从问答到决策：金融大模型落地的六层路径深度拆解 • halo 的技术博客

2026年世界人工智能大会（WAIC）上，奇富科技首席AI科学家杨青的一番话让我深有共鸣：“金融AI的下一阶段，不是让大模型停留在问答、写作和单点提效，而是让AI逐层进入金融生产系统。“这句话精准概括了当下金融AI落地的核心命题——从”能说”到”能做”，中间差了整整六层体系化工程。

金融大模型六层路径架构图

金融行业为什么是大模型的终极考场？#

先看一组数据：据2026年银行业大模型应用调研报告，53.5%的银行已上线大模型应用，同比跃升14.5个百分点；工商银行”工银智涌”覆盖场景已超500个，AI数字员工等效产能达到5.5万人/年。这些数字背后，是金融行业对大模型前所未有的投入。

但金融行业也是最”挑剔”的用户。这里没有容错空间——一个错误的信贷决策意味着真金白银的损失，一次风控漏洞可能导致监管处罚。正如杨青指出的，大模型落地金融”不可能从问答一步跳到核心决策”。这需要一条可以逐层验证、逐层信任的路径。

这是最基础、也是目前落地最广泛的一层。运营、合规、分析等岗位正在形成”Prompt + 初稿生成 + 专家复核”的新工作范式。这不是简单的”用AI写报告”，而是将大模型嵌入知识工作流，让人类从事务性重复中解放出来，聚焦判断与决策。

招行智能客服日均对话量已超100万次，问题解决准确率达95%以上。虽然这只是第一层，但它为上层应用建立了信任基础。

金融行业的数据不是缺，而是”太杂”——证件、合同、流水、报告、对话录音、视频面签……这些非结构化数据里藏着大量风控信号，但传统技术很难高效提取。

大模型的阅读理解能力在这里展现出了真正的业务价值。将一份50页的贷款申请材料中的关键变量自动抽取为”可解释、可入模、可评测”的结构化字段，这是过去需要人工数小时的工作。

这一层开始触及金融的核心——风控模型。传统风控依赖逻辑回归、XGBoost等结构化模型，而大模型可以参与分类、排序和风险表征学习，增强风控模型的非线性表达能力。

蚂蚁数科Agentar平台的案例显示，整合1.2万维征信特征与迁移学习算法后，某银行的KS值从0.267提升至0.6148——这是一个巨大的风控能力跃升。KS值越高，模型区分好坏客户的能力越强。

关键不在于AI能做多少，而在于人机交互的”可控性”。金融场景中，每一次交互都需要可留痕、可质检、可迭代。这不是消费级Chatbot的逻辑，而是需要完整的合规框架。

把专家经验和业务流程沉淀为可复用、可审计的能力资产。这一层将”人教AI”升级为”AI学会人的工作方式”，让经验不再依赖于个别专家的大脑。

这是最激动人心也最具挑战的一层。大模型作为规划中枢，在合规、风险和权限边界内调用模型、规则、Skill与业务系统，形成完整、一致、可审核的决策服务。

金融AI风控决策架构图

为什么必须分六层？核心在于信任的递进构建。

第一层和第二层不涉及核心决策，风险可控，容错成本低。通过这些低风险层次的落地验证，金融机构逐步建立对大模型能力的信任，才可能将AI推向更核心的业务环节。

这其实是一个”以战养信”的过程——每完成一层的稳定运行，就获得一张通向下一层的门票。

作为关注量化投资领域的人，这六层路径给我们的启示是清晰的：不要只盯着模型层，要关注系统层。

量化投资从信号生成、组合优化、到交易执行、风控监控，每个环节都涉及大模型的潜在应用。但落地顺序至关重要——应该先在”数据理解”和”信号增强”层验证效果，再逐步向”策略决策”和”自动执行”层推进。

那些试图一步到位用大模型替代基金经理的做法，大概率会在监管、合规和风控三个维度同时撞墙。

2026年是大模型从”能力展示”走向”生产力验证”的关键年。金融大模型的六层路径提供了一个清晰的落地参考框架——不追求一步到位，不追求颠覆式替代，而是像攀登者一样，在每一层建立好营地，再向更高处前进。

这条路很长，但方向是对的。

本文基于奇富科技在WAIC 2026提出的”金融大模型六层路径”框架，结合行业最新数据撰写。数据和案例来源包括2026年银行业大模型应用调研报告、蚂蚁数科Agentar平台实践等。