AI 资讯 知识库 智能体生态观察智能体生态观察 · 第 77 篇|金融场景的智能体:投研、风控与合规审查的三重门

智能体生态观察 · 第 77 篇|金融场景的智能体:投研、风控与合规审查的三重门

银行金库要两把钥匙才能打开,任何单独一个人都不行——金融业对「谁执行、谁授权」的谨慎是刻进制度里的本能。智能体带着速度优势冲进这个行业,却发现每扇门后都站着一位要求解释的审查者。金融是最愿意为智能体付费的行业,也是最难让智能体拍板的行业,三重门决定了它能走到哪一步。

手绘信息图:金融智能体的三重门——投研、风控、合规审查依次设卡,每门标注自动化程度与人工卡点,监管红线贯穿

三重门的任务画像

第一道门是投研。投研的日常是信息苦役:读公告、追研报、盯新闻、整理另类数据,智能体在这里的自动化空间最大——聚合、摘要、归因线索、监控告警都是机器的长项。已落地的形态包括卖方研究的初稿辅助、买方的持仓相关事件监控、按预设条件生成的晨报与周报。摩根士丹利把自家研究库接入顾问助手、摩根大通给员工配内部大模型平台,都是信息层先行的例子(截至 2026-11 均已规模化运行)。人工卡点在链条末端:投资判断本身。研报可以由智能体起草,签字与仓位决定不会交出去——错了要有人担责的制度现实,决定了这最后一公里始终是人。

第二道门是风控。这里有个常被忽略的事实:机器学习进入金融风控比大模型早了十年——反欺诈的异常检测、信用评分的特征模型早已是行业标配。大模型的增量不在「发现异常」,而在解释与流转:把风控引擎打出的分数翻译成调查员能用的案情摘要、辅助案件调查的信息收集、把监管口径的报告初稿准备好。人工卡点在对客户有实质影响的动作:拒贷、限额、冻结账户,这些动作要求可申诉、可解释、可复核——智能体可以把材料备齐,按钮不会是它按的。

第三道门是合规审查。合规是文档密集型工作:法规检索、营销材料审查、合同条款比对、内控检查,恰好落在语言模型的舒适区。这一门的自动化进展其实最快,因为产出是「意见与标注」而非「决定」,出错的代价是返工而不是损失。人工卡点在意见的效力:合规意见要有人签发,智能体的角色是把签发人面前的待审材料先过一遍预筛,把依据条款标注到段落级,让签发人把时间花在判断而不是翻页。

三道门也解释了金融为何是最愿意付费的行业:这里的信息密度、人力单价与错误代价都处在全行业最高的区间——一位资深分析师的时间贵到以万元计,一次合规失误的罚单可以写进年报。凡是能把「贵的人从苦役里解放出来」的工具,金融愿意第一个出钱;凡是可能让「错误被自动化放大」的环节,金融愿意最后一个放权。付费意愿与放权谨慎,是同一个风险偏好的两面。

三重门共享同一个结构:智能体包揽信息苦役,人类把守决定与签章;差别只在各门的信息密度与错误代价不同。

可解释性硬约束:黑箱为什么在这里行不通

金融监管对自动化的要求可以压缩成一句话:决策必须可解释,过程必须可审计。落到条款上各法域殊途同归:信贷拒绝必须向申请人告知理由,美国有成文的 adverse action notice 要求;欧盟《人工智能法案》把信用评分类应用列入高风险清单,附加治理与文档义务;中国的算法备案与互联网金融监管同样要求可追溯。覆盖面最广的还有一个行业框架:美联储的模型风险管理指引(SR 11-7)要求模型有文档、有独立验证、有持续监控——生成式模型进入金融流程,同样被套进这套框架。对大型金融机构来说,这不是参考建议而是部署门槛:过不了模型验证,功能再好也上不了生产。

模型黑箱与监管要求之间,工程上有三类妥协。第一类是分工:把可解释性要求最高的最终评分环节留给可解释模型——评分卡、线性模型、树模型——智能体只做信息准备与解释生成,黑箱不碰决定、只碰材料。第二类是依据链:为智能体的每条输出附上引用来源与推理摘要,审计时可以重放「结论是怎么来的」。第三类是人读解释:把模型内部信号翻译成监管与客户都读得懂的语言——翻译本身可以由智能体完成,但翻译质量要抽检验证,因为解释错了比不解释更危险。

审计留痕在金融场景有独立的严格度。普通的操作日志不够,金融审计要的是决策链:当时用了哪些信息、哪个版本的政策文件、哪个版本的模型、谁复核过、依据哪一条款。这些字段要在系统设计时就埋进去——事后补记的留痕,在审计眼里等于没有留痕。

解释还要分层。对内调试与对外监管需要的是两种解释:工程师要的是「模型为什么这么答」——检索命中的段落、置信度信号、被排除的候选;监管与客户要的是「依据是什么」——条款编号、数据出处、复核人。两类解释的受众、深度与措辞完全不同,工程上应分成两条管线分别生成与校验,而不是把调试日志直接倒给监管——后者既看不懂也不满意,还容易暴露不该暴露的内部信息。

场景 自动化程度 人工卡点 监管要求
投研信息聚合 高 投资判断与签发 信息来源可溯源
研报初稿生成 中高 分析师署名 对外材料合规审查
反欺诈识别 高 账户处置动作 可解释、可申诉
信贷审批辅助 中 拒贷通知与理由 理由告知、高风险治理
合规审查预筛 中高 意见签发 全程留痕可审计

可解释性不是金融智能体的加分项,而是准入项——黑箱可以进厨房备菜,不能进签字桌。

工程实践:引用纪律、复核闸门与降级预案

引用纪律是金融场景检索增强的第一戒律。投研与合规材料的最大风险不是检索不到,而是模型自由发挥:编一个不存在的数字、把两条公告的日期嫁接、给结论配一条似是而非的依据。工程做法是硬约束——生成时强制携带引用,没有来源支撑的句子标灰或拒绝输出,数字类事实必须与底稿核对后才允许出现在成稿。数字幻觉在金融场景危险等级最高:一个编造的财务指标混进研报,后果不是尴尬而是事故。引用纪律的落地粒度要细到三个位置:句级引用(每句结论可点回原文)、表格核对(数字类内容逐格与底稿比对)、版本对齐(引用的是生效版本的文件,而不是被修订前的旧版)。三处粒度分别对应幻觉的三条进入路径,少守一处,幻觉就从那里渗进来。

人工复核闸门的设计要点是分级,而不是一刀切全部转人工——那样智能体的效率红利就被签发环节吃光了。合理的分级依据是两个维度的组合:输出影响面(内部参考、对外材料、客户可见、监管提交)与错误可逆性(可撤回、不可逆)。内部摘要可以直发,对外材料必须过人,硬性动作永远人工;再配合抽样质检,守住「直发」档的质量下限。

ROUTE = {  # 复核闸门:按影响面与可逆性分级放行
    ("internal", "reversible"): "auto",         # 内部参考且可撤回:直发
    ("external", "reversible"): "human_sign",   # 对外材料:必须签发
    ("client", "any"): "human_sign",            # 客户可见:必须签发
    ("any", "irreversible"): "human_only",      # 不可逆动作:人按按钮
}

def route(material) -> str:
    for (aud, rev), action in ROUTE.items():
        aud_ok = aud in ("any", material.audience)
        rev_ok = rev in ("any", material.reversibility)
        if aud_ok and rev_ok:
            return action
    return "human_only"  # 兜底:分类不明的从严处理

模型降级预案是金融机构特有的必修课。上游模型接口波动、质量回退、供应商变更,在别的行业是稍后再试,在金融是业务连续性问题。预案通常分三层:优先走缓存与已审核模板;其次降级到规则引擎与检索直出——不做生成,只做检索与排序;最坏情况暂停生成类功能,保留只读检索。预案要在演练里验证过才算数,写在文档里没跑过的降级预案,出事那天只会变成事故报告里的一条原因。

flowchart TD
  A["金融任务进入"] --> B["门一 投研:聚合、摘要、监控告警"]
  A --> C["门二 风控:信号计算与案情摘要"]
  A --> D["门三 合规:法规检索与材料预筛"]
  B --> B2["人工卡点:判断与署名"]
  C --> C2["人工卡点:处置动作"]
  D --> D2["人工卡点:意见签发"]
  B2 --> E["决策链留痕:依据、版本、复核人"]
  C2 --> E
  D2 --> E

引用保真实、闸门保责任、预案保连续——三件套合起来,才够得上金融场景「严肃房间」的入场条件。

生态观察:买方卖方的差异与沙盒里的试探

采纳节奏在买方与卖方之间明显分化。卖方机构(投行研究与经纪)的产出就是文档,生成式工具直接缩短生产链条,采纳最快;财富管理条线用智能体整理会议纪要、准备客户材料,属于低风险高感知的切入点。买方机构(资管、对冲基金)对投研核心工具最谨慎:alpha 相关工具既有保密顾虑又有同质化担忧——大家都在用的信号就不再是信号。因此买方的落地多从内部效率开始:数据清洗、会议纪要、代码辅助;投研核心的智能化推进缓慢而安静,进展不写新闻稿。买方还有一层特殊顾虑是研究合规:对外的研究产出有严格的审查负担,智能体反而先在这里找到用武之地——审查前的预筛与依据标注,把合规团队从翻页劳动里解放出来。

大型机构与中小机构的路径也在分叉。头部银行选择自建平台:统一底座、统一审计接口,各业务线在平台上搭应用——摩根大通的内部平台模式是代表,控制力与合规一致性优先。中小机构没有自建资源,采购垂直产品(合规科技、投研工具)是现实选择,也因此更依赖供应商自身的合规水位。监管沙盒提供了第三条路径:英国、新加坡、香港等法域的金融沙盒允许在限定范围内试点 AI 应用,用小规模真实业务换取监管与技术的双向学习——从公开披露看,沙盒与试点里跑得多的是客服、反欺诈与文档处理,直接触碰投资决策的案例仍然罕见,这个分布本身就是行业对「哪扇门先开」的集体回答。

还有一个安静的结构变化在人才侧:银行风控与合规部门出现「模型验证」专职岗,从传统量化模型验证延伸出大模型专项;投研岗位的新技能单上多了检索质量调优与提示词管理。岗位没有消失,但岗位说明书在重写——金融业用最典型的方式消化新技术:不是裁员,是改技能要求。

买方谨慎、卖方积极、大机构自建、小机构采购、沙盒先行——金融智能体的生态版图由监管约束与信任结构共同画出。

小结

金融智能体的产品形态是副驾驶:投研门里做信息苦役,风控门里做解释与流转,合规门里做预筛与标注,每一道门的签字权都留在人手里。可解释性是准入项而非加分项,引用纪律、分级闸门与降级预案是把约束落地的工程三件套。主驾驶座短期不会让渡——这不是技术保守,是责任制度与概率性模型的根本冲突;而金融业成熟的制度,恰恰是它敢于大规模采购的前提。

读者留言

COMMENTS 暂无
仅本站原创文章开放留言 · 请勿留下手机号、邮箱等个人信息

还没有留言,来说第一句?