行业最需要的，永远是可靠的系统。"

金融智能体的工程真相在于：AI只是冰山一角，软件工程才是真正的海底根基。只有充分认识到这一点，金融机构才能避免"高估AI能力、低估工程挑战"的陷阱，真正实现智能体的商业价值。

（本文数据来源：IDC金融科技报告、各银行年报及内部访谈）

关注我，带你收获更多数字金融干货资料！