文 | 产业家
金融是人类商业社会中“信任体系”的最高形态，这套在最严苛环境下磨炼出来的智能体准入、权限划分、操作审计与熔断机制，是一套严格的Agent工业级标准。
未来，这套机制可以毫不费力地下沉到自动驾驶的调度计费、智能制造的供应链自动采购、乃至智能政务的资金划拨之中。站在这个角度来看，金融行业今天在Agent落地中踩的所有坑、立的所有规矩，实际上是在替未来整个智能商业世界打造Agent的“信任样板”。
2026年以来，金融行业正在成为Agent落地最热闹的行业之一。
过去几个月，大模型厂商、云厂商、金融科技公司几乎同时把金融推到了Agent落地的前排。
6月，阿里云金融级通用智能体平台“点金”亮相中国国际金融展，主打投研、投顾、信贷、风控、理赔、营销、客服等金融业务流程中的任务执行，不再只停留在问答和摘要层面；同月，字节旗下扣子Coze 3.0上线，开始把金融、法律、医疗等行业能力封装成可调用的专业Skill，随后广发证券、国信证券等机构相继在扣子平台上线金融Skill，把选股、选基、行情、财务、宏观分析等能力变成Agent可以直接调用的工具。
进入8月，百度文库和百度网盘联合推出的库库AI公布中文名，并把金融投研作为首期重点办公场景之一。这个产品内置上市公司资料、股票行情、财报、研报等金融数据，面向的是Word研报、金融分析PPT、财务模型Excel等更贴近金融从业者日常工作的产物。
到9月，动作明显更密集。腾讯WorkBuddy金融版正式发布，面向银行、资管、保险行业推出公司金融、零售金融、投研投顾、个客经营四大工作台；阿里千问开放平台集中接入十余家金融类智能体，覆盖证券投资、基金、期货、保险等领域；蚂蚁数科也推出Agentar金融版，提供金融智能体专家团、行业Skill、MCP、评测工具和治理能力。
这一串动作放在一起看，可以发现，金融Agent正从大厂的技术能力展示，逐步演变成一条独立的产业赛道。
在需求侧，这种剧变同样汹涌。最为明显的是AI应用采购占比越来愈高，且不再局限于客服、知识库和办公辅助，开始转向决策、审核。
这一点，从招投标市场的信息中可见一斑。数据显示，对比2025年上半年，2026年H1金融行业大模型中标项目数量增长110%，披露中标金额增长82.8%。
其中，应用类项目占比达到61%，智能客服&数字人、智能审核&分析决策、知识问答&知识平台分别以60个、39个、23个项目，位列中标项目数量前三，总体上已经领先于算力类项目。而在2025年上半年，算力类项目的数量还略多于应用类项目。
值得注意的是，9月，金融领域首个智能体安全相关标准正式发布，更是给金融Agent划出了更清晰的应用方向，使得整个行业已经开始严肃讨论权限、责任、审计和风险边界等核心议题。
但热闹之外，一些真正值得追问的问题是：为什么偏偏是金融？现在的金融Agent究竟走到了业务的哪一层？以及，当AI开始拥有系统调用和执行能力之后，金融行业真正会被改变的是什么？
一、金融，最具含金量的“Agent产业样板”
先来看一个来自Gartner的预测，到2027年底，超40%的Agentic AI项目将因成本攀升、商业价值不清或风控不足被取消。其还指出市场上大量所谓Agent，本质上只是把AI助手、RPA和聊天机器人重新包装成智能体，并不具备真正的自主任务执行能力。
不难发现，尽管2026年被普遍誉为Agent元年，但在真实的产业落地中，“叫好不叫座”依然是常态。在此背景下，Agent的故事能讲多久，最终取决于其能否从演示场景走进企业核心业务流。
金融，恰好提供了这样一个完美的试炼场。
首先，金融业务天然由数据和规则驱动。财报、公告、行情、研报、工商资料、征信记录、保单合同、交易流水、审批规则，长期沉淀在金融系统里。信贷、投研、理赔、风控，本质上都需要在大量材料中完成检索、比对、归纳和初步判断。这正是Agent擅长的工作，即把分散信息拉到一起，再沿着业务流程推动下一步动作。
其次，金融机构确实有持续投入AI的预算和动力。2025年中国金融AI全栈云市场规模达到207.6亿元，同比增长50.0%，高于金融云总盘23.9%的增速。招投标数量和金额的上升，也说明金融机构正在从试点走向集中采购。
更现实的推力，来自金融机构自身的经营压力。2026年二季度，商业银行净息差为1.41%，仍处低位；上半年商业银行累计净利润同比下降0.6%。利差空间收窄后，客户经理、风控人员、运营人员能服务多少客户、处理多少业务，会直接影响经营效率。
券商也面对类似问题。2026年上半年，上市券商经纪业务佣金率降至万分之2.7，较2025年的万分之3.1继续下行，倒逼这类金融机构向投研服务、财富管理和客户经营寻找增量。
在这样的背景下，Agent的价值变得极具针对性。可以帮银行压缩尽调和审批时间，帮券商扩大研究覆盖半径，帮保险公司提升理赔审核效率，也帮财富管理机构提高理财师的服务半径。
同样，对于技术厂商而言，金融也是必须拿下的核心高地。
过去两年，大模型厂商与云厂商投入了海量的算力与研发成本。如今，面临巨大算力折旧压力的技术服务商，必须完成从“卖Token”到“卖数字员工席位”的商业模式转型。放眼全行业，金融业无疑是IT预算最充足、付费意愿最稳定的“造血源泉”。更关键的是，金融业务逻辑最复杂、合规门槛最高，一旦在这里跑通多智能体调度、可信推理、私有化部署和安全治理，就有机会迁移到更多行业。
因此，AI技术服务商扎堆金融并非偶然。对金融机构来说，这是效率自救；对技术厂商来说，这是商业化和工程能力的双重大考。
二、自建、上下文、基座：金融Agent“野蛮”生长
而在这种扎堆金融的热闹之下，不同玩家也在走出截然不同的路线。
首先是国有大行和头部银行。银行掌握着最敏感的客户数据、账户数据和交易数据，也承担最高等级的合规责任。因此，相比直接采购单点工具，其更倾向于自建底座、统一纳管，再向业务线开放能力。
以工商银行为例，其在2025年年报中披露，已打造“工银智涌”大模型技术体系，集成十余款主流模型，并在行内二次训练，形成更懂金融、更懂工行的企业级底座模型矩阵。同时，工行还建设了智能体创作平台，方便员工快速构建、组装智能体。目前，“工银智涌”落地场景已超过600个，金融市场业务的智能询价交易占比突破96%，审核效率提升至引入前的5倍。
但这一路线的代价也很高。招行2026年半年报显示，上半年信息科技投入46.79亿元，占营业收入2.99%；截至报告期末，研发人员达上万人，占员工总数8.98%。这已经接近一家头部科技公司的投入强度。重投入、重体系、重自主可控成为这一路线的关键词。
与银行不同，券商更倾向于把专业能力封装成可调用模块。
一直以来，华泰、中金、中信建投等券商的核心资产，主要是研究能力、交易能力和客户服务能力。过去，这些能力高度依赖分析师、交易员和投顾的个人经验；现在，券商正在尝试把这些经验沉淀为Skill、MCP工具和投研智能体，让AI能够识别、调用和复用。
例如，中金“点睛MCP”已将中金特色数据与模型、金融市场数据及资讯接入AI助手，并扩充分析师Skill矩阵和投研工具Skill库；中信建投上线的智能投研服务，则把研究团队方法论封装成Skill技能包，首发的非银金融分析师技能来自40篇深度报告提炼出的研究框架。
这背后，其实是券商竞争逻辑的变化。过去比拼研究员数量、行业覆盖和客户触达；现在，新的竞争转向谁能把研究方法、数据资产和交易工具沉淀成机器可调用的能力体系。
再往下看，是恒生电子、神州信息、宇信科技、中关村科金等传统金融IT厂商。
这类厂商未必拥有最强的底座大模型，但掌握着金融Agent进入业务现场所必须的核心系统接口、业务流程理解和私有化交付经验。Agent要从“给建议”走向“真正办事”，必须调用账户、交易、信贷、风控等系统。而这些系统长期由金融IT厂商建设和维护，正是其护城河。某种程度上，金融IT厂商解决的是“Agent如何长出手脚”的问题。
腾讯、阿里、百度、字节等通用科技巨头，则更擅长提供底座模型、云基础设施、Agent开发平台和生态能力，把模型、工具、工作流、MCP和安全治理能力打包成平台。但AI落地金融真正的难点不只在模型，而在私有数据、核心系统、合规流程和业务责任。大厂可以提供强大的底座和工具链，却很难单独吃下所有金融场景。要真正进入业务深处，必须与金融机构、数据服务商、金融IT厂商和生态伙伴结盟。
总的来说，未来金融Agent很难出现一家通吃的格局。大行会坚持自主可控，券商会把投研和交易能力Skill化，金融IT厂商会继续连接核心系统，通用科技巨头则提供模型、算力、开发平台和治理工具。真正成熟的金融Agent产品，必然是“通用模型底座+金融专有数据+行业工作流+核心系统接口+安全治理”的生态组合。
三、Agent落地金融，临界点已到
金融Agent究竟走到哪一步了？
先来看覆盖率和使用强度。建设银行在2025年度业绩发布会上披露，截至2025年底，全行网点问题响应过程中，AI助手覆盖率已经达到99.42%，日均访问量超过10万人次。工商银行年报则显示，其在30余个业务领域落地500余个AI应用，AI数字员工承担工作量达到5.5万人年。招商银行也在2025年报中提到，报告期内AI在人工效能提升方面节约人工1556万小时；中信银行则披露，其构建智能服务场景超过1700个，全行依托智能模型增效超1.7万人年。
这些数字说明，AI已经不是金融机构里的小范围试点，而是在成为银行、券商、基金、保险内部的日常工具。
从外部看，金融Agent似乎已经进入全面爆发期。
但深入业务内部会发现，高AI覆盖率不等于真正的金融Agent普及。目前最成熟的仍是知识检索、文档处理和内容生成等低风险场景。AI主要承担查询制度、总结纪要、起草报告等高频重复性任务，以提升信息处理效率。
严格来说，这更接近Copilot，而非自主Agent。
再往前一步，才是流程改造型Agent。这一层的特点，是AI不只处理文本，而是开始进入业务流程中的具体环节。比如交通银行构建的企业级通用智能体平台，在实际业务中，交行通过AI重构开户、授信、审批、授权、国际结算等流程，到2026年上半年，这种流程化落地进一步加深，在跨境金融领域，航贸审查智能体日均审查业务超过50万笔，处理效率提升超过70%；金融市场业务中的智能外汇询价、货币市场询价等智能体累计交易金额超万亿元。
保险和资管也在出现类似变化。保险理赔场景中，AI可以识别影像材料、读取保单条款、比对病历信息，并给出材料缺失和初步审核提示；公募基金投研场景中，中欧基金投研Agent已集成超过100个Skill，覆盖数据抓取、行业分析、财务建模、报告撰写等多个场景，研究员信息检索效率提升60%以上。
此时，Agent开始串联跨系统、跨岗位的步骤，完成从读取资料、调用工具到生成判断的全过程，最后再交由人工复核。
不过，能做到的仍是少数，这一点从中标数据变可见一斑，根据中国大模型中标项目监测与洞察报告，2026年上半年，金融大模型中标项目有47个跟智能体相关，在全部金融大模型中标项目中的占比约为11.6%。对比之下，智能体相关项目在全行业大模型中标项目中的占比约16.7%，低于全行业占比。
原因在于，金融对错误容忍度极低。Agent目前只能在规则明确、易于复核的场景中跑通，其可以搜集信息、生成策略，但绝不能独立授信、定价或划转资金。
站在当下来看，金融Agent的演进正处于一个微妙的临界点：辅助层已经规模化，流程层正在扩张，但核心决策层和自主执行层依然步履维艰。目前跑通的场景，其共性是数据源稳定、结果易于复核、且业务过程留有完整审计轨迹。
四、AI触碰资金：Agent的金融深水区悄然到来
作为极少数能把AI的“价值”与“错误”瞬间转化为真金白银的行业。当Agent开始与银行账户、资金划扣、交易指令强绑定时，Agent时代商业基础设施的大门，正被倒逼提前推开。
回顾过去三十年的技术演进，金融在不同周期里的定位截然不同。
互联网时代，金融的定位是“连接与通道”。核心任务是把物理网点搬上电脑和手机屏幕，解决的是人与钱的连接效率；云计算时代，金融的定位是“业务容器与算力买家”。核心任务是支撑双十一高并发、海量交易流的弹性扩展，解决的是底层IT架构的稳定与敏捷；而在当下的AI时代，金融正在变成“智能社会的信用与清结算底座”。
这很好理解。当越来越多的业务开始由算法和Agent自主运转，谁来给这些没有实体的智能体记账、核验身份、配置预算、划定风险边界？答案依然是金融。
在这个过程中，随着AI逐渐把手伸向“钱袋子”，产业底层的运转逻辑将发生质变。
首先是交付标准。过去，大模型进金融机构，比拼的是跑分、生成质量和术语准确率。但当Agent进入资金流，金融机构最关心的是“出错了算谁的”。这会倒逼供应商从卖模型、卖API，转向提供一整套刹车系统，包括权限控制、硬规则拦截、操作日志、审计追踪、业务熔断，甚至催生新的责任保险。
其次，交互对象也会变化。过去金融产品围绕“人”设计，比如人看屏幕、人做决策、人点确认，再用刷脸、验证码和柜面复核控制风险。但随着Agent具备了自主执行力，未来的金融交互逻辑将被彻底颠覆。跟银行打交道的，可能是这家企业ERP系统里挂载的财务Agent，在库存见底时自动向银行Agent申请供应链贷款；在二级市场，买方的投研Agent直接对齐卖方的实时数据接口，迅速完成逻辑验算与下单。
这意味着，现有的APP界面、人工审核流程都将退居二线，金融系统必须从底层重新搭建一套适配“机器对机器”的高频交互接口、安全认证体系和实时结算通道。
更重要的是，金融会把自己的风控范式外溢到更多行业。
要知道，金融是人类商业社会中“信任体系”的最高形态，如果一套多智能体协同系统，能够在一笔贷款的审批、放款、抵押登记全流程中，不依赖人类干预的情况下安全跑通，并且不出差错、全程留痕，那么这套在最严苛环境下磨炼出来的智能体准入、权限划分、操作审计与熔断机制，就会成为一套通用的工业级标准。
未来，这套机制可以毫不费力地下沉到自动驾驶的调度计费、智能制造的供应链自动采购、乃至智能政务的资金划拨之中。站在这个角度来看，金融行业今天在Agent落地中踩的所有坑、立的所有规矩，实际上是在替未来整个智能商业世界打造Agent的“信任样板”。
过去两年，全行业都在卷算力和大模型，本质上解决的只是AI的“智力供给”；而2026年这一轮金融Agent扎堆爆发，面对的则是一个更致命也更深水区的考题：当硅基智力开始拥有执行资金的权力，人类究竟该如何给它套上缰绳。
这场发生在金库门口的大考，才刚刚开始。
