2025 年 DeepSeek R1 的发布助推通用模型推理能力跃迁和成本锐减，并实 现模型开源，成为金融机构本地化部署 AI 的行业拐点。当前，AI 应用已在 各类金融机构的核心业务领域以及中后台场景中加速渗透，未来 AI 有望重 构金融业务流程和组织架构，为金融数智化打开新纪元。 从 AI 落地现状来看，目前大部分金融机构的 AI 应用仍在探索和积累阶段， 尚未实现规模化深度应用，尤其在复杂业务场景。尽管如此，考虑到金融行 业数智化转型需求与大模型技术特性高度契合，且模型技术能力的跃迁与 模型部署成本的下降为金融机构探索 AI 应用提供了良好的“孵化器”，我 们认为，实现大模型深度应用将是金融行业发展的必然趋势，目前少量具备 良好技术基础和投入预算的头部大型金融机构已开始探索更深层次的AI业 务赋能。
2.1. 应用阶段：处在探索和积累期，深度应用是必然趋势
目前大部分金融机构的 AI 应用仍在探索和积累阶段。由于技术基础和发展 规划的差异，不同类型和不同体量的金融机构在大模型应用落地的节奏方 面呈现差异化。我们将金融机构 AI 应用分为三个阶段：1）开始探索大模 型应用；2）有一定模型应用能力且有微调数据积累；3）实现大模型深度应 用。 我们认为，目前大部分金融机构的 AI 应用处在前两个阶段，正在进行技术 积累和应用探索，尚未实现规模化深度应用，尤其在复杂业务场景。
大模型在金融领域的深度应用，仍需攻克金融行业属性带来的多重痛点。 在大模型深度落地金融领域的过程中，主要面临的瓶颈有：一是技术适配难 题，AI 模型“幻觉”风险与金融业务对确定性、高精度的需求错位，需“大模 型+小模型”多智能体协作；二是数据支撑瓶颈，金融数据敏感分散、格式不 统一，隐私计算拉高训练成本，数据质量制约模型精度；三是合规监管挑战， AI “黑箱”特性与监管可解释、可追溯要求冲突，缺乏统一标准；四是价值 转化困境，AI 项目投入大、周期长，中小机构资源匮乏，ROI 难达预期； 五是生态协同缺失，跨机构数据确权与标准接口缺失，模型兼容性差。 尽管如此，考虑到金融行业数智化转型需求与大模型技术特性高度契合，且 模型技术能力的跃迁与模型部署成本的下降为金融机构探索AI应用提供了 良好的“孵化器”，我们认为，实现大模型深度应用将是金融行业发展的必 然趋势，目前少量具备良好技术基础和投入预算的头部大型金融机构已开 始探索更深层次的 AI 业务赋能。
2.2. 应用价值：内部降本提效，外部价值挖掘
AI 应用主要从两方面赋能金融机构：内部降本提效+外部价值挖掘。从内 部降本提效来看，AI 应用致力于内部运营管理优化、核心业务流程改善以 及金融机构员工赋能，例如，AI 应用可以提升代码研发效率，实现代码生 成、系统测试、代码审核的自动化；此外，AI 还可以实现数据分析、报告 撰写、运营分析等的自动化，快速生成研报摘要和点评、拜访记录、客户调 查报告等。 从外部价值挖掘来看，AI 则致力于金融机构的营销获客、对客服务等，实 现销售成交和单客价值的提升，例如 AI 可以通过分析客户兴趣偏好 、交 易习惯、产品需求等信息，洞察客户并生成营销创意内容；此外，还可以通 过 AI 挖掘高质量话术，帮助销售在不同情况下给出差异化策略与话术，提 升客户体验与销售转化。
2.3. 应用落地路径：大型机构加强自研，中小机构追求性价比
从 AI 应用的落地路径来看，由于技术基础和运营重点的差异，不同类型的 金融机构在大模型技术部署和应用落地方面呈现差异化的发展路径。大型 金融机构往往依托雄厚的算力储备和强大的自研能力，以大模型私有化部 署的形式实现 AI 应用的深度渗透；而中小机构则多依赖模型轻量化、大模 型一体机等技术形态，实现大模型的灵活接入和应用的敏捷开发。 以银行为例，国有银行多以全栈自研体系为核心，完成千亿级大模型的私有 化部署，并依托国产化算力基础设施构建自主可控的技术架构，将 AI 深度 渗透信贷审批、智能风控、智能客服等核心业务，实现风险评估精准度提升 与审批效率跃升。股份制银行多采用轻量化模型与开源生态，结合云计算实 现敏捷开发，降低部署成本至百万级，重点优化运营流程与精准营销能力， 通过客户行为数据分析提升产品转化率；中小银行则借助开源模型快速微 调，以十万级样本低成本落地智能客服、合同审核等场景。
主流大型银行积极推进自有大模型研发和部署。例如，工商银行建立企业 级千亿金融大模型“工银智涌”，已赋能 20 余个主要业务领域、200 余个场 景。邮储银行依托“邮智”大模型，打造小邮助手、云柜数字员工、信贷大 模型、信息科技大模型等典型场景应用，覆盖远程银行、公司金融、风险防 控、网点金融服务等多领域。交通银行已搭建以国产 GPU 服务器为主的千 卡异构算力集群，构建千亿级金融大模型算法矩阵，部署大小模型场景超 100 个，2024 年全年释放超 1000 人力工作量，在反洗钱反电诈、客户服务、 集中营运等领域发挥积极成效。中信银行依托“仓颉大模型”+“中信大脑” 小模型平台，积极探索 AI 赋能客户营销、管理决策、运营、风控等重点领 域新范式，构建智能服务场景超 1600 个，2025 年上半年，全行依托智能模 型增效超 8600 人年。
与大型金融机构不同，中小金融机构以及金融机构的分支机构可通过大模 型一体机实现 AI 应用的高性价比落地。 根据中国信通院，大模型一体机是一种高度集成的、提供大模型应用能力的 系统，它通常采用私有化部署方式，封装人工智能应用所需要的复杂组件提 供一种简化、高效且安全的部署与运行环境。其核心理念在于对硬件资源、 软件资源、模型资源及垂直领域应用进行深度整合与协同优化，构建一个易 用性高的一站式人工智能解决方案，降低企业或机构部署和应用人工智能 技术的门槛。
我们认为，中小金融机构利用一体机部署大模型具有多方面优势： 首先，一体机可以针对金融机构的特定业务需求提供“开箱即用”的定 制化大模型解决方案，并通过软硬件协同优化提高性能，降低大模型 部署、业务方案建设和调适的门槛。 其次，由于一体机将所有计算资源集中到一台设备上，在大规模数据 训练中可大幅减少数据传输时间，提高计算速度和模型训练效率，使 企业能够更快捷地使用和管理资源。 最后，本地化部署的一体机能最大程度保障数据隐私和模型安全可控， 满足金融机构对数据安全监管的需求。 根据中国信息通信研究院截止 2025 年 10 月的调研数据，在调研的企业中， 有 61.7%的企业推出了应用于金融行业的一体机，越来越多的金融机构开始 应用大模型一体机实现模型的快速启动及微调优化，保障高效可靠的业务 运营管理。
一体机可以针对金融机构的特定业务需求提供“开箱即用”的定制化大模 型解决方案。例如，在投研与风控方面，券商利用大模型一体机实时抓取财 经资讯、公告等数据，自动生成高质量研报，并对投行业务底稿和招股书进 行智能校验，提高投研效率和准确性。在信贷审批与合规审查方面，银行部 署大模型一体机作为智能信贷助手，可以自动提取申请材料关键信息，辅助 进行贷前信用评估与贷后风险预警。在智能客服与财富管理方面，大模型一 体机内置的智能知识问答助手可以让员工快速检索处理产品和业务知识， 并提供多格式文档的对话交互查询，支持内容溯源，显著提升客服响应专业 度。 金融科技企业也在积极发布一体机产品，以助力金融机构部署 AI 应用。例 如，宇信科技发布 DeepSeek 大模型场景一体机，将宇信科技产品体系全面 接入 DeepSeek 模型，重点涵盖信贷、数据、营销渠道等应用领域，支持多 类型客户的业务应用升级、智能化运营维护等多种需求。天阳科技发布的金 融信贷助手训推一体机通过深度融合DeepSeek大模型训练与实时推理能力， 一站式解决全流程信贷业务中的效率提升、风险控制、合规管理等核心痛点。 恒生电子的光子大模型一体机，基于大模型 MaaS 平台实现多模型管理及智 能调度，既满足对于要素提取、内容审核等离线任务场景，又可以满足长文 本理解输出，多轮对话，复杂数据等特定业务生成场景。新致软件推出信创 一体机，为企业提供全面解决方案的集成式平台，一体机预装全栈 AI 工具 链，1 小时完成环境搭建，支持私有化/混合云灵活部署。
大模型正全面渗透至银行业务的前、中、后台，带来前所未有的效率提升与 创新突破。 在银行前台业务中，AI 已渗透至零售业务、公司业务、金市业务等领域， 主要致力于产效提升、服务提质和流程优化；在中台运营方面，AI 已成为 合规风控和运营管理的重要助力；在后台管理方面，AI 既能帮助代码开发 和运维管理人员提升开发效率，也能大幅提升财务管理的自动化水平。此外， AI 在办公管理和数据分析等通用场景亦能带来显著的效率提升和成本下降。
信贷领域：银行信贷业务的核心痛点在于风险与效率的平衡，传统模型依赖 静态指标，难以及时捕捉企业动态经营风险，且人工审批耗时耗力。而大模 型通过多模态数据处理能力，将文本、图像、结构化数据融合分析，实现 360 度客户画像。在对公信贷方面，大模型通过解析企业财报中的隐藏信息，结 合知识图谱识别股东关联关系，可提前预警供应链断裂风险；在个人信贷领 域，大模型通过行为数据分析，可构建新型信用评分体系，拓展服务覆盖面。 信贷风控方面，AI 能够显著提升风险识别效率，并实现动态监控。例如， 工商银行依托 DeepSeek 大模型的逻辑推理能力，创新推出“财务粉饰识别 助手”，该系统深度分析企业现金流、应收款项等关键指标，精准识别各类 财务造假模式，并动态生成风险证据链，赋能审查人员避免向高风险企业放 贷，减少坏账发生，有效防范信贷业务风险。
对客服务：AI 助力智能助手从问答到“陪伴式”服务迭代升级。如招行依 托大模型，焕新“小招”智能服务，一方面推动智能客服向管家式服务升级， 即不止是被动回答用户问题，更是基于智能分析主动探索用户财富管理需 求；另一方面是推动客服向专家式服务升级，将回答从“是什么”进一步向 解释“为什么”与“怎么做”延伸，进一步满足用户财富投顾需求。 银行数据中台：对于大多数银行而言，数据价值的挖掘与应用能力直接关系 到企业的竞争力和持续发展，如何充分利用并挖掘数据资源，实现智能化的 经营管理，是当前亟待解决的重要课题。通过 AI，银行可将分散在法务、 审计、合规、人力、财税等系统的数据进行整合，形成中后台统一数据中台， 支持各业务部门之间的数据共享，并通过智能标签和权限管理，确保数据的 安全可控和最大化利用，打破“信息孤岛”。
风险控制：在银行风险管理领域，AI 独具应用优势和价值。首先，AI 大模 型通过海量数据的学习与特征挖掘，能够快速预测和识别出潜在风险和异 常行为，有效提升风险识别的前瞻性，并通过对风险的规模、影响进行量化 分析，帮助银行准确定位评判不同风险等级。其次，AI 大模型的应用使得 风险监测从“事后报告”转变为“实时监测”，大模型技术借助实时数据流处理 能力，能在交易发生的瞬间完成监测分析，及时识别出潜在风险，有效防止 损失扩大。最后，AI 可以帮助银行将各类风险因素、事件和相关知识进行 关联和整合，形成一个全面的风险知识体系，有助于更好地理解风险全貌， 发现风险之间的潜在联系和传导机制，从而采取更有效的风险管理措施。
代码开发和运维：随着银行业务复杂度的不断提升，银行核心系统的开发往 往面临着交易高频、规则复杂与监管严格等难题，传统人工开发模式效率低、 容错成本高。借助 AI，可重构银行系统开发流程，实现从代码生成到质量 管控的全生命周期赋能。 面向银行软件开发场景，神州信息推出金融代码智能辅助平台 CodeMaster， 并接入了 DeepSeek-R1 满血版开源模型。CodeMaster 基于银行场景的代码 库模型微调，能够实现金融场景化代码智能生成，并支持 Java/Python/Js 等 主流语言。该平台依托 RAG 技术，通过 DeepSeek-R1 持续智能思考与反复 推敲，能够根据输入的业务需求生成经过多轮迭代优化、高质量的代码；此 外还可完成智能单元测试生成和智能代码补全与审查。
2023 年至今，开展大模型探索的券商数量和券商的大模型采纳率均在倍速 攀升。根据沙丘智库调研数据，2023 年共计有 19 家证券公司开展大模型探 索，主要为头部券商，2024 年扩展至 37 家，2025 年 H1 进一步增加至 67 家，并且大模型的探索已从头部券商逐渐延伸至中小券商。
从潜在应用场景来看，AI 应用可进入券商前中后台各场景，解决业务痛点， 包括前台投研、投顾、交易、投行、营销、客服等核心业务场景，以及中后 台合规风控、运营管理、经营分析、IT 开发运维等业务辅助场景。 例如，在投顾场景，AI 可实现精准分析客户、一键创作内容、自助投顾服 务，提升投顾服务的个性化和专业化水平。在投研场景，大模型可自动抓取 整合研报、公告等信息，快速提炼关键数据和观点，辅助生成研究报告，显 著提升投研效率。在交易业务中，大模型通过自动化数据处理、智能策略生 成、实时风险监测与交易指令解析显著提升交易决策效率与精准度。 在经营分析场景，大模型通过自动整合多源数据、智能提取关键指标、动态 生成分析报告，显著提升数据处理效率和分析深度，并支持自然语言问数， 降低业务人员用数门槛，及时洞察经营状况。在合规风控场景，大模型能够 自动解析法规条文、智能识别交易异常、实时监测风险事件、自动生成合规 报告，有效提升合规检查覆盖率和风险识别精准度，降低人工成本。 从应用趋势来看，根据沙丘智库调研，券商的 AI 应用主要呈现两大趋势： 应用场景从中后台逐步延伸至前台业务，实现从赋能型向变革型应用 的升级：在 2023 年大模型探索初期，券商大多将大模型应用于中后台 业务，以实现对内展业和办公效率的提升；从 2024 年开始，头部券商 的 AI 应用开始向更多前台服务领域延伸，典型如投研助手、投顾助手、 智能客服等，这些应用多为变革型，有望推动组织变革、流程创新； 服务对象从内部员工逐步扩展至外部客户：从 2025 年开始，证券行业 已有少量大模型应用开始面客，目前正在普及和推广阶段。
AI+投顾：券商 AI 落地的核心场景之一。在智能投顾领域，越来越多的券 商开始提升“AI 含量”，多家券商均已落地 AI 投顾服务，并实现了对客 APP 的 AI 化升级。2025 年 7 月，国泰海通证券推出新一代全 AI 智能 APP—— “国泰海通灵犀”，该 APP 聚焦 AI 技术对客户投资旅程的深度赋能，创新打 造“对话、直播、盯盘”三大智能服务界面，适配用户操作习惯支持经典版屏 一键切换，突破性实现四屏无缝衔接，打造全流程智能投资服务体验。东方 财富作为互联网券商的代表，基于自主研发的“妙想”大模型，深度整合了行 情、公告、研报、舆情等全量金融数据，并构建全品类数据的知识图谱和研 究生态。 中小券商也在逐步跟进，例如江海证券 2025年8 月正式上线“组合家”APP， 定位主动管理型主题投资的在线证券经纪和财富管理平台，APP 内置的 AI 主题引擎可 7×24 扫描全网新闻、研报、政策及社交舆情，自动识别并聚类 新兴主题，智能选股工具“看主题”和“金牌研选”则帮助用户快速筛选优质标 的并进行组合配置，支持“一键跟投”和持仓诊断。
AI+投研应用潜力巨大。目前，全球顶级的资产管理公司，如贝莱德、JP 摩 根、摩根斯坦利、高盛和富达等，均已在投资研究、策略构建、组合管理、 等多个领域积极探索并落地 AI 应用。例如全球最大的资产管理公司贝莱德 已于 2025 年开发出一款名为“Asimov”的 AI 研究平台，并已在股票基本面 部门投入使用，Asimov 就像一个“虚拟投资分析师”，可以不间断地工作， 它能够审查研究报告、公司文件和电子邮件等海量信息，从而生成有助于投 资组合构建的投资建议。
国内券商和资管机构同样在积极跟进 AI 投研的落地应用。例如，东方财富 发布妙想投研助理，为整体投研效率和质量带来突破性提升，包含妙想问答、 研报总结、文档翻译、会议纪要、AI 研究员等多种功能。中金点睛投研大 模型结合自身研究能力，7*24 小时陪伴投资者开展在宏观经济、市场策略、 固定收益、大宗商品、行业主题、公司个股等各领域的投研工作，助力投资 者把握市场动态，挖掘投资机会。
AI+投行提效显著。投行业务高度依赖人力审核招股书、尽调报告等文件， 耗时长且易透漏隐蔽错误，跨部门协作流程复杂，项目周期动辄数月。而大 模型能够辅助撰写投行底稿和申报材料，显著提升材料准备效率；同时，大 模型可对文本内容进行语义理解和逻辑推理，自动识别合规风险点和潜在 法律问题，降低人工审核成本与风险。 例如，恒生电子面向券商投行业务打造了金融智能投行助手“汇投”， 通过 智能问答、核查、生成等功能为投行业务提供全方位的智能支持。智能问答 模块针对投行写作中对数据素材的需求，精心设计基于内外规、招股书、问 询函和个人知识的智能问答助手，能处理海量数据，包括上万份投行底稿、 招股书及法规，且数据每日一更，保证法规的有效性和及时性。智能审核功 能能够对复杂的招股书和海量的底稿材料进行快速精准的要素抽取和比对 审核，单份 300 页的招股书审核时间可大幅缩短至 30 分钟，相比传统人工 核查效率提升高达 95%以上。智能生成功能可根据指定的模版，结合用户 本地投行数据，快速生成分多部门、几十份的 PPT 材料，自动生成图表、 进行财务数据的勾稽计算，用户仅需提供本地数据和和模版即可生成复杂 图表。
AI 应用助力保险机构在负债端和投资端全流程实现降本增效。负债端覆盖 产品设计、渠道营销、承保核保、理赔等各关键环节，借由 AI 技术优化流 程、精准服务；投资端则围绕资产配置、投后管理等全链条，以数据处理与 智能模型辅助决策、管控风险。
在关键的营销、核保和理赔等环节，AI 应用的价值凸显。 在营销环节，AI 应用正从单点工具转向覆盖获客、需求分析、产品推荐到 销售促成的全流程智能体系，其核心价值在于推动销售模式从传统的“产品 推销”向基于客户需求的“全生命周期风险管理解决方案”转型。例如，阳光 人寿自主研发的“客户家庭保障需求建议系统”，依托动态数据分析能力，实 时捕捉客户需求变化，精准识别客户全生命周期各阶段的个性化保障缺口， 助力销售团队深度洞察客户需求，推动销售队伍从“产品导向”向“客户需求 导向”转型。
在获客阶段，AI 技术可以利用智能生成内容进行精准营销，通过分析客户 需求实现个性化产品推荐，使得保险产品的营销更加精准，提高转化率，同 时提升客户的购买体验。例如，泰康银保推出的智能问答机器人“泰小保”， 在产品对比上，能快速对不同保险产品进行多维度剖析，为客户提供适配的 产品建议；在产品亮点总结方面，能精准提炼核心优势，助力更具针对性的 营销推广；在客户保障方案设计环节，能结合客户个性化需求，生成定制化 保障计划，全方位防护客户风险，此外，“泰小保”还会为理财经理提供多 样化营销话术，提升销售转化率。
在承保核保环节，AI 应用助力保险机构在投保申请、资料收集、风险评估、 规则匹配、决策制定、合规审核等各环节节点实现流程自动化，显著提升运 营效率的同时，强化风险控制。通过 OCR 识别、机器学习等技术对标准化 核保案例实现AI全自动实时决策，针对复杂案例，则可采用人机协同模式， 由核保员结合专业经验提供合规且灵活的核保决策，从而大幅优化客户体 验。
在理赔场景，AI 已实现从报案、查勘、定损到核赔、支付的全流程赋能， 通过多模态识别、知识图谱、联邦学习等技术，提升理赔效率、降低运营成 本并优化客户体验。 例如，人保科技依托自研多模态大模型技术，打造了覆盖图像质检、预处理、 分类与结构化信息提取于一体的“AI+理赔”票据全流程处理能力体系，2025 年以来相关功能使用已突破一亿次，理赔票据处理时效显著缩短，票据信息 提取准确度显著提高。平安产险基于多模态大模型和 3D 增强现实等技术， 打造车险理赔数字员工，实现理赔查勘自动化覆盖率超 40%，为客户打造 极致理赔服务体验。
支付行业已成为 AI 技术落地的前沿阵地，落地场景主要有两大方向，一是 对支付机构进行内部赋能，实现合规风控、商户审核、运营、客服等场景的 智能化升级和效率跃迁；二是面向经营商户，多以 AI 智能化经营助手的形 式，在营销、导流、经营等各方面赋能商户。
对内，AI 可助力支付机构实现高效智能风控与商户审核，显著降低运营成 本。 在智能风控领域，AI 可通过交易实时风险评分、反洗钱识别、人机智能验 证平台、生物识别能力等多维度风险识别及验证场景，有效降低用户支付过 程中的交易风险。在防欺诈方面，AI 通过深度学习和行为分析，能够在交 易发生之前预测并识别潜在的欺诈行为。例如，AI 可以通过分析用户的历 史交易模式、地理位置、交易金额等数据，自动评估交易的风险，及时拦截 可疑交易。与传统的规则驱动型防欺诈系统相比，AI 能够通过自我学习不 断优化识别算法，从而更高效、更精准地防范各类金融欺诈行为。 传统的商户审核面临繁琐的资质审核流程，并且高度依赖人工进行信息录 入和审查，不仅需耗费大量人力，还容易产生手工录入信息误差等问题。在 AI 助力下，支付机构可显著提升商户审核效率，降低运营成本。在商户入 网关键环节，AI 可通过商户经营场景识别模型，精准提取商户提交的审核 资料中的关键图文信息，结合审核标准智能分级能力匹配不同商户类型的 审核要求，同时能自动拦截修图、翻拍等违规图片，既大幅提升审核时效、 减轻人工负担、提高审核合规性与准确性，更显著优化商户入网体验。 例如腾讯金融云推出的基于大模型的智能门头照识别系统，支持商户门头 照、店内照、经营场景、自助设备等 10 大类、近 30 小类场景照片分类，门 头照识别准确率已经可达到 90%以上，在商户入驻审核过程被支付公司广 泛应用。海科融通将 AI 大模型能力植入商户审核系统中，将用户资质核验 流程压缩至秒级，AI 审核错误率目前已经远低于人工审核，大幅度降低人 工成本，实现商户审核流程的智能化升级。
对外，AI 可助力商户智能化经营，显著提升支付服务价值量。 在赋能商户方面，大模型可依托在自然语言处理、多维数据分析和智能决策 支持方面的优势，降低商户智能化经营的门槛，商户可以通过文字或语音进 行数据交互，让经营洞察更系统化，辅助精准决策。例如，1）辅助商业决 策：AI 可为商户提供基于支付数据的分析报告，如销售趋势预测、客户群 体画像、库存优化建议等，帮助商户做出更明智的商业决策。2）动态定价 与优惠：基于实时市场需求、竞争对手价格和用户画像，AI 可以辅助商户 进行动态定价和个性化优惠券发放，最大化利润和销量。 面向商户，新大陆子公司国通星驿依托星驿支付专属大模型，自研星驿智能 体开发平台 LLMOps，成功开发小驿秒哒、AI 生意有数、AI 营销助手等智 能体。其中，小驿秒哒可实时解决商户的经营难题，依托 RAG 技术实现毫 秒级在线应答，能准确理解商户关于支付流程、交易查询等各类提问，显著 缩短咨询等待时长；AI 生意有数化身“超级数据分析师”，支持商户通过自然语言对话获得海量业务数据，并以可视化结果呈现，助力商户快速把握经 营趋势、提升决策效率；AI 营销助手打造全能数字营销解决方案，从营销 文案创作、创意海报快速生成，到爆款视频高效产出、千行百业定制化营销 方案一键生成，再到数字人主播带货视频定制，降低商户营销门槛与成本。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
