金融业与 AI 的缘分比大模型早得多：机器学习风控评分、反欺诈模型、量化交易的算法，十年前就是金融业的基础设施。大模型的到来没有从零开始，而是在一条成熟的落地光谱上继续推进——光谱的一端是「已大规模落地、监管认可」的环节，另一端是「监管明确压制、刻意不碰」的环节。金融业对 AI 的态度（务实、谨慎、合规优先）使它成为观察「AI 在强监管行业落地」的最佳标本，本篇沿着光谱走一遍。
已大规模落地的一端：风控、反欺诈与运营自动化
风控与反欺诈是 AI 在金融业的「原住民」：信贷评分模型、交易的反欺诈检测、反洗钱（AML）的异常交易识别——机器学习在这里跑了十年以上，监管框架（模型的可解释性要求、歧视性审查）也相对成熟。大模型的增量在于非结构化数据的处理：舆情与新闻的风险信号提取、 suspicious 活动报告（SAR）的自动撰写辅助、客服与催收的对话分析——大模型把「从文本中提取风险信号」的成本降了一个量级。运营自动化是另一片已落地的大陆：客服（银行的 AI 客服承接高频查询，人工处理复杂案例——金融客服的话术边界清晰，是 AI 客服的「安全区」）、文档处理（开户资料、合同、财报的自动化提取与录入——大模型的文档理解在金融文书这种「格式化文本」上表现出色）、合规审查（反洗钱的名单筛查、交易的合规标记的自动化初筛）。这一端的经验已经很成熟：格式化、高频、容错空间明确的环节，AI 的落地是确定性的——这个判断同样适用于其他强监管行业。
试点与博弈的一端：投研、客服进阶与 coding
光谱的中段是「高价值但需谨慎」的环节，大模型在这里的渗透最为活跃。投研辅助：财报与公告的自动摘要、研报初稿、舆情监控、多文档的交叉比对——大模型在投研的「信息整理层」已经有广泛使用（券商与基金的研究部门是 AI 工具的重度用户）；但「直接给出投资建议」被严格区分——投顾牌照与适当性义务（把合适的建议给合适的人）是金融监管的红线，AI 的角色被限定在「信息与工具」，不越「建议」的界。程序员效率：金融机构是 AI 编程工具的重度采购方（银行科技团队的开发效率），但代码上线前的审查在金融业有额外的严格（核心系统的代码审查、监管报送系统的变更管理）。知识管理与合规咨询：内部规章的问答助手（「这笔操作符合哪条内部规定」的内部检索）、监管新规的影响分析——金融业的海量内部规章是 RAG 类应用的优质土壤（本库 RAG 实战手册的方法论在金融合规场景直接变现）。中段的共同特征：AI 做信息的组织与初稿，人做判断与签发——「AI 起草、人定稿」的分工在金融业已经是一线的标准作业程序。
刻意压制的一端：自主交易与全自动投顾的边界
光谱的远端是监管与行业共同「按住」的环节。全自动化投资建议：AI 直接给出个性化投资建议并执行，触及投资顾问的牌照监管与适当性义务——监管的立场明确：算法可以辅助，「适当性」的责任无法由算法承担；智能投顾（robo-advisor）在合规框架内发展了多年，但大模型版的「自由对话式投顾」被刻意保持在「信息提供」的边界内。完全自主的交易策略：量化交易里 AI 的角色是策略研发的辅助，实盘的自动交易有严格的风控与报备框架（算法交易的报备义务）——大模型「自主发明策略并实盘」不在任何严肃机构的路线图上。信用决策的全自动化：信贷的拒贷决定如果完全由黑盒模型做出，触及公平性与可解释性的监管红线（申请人有权获得解释）——「AI 辅助 + 人最终决定」是合规的形态。这一端给全行业的启示（本库《权限感知检索》《企业治理清单》的同款逻辑）：强监管行业的 AI 落地光谱，是由「责任的可分配性」画出的——技术上可行的，不等于责任上可承担的；光谱的边界画在「出事后能否说清楚是谁的责任、依据什么规则」的位置上。
金融 AI 的失败样本：落地光谱上的墓碑
金融 AI 的落地光谱之外，失败样本的教训同样有价值，抽三个公开的形态。形态一：「AI 投顾」的信任坍塌——早期智能投顾的浪潮（算法管理的 ETF 组合）在市场波动期的表现让大量用户流失（算法不改人的人性：跌的时候用户想的是「赎回找真人骂」）——投顾的本质一半是投资、一半是心理陪伴，算法只解决了前者；大模型时代重提这个教训：对话式投顾若不解决「下跌时的情绪陪伴与合规边界」，重蹈覆辙是必然。形态二：模型风险的监管罚单——金融机构因模型问题被罚的案例（模型歧视性影响的公平借贷争议、模型的验证流程缺失）——模型风险管理（本库《金融业》提到的 SR 11-7 式框架）已经从最佳实践变成强制要求，没有模型治理能力的机构，用 AI 反而增大了被罚的概率。形态三：创新产品的合规死亡——试图绕过牌照监管的「AI 理财助手」类产品的下架与整改——本篇正文的「光谱远端」不是技术可以探索的区域，是监管明令的区域。三个墓碑的共同教训：金融 AI 的失败极少死于技术，多数死于「低估了监管的严肃性」与「高估了用户对算法的容忍」——这两个低估，值得每个强监管行业的从业者抄在工位上。
监管科技（RegTech）：金融 AI 的合规出口
金融 AI 落地光谱的每一段，都对应着一个正在生长的产业层：监管科技（RegTech）——用技术解决「合规」本身的成本问题。合规成本的问题背景：金融业对 AI 的合规要求（模型的验证、歧视性审查、可解释性、记录留存——本篇正文的监管约束）使合规成为 AI 落地的最大成本项之一——合规成本既是门槛，也是市场。RegTech 的产品形态：模型风险管理的平台（模型清单、验证流程、留痕审计的一站式——本库《企业治理清单》的模型清单的金融企业版）、公平性检测工具（模型对受保护群体的差异影响测试——本库《模型安全怎么量》的公平性维度产品化）、可解释性的工具（模型决策的解释生成——监管要求「可解释」，产品提供解释）、监管报送的自动化（合规报告的数据聚合与格式生成）。RegTech 的产业逻辑与所有合规生意相同：监管越严，合规成本越高，用技术压低合规成本的生意越好——它是一个「以监管为需求来源」的稳定行业（监管不会消失只会更严——RegTech 的需求有制度性的保障）。对创业者的启示：强监管行业的 AI 落地光谱上，「帮别人合规」的位置，比「直接落地」的位置更稳——当别人在光谱上冲锋时，卖冲锋用的装备，是产业分析能给出的最经典建议之一。
金融 AI 的「人机协作界面」：合规下的产品设计
金融 AI 的「AI 起草、人定稿」分工要落地，需要专门的人机协作界面设计——这是产品层最有价值的空白区。界面的设计原则：分工的显式化（界面上明确标示「AI 生成部分」与「人工确认部分」——审查者一眼看清哪些是 AI 的草稿、哪些是必须人判断的点）；风险的分级提示（AI 对自己不确定的地方标注置信度——「这条数据的提取置信度低，请人工核对原文」——不确定性的显式化让人的注意力分配到刀刃上，本库《模型安全怎么量》的置信度校准在界面的应用）；修正的反馈回流（人工对 AI 草稿的每次修改被记录——修正的 patterns 是改进模型的第一手数据，本库《事故报告》的闭环在编辑部的形态）；责任的界面化（最终签发按钮的操作记录——「谁在何时签发了这份 AI 辅助的文书」——本库《责任分层》的留痕即护身）。人机协作界面的更一般意义：它是一切「AI 起草、人定稿」行业（法律、医疗、金融、媒体）的产品通用件——AI 的输出质量决定了协作的下限，人机界面的设计质量决定了协作的上限；而这个上限，恰恰是当前 AI 产品最被忽视的投入区。
小结
AI 与金融业收成四条：金融业与 AI 的缘分比大模型早十年——风控、反欺诈、运营自动化是已大规模落地的原住民区；中段的活跃区是投研辅助与知识管理——「AI 起草、人定稿」是标准作业程序，AI 不越「建议」的界；远端被共同按住——全自动化投顾、自主交易、全自动信贷决策，边界画在「责任的可分配性」上；金融业给全行业的示范：强监管行业的 AI 落地光谱，由监管框架与责任可承担性共同画出——先看清光谱，再谈渗透。这个行业的每一寸推进都在示范同一件事：AI 落地的上限，从来不是技术能力，是责任结构。
参考资料
- 各国金融监管机构关于 AI 与算法交易的指引（监管光谱的第一手材料）
- 本库前篇：《模型即服务选型》《企业部署 AI 的安全治理清单》《责任分层》
- 反洗钱与模型风险管理的行业规范（SR 11-7 类模型风险监管框架）
读者留言
COMMENTS 暂无还没有留言，来说第一句？