ITPub博客

“财务BP要被AI干掉了”——这话这两年在职场社群里被反复提起，说的人语气都挺笃定。做财务的都记得，三四年前也听过类似说法，只是那时的主语是RPA自动化、矛头对着基础核算岗；现在主语换成大模型，矛头对准了分析和判断岗，也就是财务BP。一份覆盖20个市场、1672位财务高管的调研给了几组数字：近一半受访者把AI列为对组织影响最大的趋势，排在利率波动和监管环境之前；四成多的人说AI已经在直接影响资本配

设想一个场景：一篇文章或视频内，自称有内部消息，说某银行代销的理财即将逾期、本金拿不回，还引导观众加联系方式“抱团维权”。这类冒充金融机构人员、诱导代理维权的套路，是这两年金融舆情里的高发类型。0到2小时，观看量还不高，多数银行的舆情系统还在沉默——它们主要抓新闻网页、论坛和公众号，陌生账号的短视频口播内容往往不在关键词库里。等到8到12小时话题冲上同城热搜、网点开始接客户来电，最初那几个小时的窗

过去两年，“大模型重构金融”的说法很多。但真正跑在生产环境里的AI，大部分还在做十年前就在做的事：风险定价、异常检测、资产配置——只是做得更快，覆盖的人更多。AI没有给金融业发明新逻辑，它改的是效率和覆盖面，把原来靠人力堆出来的判断，变成能规模化、能迭代、能审计的系统。下面沿着“获客—风控—投研—交易—合规”这条链，拆八个已经落地的场景。一、信贷风控：从央行征信到几千维弱特征传统信贷风控的天花板，

国内已有超过六成中大型企业启动或计划引入AI Agent，真正做到规模化落地的却不到三成。这两个数字放在一起，才是金融AI Agent市场空间最真实的写照。金融和政务是这批企业里跑得最快的两个行业，2025到2026年间，接近七成的项目从单一流程切入、再逐步扩展到多Agent协作。同样叫“金融AI”，有的已经焊进核心流程、一年省下几万个工时，有的还停在“接个大模型API就对外宣传”的阶段——差距不

关于制造业AI，公开讨论和真实进度之间一直有落差。听感上像是每条产线都在被AI重做，但把2026年的落地情况铺开看，这条赛道其实分成了两层：少数头部工厂已经把AI推理放进生产环节、每天在用，多数中小厂还停在评估或试点。决定分层的不是有没有装摄像头、上传感器，而是两件更基础的事——数据能不能打通，要解决的业务问题够不够具体。 第一个转折：从“要不要上”到“已经在产线上跑”2025年之前，制

干AI Agent这行时间长了，会发现一个挺扎心的规律：能在会议室里流畅跑通demo的智能体，九成会在真实生产环境里的某个犄角旮旯栽跟头。工具调错、检索答非所问、失败了就死循环、上下文越堆越乱、账单看不明白。企业级智能体的工程化，从来不是说「接个API」就可以了。做智能体落地这几年，我把踩过的坑归成了五道关卡，每一道过不去，项目就停在「能演示」那一步，上不了生产环境。 第一关：工具调用—

凌晨十一点，某互联网公司的工位电脑屏幕还亮着，PPT窗口不停自动切换、字体逐行变化——工位主人其实正在三公里外的小酒馆里，端着杯子刷手机。他刚在微信里给"数字分身"发了句话："把今天下午写的PPT优化一下格式，半小时后发我。" 这个"数字分身"，就是最近在互联网和金融圈铺开的腾讯WorkBuddy——主打"跨应用自动化

"AI Agent能自主处理90%的重复工作"——这句话这两年被各种开源智能体项目反复提起，最近还带火了一波"开源Agent热"：从硅谷烧到国内，GitHub上有项目72小时冲6万Star，2周破15万，连工信部网信办都下场提醒市民注意安全风险。上周跟一位做了六年企业信息安全的朋友聊了聊，聊到最后他甩出一句话："能自主执行的东西，风险也是自主的，这

IDC最新发布的《中国金融行业大模型及智能体市场洞察》，用国金证券和金智维合作的Ki-AgentS落地案例做了核心样本。报告给出一个判断：金融行业正在从"工具赋能"走向"智能重构"，AI不再只是效率工具，而是有机会重构业务模式本身。 先看数字。金融大模型应用高度集中在四个场景，合计占比约69%：技术研发与运营19%，客户营销服务17%，运营管理数字

干财务这行，银企直联这几个问题肯定绕不开：多账户要不要都开、解约后能不能销户、虚拟户支不支持、收不收费、几十个账户怎么管。目前市面上都倾向采用RPA财务机器人解决，真正把"多账户对账"这件事处理好。下面挨个来说。 问题一：公司有好几个不同银行的账户，是不是每家银行都要单独开通银企直联，还要跟金蝶这类系统一个个对接？理论上是的。银企直联的本质，是企业财务或资金管理系统通

"现在的智能体自己就能把流程跑完，不用再接RPA了。"——这句话最近听了不下五次，说的人清一色是还没真正上过生产环境的销售。真去金融机构的业务部门问一圈，得到的答案是另一码事：能理解、能分析、能给建议，但一到要它自己去系统里录数据、跑审批、处理异常，十有八九得靠人工兜底。这句"全自动"的说法，到底经不经得起验证？我们拿几个真实场景测了一遍。 误区一

"智能体能自主处理90%的重复工作"——这句话最近被说烂了。OpenClaw爆火之后，不少企业内部拉了一轮测试，本来是想验证效率，结果验证出来的却是一堆安全隐患。效率提升是真的。但把大模型、工具调用、自动执行捆在一起之后，一旦进了企业环境，就要调系统、碰数据、参与决策——出错不是"回答错了"这么简单，而是实实在在的业务风险。现在企业真正焦虑的，早就不是&qu

过去一年接触的国央企、金融机构、大型制造企业，几乎都在说同一件事：不是不知道AI重要，而是不敢乱上AI。跟民营企业不一样——民企上AI，惦记的是花钱能不能提效、成本能不能降下来；国央企和金融机构惦记的第一件事，永远是数据安全。金融行业碰的是客户资产和交易数据，能源电力碰的是基础设施，制造业碰的是供应链和核心工艺。数据安全是1，效率提升是后面一串0，1没了，0再多也没用。问题是，"数据安全

"过去按揭贷款审批要切换好几个系统，跨好几个部门，一笔业务光资料录入就得三个多小时。"这是重庆银行个人按揭贷款集中审批项目负责人当时面对的真实处境。业务量一大，效率和准确率都跟着受影响，这类工作规则明确，但流程很长、系统特别多——很难完全靠人工长期支撑。我们尝试从两个真实案例看金融AI数字员工的落地逻辑案例一：贷款审批从2小时压到4小时以内是怎么发生的很多人对智能体有个误区，以

中国信通院《智能体技术和应用研究报告（2025年）》显示，全球智能体市场预计2030年达到471亿美元，年复合增长率约45%。市场热起来的同时，企业选型的困惑也在同步加剧——巨头生态、专业厂商、垂直方案，我们在进行数字化转型时应该选择哪一套方案？情况一：如果你需要的是快速起步、低门槛试错这种情况适合互联网巨头阵营。腾讯依托混元大模型与MoE架构，深度整合企业微信及视频号生态，其为某人寿打造的理赔智

某家证券的资金核查团队，去年做了一次架构选择：要不要把核对流程完全交给一个大模型来"想清楚该怎么做"？他们最后没有这么做——不是模型不够聪明，而是金融不得半点偏差，任何一次幻觉都可能变成一次错误的资金划转。这背后其实是当下金融AI落地里一条真实的分水岭：同样叫"智能体"，有的厂商在拼大脑，有的厂商在拼四肢，走的是完全不同的技术路线。 为什么通用大模

过去一年国内AI产品的高频词里，"智能体"几乎排第一。从通用Agent、办公Copilot，到行业智能体、企业级平台，几乎所有做大模型的公司都在用自己的方式回答同一个问题：AI究竟该如何真正进入生产系统？近期被反复讨论的现象级产品Manus，更像一枚信号弹——它不是第一个"会干活"的Agent，却让更多人意识到，智能体已经不只是"对话能力的延伸&q

 为什么多数项目卡在试点阶段金融机构部署AI智能体时经常撞上一个现实：看起来很先进的项目，真正跑进业务核心的并不多。客服、投研、风控、运营，智能体几乎渗透进了每个环节，但落地效果分化明显——有的机构已经规模化应用，有的仍停在试点。问题不在于金融行业"不适合"智能体，而在于有没有选对技术路径、贴不贴合真实业务条件。如果你在银行，往下看第一段；如果你在证券，直接跳第二段；

 企业级智能体避坑指南干了几年企业智能化落地项目，见过太多客户把"会聊天的AI"和"能干活的AI数字员工"混为一谈。说句得罪人的话：这两种东西除了都叫"智能体"，剩下的几乎没有共同点。前两年Kimi、DeepSeek这类通用助手火起来的时候，不少企业内部都挺兴奋，觉得终于能拿AI顶一部分重复劳动，甚至有人喊出"一个智能

上个月一位企业IT采购朋友吐槽：智能体平台的功能介绍看了快二十份，参数表长得几乎一样，落地效果却天差地别。这不是个例——智能体平台选型最大的坑，不是选错功能，而是没先想清楚自己是谁。金融机构和中小企业要的根本不是同一类AI Agent产品，套用同一份榜单去选智能体平台，大概率踩坑。选型前，先问自己是谁行业里有一个矛盾现象：多份调研都显示，超过七成企业已经在试点AI Agent，但能说清楚落地ROI