AI巨头集体进军金融速度提升显著Louis构思好框架后将素材喂给AI再调出几个自建的Skill仅需几个小时一份符合他思路且相对完整的调研报告便出炉了。而在2020年中秋同样的工作他花费了一整个假期。Louis在金融行业有10年工作经验担任过行业研究员、产品经理参与过全国性金融系统设计跑过衍生品交易和后台结算的整套系统对金融行业工作流程十分了解。他所感受到的工作提速是当下每个金融从业者都能体会到的因为AI巨头正纷纷进入金融领域。IDC数据显示2025年中国金融生成式AI市场增速高达90.4%是AI落地最为迅猛的行业之一。到了今年这一步伐还在加快。5月Anthropic一口气发布10个金融Agent模板8月Google Cloud推出Gemini金融服务版。9月火力更为密集3日腾讯WorkBuddy金融版上线自今年3月以来WorkBuddy号称已陆续进入中金公司、国投证券、中国太平等100多家金融机构7日千问宣布接入兴业证券、易方达、众安保险等十余家机构10日OpenAI推出金融版ChatGPT摩根士丹利参与打磨内置PitchBook、LSEG等金融数据。同期阿里云内测AI投研工具Qovest的消息也在业内流传。两个月内四家巨头相继入场。AI可落地的行业众多为何巨头此时聚焦金融金融AI究竟改变了什么又有哪些尚未改变巨头扎堆AI金融为何是当下金融和AI的天然适配早已是行业共识。金融是数字化程度较高的领域存在海量结构化文本。从需求端看中国结算《2025年统计年鉴》显示A股投资者已超2.5亿自然人占比99.76%上交所数据表明仅2026年一季度新增开户就超1200万户资产端中国结算登记存管的证券超过4.2万只沪深总市值近138万亿元内容端5469家上市公司每年滚动披露数万份定期报告加上每天滚动产生的公告与快讯形成一个文本处理量以亿字计的市场。信息浓度高金融从业者日常工作多为信息搬运和密集计算而这正是AI的优势所在。Louis表示以前研究员需与写代码的同事合作才能搭建量化模型、完成coding等任务现在只需具备产品思维将思维传达给AI代码生成和信息检索由AI完成研发周期大幅缩短。然而适配只是基础技术才是关键制约因素。今年有两件事取得了突破。一是幻觉可控化。金融行业对AI要求零幻觉、可回溯、审计留痕过去这被视为难题如今正逐步得到解决。模型端在Vectara幻觉排行榜的摘要事实一致性测试中头部金融垂直模型的幻觉率已降至2%以内工程端RAG检索增强生成成为B端标配模型在机构给定的数据源内作答产品端Agent模板和工作台对每一次调用进行留痕使幻觉从不可接受的风险变为可定位、可审计的误差。“金融客户更关注的是说错了能否发现、能否定位。”一位金融AI领域创业者表示。工程上采取三层兜底措施检索层只查给定数据源生成层要求每个结论带引用审计层对每次调用的输入、输出、引用全部留痕。中国人民大学本硕、某头部VC投资分析师赵永国Octo补充说验收侧关键在于“溯源”每条结论附上出处链接点击可查看出自哪份研报、哪份年报。二是Agent。幻觉可控后AI才得以进入金融领域但要真正替代人工工作还需依靠Agent。Octo认为“聊天机器人时代AI本质是搜索将文档切块按关键词检索、拼接答案仅能提高效率无实质性改变而Agent能实现工作流的闭环。以基金公司的行业研究为例行业 - 要素 - 权重 - 方法论层层嵌套靠多个子Agent分工协作整套研究框架才能实现AI化。闭环能力实现后金融行业才首次确认其可用性。”这才是巨头集体入局的关键时间节点。最后是市场空间。IDC数据显示2025年中国金融行业生成式AI平台及应用解决方案市场规模为17.4亿元2029年将增至113.5亿元。横向对比该市场规模不算大同年AI医疗应用软件市场已达35.4亿元约为金融市场的两倍但金融市场90.4%的增速位居行业应用第一梯队。高增速部分源于低基数2024年仅9.14亿元但真正的驱动力是需求的集中释放。更重要的是金融机构有支付能力。Octo计算“一个外部数据账号年费高达上万元一家中型基金公司一次采购几百个且存在大量要求不高但人力成本不低的重复性劳动岗位这是AI替代最具现实意义的投资回报率。”数据、技术、资金条件具备巨头才会纷纷进入金融AI领域。三种路线从卖能力到抢入口国内外巨头进入金融AI领域的方式各不相同。产品形态可分为三种对应三种商业模式卖工具、卖系统、抢流量。第一种是将AI打造成金融从业者随手可用的工具。最先落地的是将通用模型包装成金融专业能力。例如Anthropic发布的10个Agent模板将写招股材料、做客户背景审查、搭财务模型、月底对账等重复性工作制成开箱即用的模板并接入标普、穆迪等权威数据库让AI直接查询数据作答。Google的Gemini金融服务版、OpenAI的金融版ChatGPT也类似采用云端订阅模式集成和流程改造由客户自行完成。这类产品解决了金融从业者日常琐碎、标准化的工作如找数据、整理材料、搭建初步模型、更新表格等。其优势在于部署快、用户门槛低、覆盖面易扩大。但也容易陷入同质化技能、模型、数据连接均可复制迁移。对巨头而言这是抢占金融AI第一层入口、培养用户习惯和收集使用数据的方式高价值部分仍在后续。第二种是工作台模式将整套AI系统嵌入金融行业生产流程。这比“工具”模式更为复杂。AI进入银行、券商、保险公司的业务系统涉及接触权限、数据、审批和内部流程承担完整工作任务。腾讯WorkBuddy金融版便是此类代表其金融版按公司金融、零售金融、投研投顾、个客经营分为四个工作台厂商进驻装机与中金、平安银行、中国太平等金融机构共同打磨。对公信贷尽调等流程已开始尝试用AI压缩处理时间整套系统部署在机构内网模型、数据、审计链路均留在机构内部。阿里点金的打法类似。该路线的优势在于其复杂性一旦AI进入核心流程客户更换成本高。权限体系、数据接口、员工培训、审计记录、内部系统适配都需重新搭建。对AI厂商来说这意味着更长的销售周期和更高的交付成本但也带来更高的客单价和更强的客户黏性考验厂商的企业服务能力。第三种是将AI推向金融服务的用户入口。例如千问App将券商、基金、保险、期货等机构整合到面向消费者的AI入口中。用户可在一个App内查询行情、阅读研报、获取金融服务。对金融机构而言这增加了触达用户的渠道对AI平台来说则是争夺用户处理“钱”的入口。这条路线想象空间大直接连接用户和金融服务。若用户形成使用习惯AI平台可能掌握大量金融需求的分发权。但它也是三条路线中难度最大的企业内部AI主要解决效率问题面向消费者的金融AI还需处理责任、牌照和信任问题。因此三条路线商业价值各有侧重。从当前成熟度看第一条易快速放量第二条可能沉淀长期价值第三条考验平台的用户规模和金融服务能力。这也解释了巨头为何不押注同一种产品。Anthropic、Google、OpenAI先将金融专业能力融入模型是进入机构的快捷方式腾讯、阿里擅长企业服务和本地化部署易从工作流切入阿里的千问还可利用App用户规模争夺金融服务消费端入口。但无论选择哪条路线巨头要深耕这一领域都面临两个问题。第一关在上游核心数据掌握在他人手中。行情、财报、公告、研报的授权和口径长期由Wind、同花顺、通达信、彭博、穆迪、标普等数据商掌控。如今AI厂商通过MCP和各种连接器将专业终端的数据调用能力接入Agent。Anthropic与穆迪合作Google联手标普WorkBuddy接入通达信并非技术偏好而是不如此便无法获取更多专业数据。模型可迭代但数据授权、口径和历史积累难以短期内复制。第二关在下游金融机构也在自建AI产品。大型金融机构不会将核心能力完全交给外部厂商。东吴证券自研秀财GPT用本地化部署的DeepSeek - R1做投顾、研报和风险识别中金将资深分析师的研究方法提炼成技能包国君、广发、国信、中信建投等搭建了自己的智能体矩阵长桥选择全链路自研并向外输出能力。所以AI金融并非巨头进入就能成功的领域。AI进入金融但未触及核心三条路线解决了AI进入金融机构的问题但实际工作中情况不同。Louis认为目前金融AI让一线人员明显感受到提效的主要在行研和交易领域且集中在相对基础的环节。“金融是一台大机器行研和交易只是其中一部分。”他还指出金融业最原始的存贷业务目前没有金融AI能覆盖全周期。巨头宣称的覆盖证券、基金、期货、保险全链条实际在信贷审批、风险评估、合规决策等核心环节AI仍仅起辅助作用。Octo从用人角度证实“AI目前最易替代实习生和初级研究员。实习生负责扒数据、整理数据、听会写纪要初级研究员有一定基础研究能力但产出多为行业普遍认知。通用AI有足够公开样本学习且工作流程相对清晰可拆解。”而金融真正有价值的部分往往在信息整理之后。例如面对同一组宏观数据不同研究员判断不同这些判断依赖对行业周期、公司经营、交易环境和过往经验的综合理解。更现实的是机构不会将少数人持有的观点和knowhow落地经验、踩坑心得、实操技巧、内部做法交给外部厂商。这解释了AI覆盖面窄的原因它能处理普遍认知的工作而金融中高价值的工作往往是非普遍的。除覆盖面小外数据隐私也是障碍。幻觉率虽降低但红线仍在。一位金融从业者明确表示“未公开的财务数据、内部报表、董事会材料等敏感信息不会提供给AI。”从这个角度看AI已进入金融工作流部分外围工作由AI承担但核心判断仍掌握在人手中。巨头正试图改造这一行业布局深入的可能成为机构不可或缺的基础布局浅的按token计费、易被替换。多位从业者认为未来AI金融可能不止一种赢家。模型厂商提供通用智能数据商把控专业数据和口径AI平台整合模型、数据和Agent金融机构保留自身业务规则和方法论。能长期立足的产品需在复杂产业链中找到不可替代的位置。那么哪些产品能在这场竞争中脱颖而出呢