腾讯研究院：金融业大模型演进趋势，从效率工具到价值引擎_

编者按

4月25日，在深圳市南山区政府指导下，由『慧保天下』主办、众安信科独家战略合作、律商联讯风险信息协办的题为“从互联网时代到AI时代，AI+保险的战略推进与应用创新”的“2025保险科技峰会暨专题研讨会”在深圳市南山区档案服务大厦举行。腾讯研究院高级研究员陈楚仪出席活动并发表题为《金融业大模型演进：从效率工具到价值引擎》的主题演讲。

在演讲中，她系统梳理了AI大模型在金融行业的技术演进与实践路径，指出国内金融领域已形成“银行业领跑、证券保险跟进、资管信托探索”的梯次发展格局。通过“由内向外”的场景渗透，大模型正逐步从提升效率的工具，升级为驱动知识密集型工作的核心价值引擎。目前，行业重点聚焦于底层算力基础设施建设与业务层面的创新，尤其在保险领域实现了智能理赔、客服机器人等关键场景的突破，但仍面临技术、业务和合规三方面的挑战。

展望未来发展机遇，她提出三大方向：一是围绕国家金融“五篇大文章”深化场景创新；二是探索Agentic AI技术潜力带来的场景升级；三是通过强化业务场景驱动、构建分层技术生态、完善数据治理等，推动金融行业在安全、高效和普惠的基础上更好地应用AI。

以下即为其演讲全文：

陈楚仪腾讯研究院高级研究员

腾讯研究院长期追踪AI大模型的技术演进及其在各行业的落地进展。本次分享，我们结合对金融行业AI大模型应用的最新数据洞察与行业调研，为保险业与AI的融合发展提供一些参考。

金融业大模型发展的行业现状

自AI大模型问世以来，其影响力已迅速渗透至金融行业的各个细分领域。从决策型AI到生成式AI，人工智能在金融行业的角色正在逐步从效率工具升级为驱动知识密集型工作、辅助和支持复杂决策的高价值引擎。结合权威调研机构的数据洞察以及公开的大模型项目招标信息，我们观察到以下几个显著趋势：

第一，国内金融行业的大模型应用格局呈现梯次化，以银行业为主导，证券、保险业积极跟进，资产管理与信托行业进行探索。其中，银行业银行业凭借其海量的结构化数据积累、成熟的数字化基础以及相对雄厚的算力资源，已将大模型广泛应用于各类场景。因此，无论从已披露的项目中标数量还是金额来看，银行业均占据着领先地位。

第二，金融行业对AI的潜力抱有较高期待，但鉴于生成式AI固有的“幻觉”等挑战，初期在应用层面表现得相对审慎。我们的调研数据显示，2024年上半年，行业更多处于对大模型进行评估、小范围试点和场景验证的阶段。进入下半年，随着部分场景应用效果的显现，尤其是在效率提升方面得到初步验证后，相关的项目招标数量和规模均呈现出爆发式增长。这表明，行业已逐步跨越初期的技术观望，进入了以投资回报率（ROI）为导向的价值验证和规模化复制的新阶段。

第三，盘点当前金融机构的大模型应用，可以发现关注点主要集中在两个层面：一是底层的算力基础设施建设；二是直接面向业务的应用层创新。而介于两者之间的中间能力层则在逐步构建与完善中。从具体场景来看，应用呈现出“由内向外”的渗透路径。例如，代码助手、知识库检索、智能客服、文本生成与审核等提升效率的场景，是金融机构当前应用AI最为普遍的切入点。

第四，在保险与AI的融合过程中，我们观察到一些亟待解决的痛点：一是保险产品因其复杂性，往往需要专业人士解读，导致数字化销售面临挑战；二是社会老龄化趋势下，保险销售亟需更精准的个性化服务；三是逆向选择和道德风险等问题依然存在；四是理赔流程相对复杂，消费者对完整的理赔流程可能缺乏充分了解而影响服务体验；五是保险精算涉及多维度数据（包括医疗数据和人口数据）的积累，数据获取成本较高。

从这些痛点出发，大模型在保险业的应用潜力巨大。当前保险大模型的应用也在推进，部分案例体现出如下特征：从业务价值角度看，降本增效与客户体验提升是驱动保险机构采纳大模型最直接、最核心的动力。从技术可行性看，营销素材生成和条款自动审核等场景已展现出较高的技术成熟度和落地可行性。从落地优先级看，智能理赔和客服机器人是大模型渗透较为广泛和深入的场景。

结合调研来看，在保险业的实践中，大模型落地仍面临以下难点：

技术层面。一是AI的“黑箱”特性和幻觉现象，目前难以完全根除，而保险合同条款涉及大量专业术语和复杂逻辑，对模型的高阶语义解析与推理能力提出了极高要求。二是医疗核保需融合临床医学知识，但当前公开的医疗数据集在病种覆盖上存在局限，可能导致模型在罕见病判定上易出现偏差。三是高质量、结构化数据积累不足，特别是医疗赔付数据，限制了模型的训练效果和场景应用深度。

业务整合层面。一是大模型需与核心业务系统（如理赔引擎、CRM）深度对接，这可能触及复杂的实时数据交互和流程重构。二是模型输出的准确性和稳定性直接影响客户体验和业务风险，因此需要建立有效的校验机制，例如通过规则引擎识别高风险理赔诉求。三是业务价值如何量化。例如，对比大模型与传统人工审核在赔付准确率、处理时效等关键指标的效果提升，是推动其在业务线应用的关键依据。

此外，持续适应行业监管政策的动态变化，以及提升用户对AI的接受度，也是大模型规模化落地的挑战。为有效应对上述挑战，我们认为，需要进一步夯实数据治理、模型能力、专业人才、成本效益和安全合规这五个关键要素基础。

大模型演进对金融行业的影响

当前，AI大模型正经历一场以推理能力显著增强为核心的深刻演进，强化学习、多模态融合等技术的应用是其中的关键驱动力，DeepSeek R1和OpenAI o1、o3等模型是这一趋势的代表。具体到金融行业，大模型的这种演进趋势正带来以下几方面深层影响：

第一，加速规模效应释放，显著降低AI应用门槛。以DeepSeek为例，其迅速普及得益于其开源、低成本、高效率的模式。这使得金融机构能够快速、低成本地部署和应用大模型，从而有力推动了AI在金融行业的规模化应用进程。

第二，拓展应用场景边界，创新金融服务交互范式。尽管大模型无法完全取代传统机器学习和小模型在特定场景的优势，但其快速提升的推理、生成和多模态理解能力，在诸多金融场景中带来了显著的边际效益和新的可能性。早期模型在部分应用场景下可能直接输出、推理路径不清晰，而当前的趋势是，具备更强推理与生成能力的模型能够以动态协同的方式工作，为用户提供更灵活、更智能、更接近人类自然交互的应用体验。

第三，增强复杂决策支持能力，提升AI在金融的价值定位。随着推理能力的持续增强，结合行业特定知识图谱和垂域数据，大模型能更好地理解金融逻辑，支持复杂决策类场景。

第四，重构算力成本曲线，促进先进AI技术普惠。技术领先的大厂和大模型企业正通过技术优化，共同推动大模型训练与推理成本的持续下降，并通过开源，使得先进的AI技术能够惠及更广泛的金融机构，促进了技术普惠化。

第五，促使金融行业更理性地审视AI投入，重视技术与场景的精准适配及ROI。随着技术普及，行业逐渐认识到，传统机器学习模型在特定场景（如标准化的信用评分）中仍具有成本低、稳定性高、解释性强等优势。因此，在金融业应用AI的过程中，要积极探索大、小模型的协同与优势互补，以实现最佳的投入产出效果。

发展机遇和展望

第一，金融“五篇大文章”为大模型在金融行业的应用提供了重要指引。

在国家大力支持人工智能发展的政策背景下，大模型在金融领域的具体应用实践，可重点聚焦“五篇大文章”所涵盖的细分领域，致力于赋能相关业务场景的效率提升与服务模式创新。

第二，多智能体协同有望成为下一代AI应用的重要形态。

近期，智能体（Agent）概念再度受到业界与学界的高度关注。目前，单一智能体的应用已在部分场景实现小规模试点，而基于流程编排的多智能体协同系统仍主要处于探索与实验阶段。金融机构可引入并运用Agent编排平台，以更灵活、高效的方式构建和管理基于大模型的复杂应用。通过对多个大模型或模型组件进行高效编排与协同，赋能复杂金融业务流程的自动化与智能化处理。

部分大型股份制银行已开始积极探索将Agent编排平台整合至其整体AI能力架构中的路径与方法。同时，产业界与学术界亦在积极探索智能体在金融投资决策等场景的应用潜力，旨在提升投资分析效率、辅助决策制定或优化投资策略。类似的应用前景在保险领域，同样具备广阔的探索空间与应用价值，也是值得关注的方向。

第三，金融业安全、高效、普惠地应用AI技术，可以考虑从以下方面着力：

一是强化以业务场景为驱动的ROI验证与评估，稳步推进AI技术的应用与规模化落地。金融机构应优先选择ROI相对明确、技术路径清晰且结果易于解释的应用场景进行试点，如智能客服、代码助手等，以快速积累实践经验、验证技术可行性并建立内部应用信心。在积累成功经验的基础上，可逐步拓展至基于多智能体的协同风控、智能化投资研究与决策支持等更为复杂的应用领域，以期深度挖掘AI技术的赋能潜力。同时，应规划并建立从“概念验证”到“规模化投产”的实施路径，从而有效管理和降低应用风险，提升项目成功率与整体效益。

二是构建差异化、多层次的AI技术与应用生态体系，充分发挥产业协同创新的优势。大型头部金融机构可凭借自身资源优势，致力于构建全栈自主可控的技术能力（如端到端自研）。中小型金融机构则可更侧重于采用轻量化模型部署、调用成熟的第三方API服务或采购专业AI解决方案等方式，以较低的试错成本快速引入AI能力，紧跟技术发展前沿。积极鼓励金融科技公司与各类金融机构深化合作，共同培育和建设开放、协同、共赢的金融AI技术生态。

三是健全完善数据治理框架与安全保障机制，推动负责任的AI治理体系发展。金融机构积极探索并应用隐私计算、联邦学习等技术，构建安全的数据共享与融合应用机制，以有效打破“数据孤岛”，充分释放数据价值。同时，通过持续提升多模态数据的融合处理与分析能力，增强AI算法的精准性和可靠性，并结合算法审计和伦理审查机制，确保AI应用的安全可控。

四是积极探索Agentic AI赋能下的业务流程智能化重构，这正成为金融AI应用的重要演进方向。金融机构应前瞻布局并加速Agent编排与协同平台的研发与应用，通过集成和调度面向风险管理、客户服务、市场营销、投资分析等不同专业领域的多个Agent，探索复杂任务的自动化拆解、多模型/多工具的动态协同以及端到端业务流程的智能化执行，从而提升金融机构的整体运营效率、决策质量与智能化服务水平。

我的发言汇报结束，谢谢大家！