近期，生成式AI在全球迅猛發展，金融機構期望通過大模型推動業務創新和智能化轉型，但在實際應用中面臨專業性不足、成本高昂、適配難度大等挑戰，效果未達預期。業內人士建議，金融機構需重新審視需求，探索小模型及應用層面的深耕細作。同時，全球金融科技市場競爭激烈，金融機構在數字化轉型中面臨技術、人才、成本等壓力，亟需找到適合自身的發展路徑，實現技術與業務的深度融合。

大模型熱潮下金融機構的現實困境

近年來，生成式AI的出現讓銀行等金融機構積極接入大模型，期望借助其算力和數據處理能力重塑業務流程，實現精準營銷、風險防控、管理優化和產品創新。然而，盡管投入巨大，大模型的實際落地效果卻不盡如人意。

比如，在智能投研領域，大模型雖能快速處理數據，但分析報告缺乏深度和針對性，難以滿足專業投資決策需求。在風險控制方面，大模型對傳統風險識別尚可，但應對新型金融風險時易誤判或漏判。在理賠環節，大模型雖提高了效率，但在處理復雜理賠案件時，因對金融法規和條款理解不精準，易引發客戶投訴。

第一財經記者從業內了解到，部分大中型銀行引入大模型并投入大量人力適配和對接，試運行后，僅在基礎業務場景有微小效率提升，關鍵領域突破少。某股份行金融科技部門人士稱，大模型在智能投研方面的建議與市場表現偏差大，投資收益未達預期；在風險控制方面，對新型金融詐騙識別不足，還會誤判正常業務為風險事件。

“雖然金融機構在金融科技領域投入了大量資源，但目前AI技術對金融機構業務模式的改變尚未實現實質性的突破，主要集中在提升效率和降低成本方面。”中歐國際工商學院經濟學與決策科學教授、中歐AI與管理創新研究中心主任方躍對記者表示，生成式AI雖具潛力，但其在企業級應用層面仍處于早期階段。目前，該技術在金融領域的應用，如智能投研、風險控制、理賠等場景的實際進展較為有限。

究其原因，大模型的通用性與金融機構業務的專業性存在矛盾。大模型基于通用文本數據訓練，缺乏對金融場景的深度學習，難以適配金融機構復雜多樣的業務流程、專業術語和法規政策。中國銀行首席信息官孟茜指出，基礎大模型預訓練中金融知識占比僅約5%，限制了其在金融領域的深度應用。

此外，大模型的高昂成本也成為金融機構的一大挑戰。上海銀行副行長胡德斌指出，從購買、部署到維護、優化，大模型需要耗費大量資金和人力，中小金融機構難以承受，即使接入也難以充分發揮價值。

轉向小模型及應用層面深耕

面對大模型在金融機構應用中的困境，業內人士在接受采訪時表示，金融機構在金融科技領域的探索不應局限于大模型的盲目跟風，而應根據自身實際情況，轉向小模型及應用層面的深耕細作。

方躍指出，金融機構在接入大模型時，往往忽視了自身業務的特殊性和復雜性，期望通過一個通用的大模型解決所有問題，這種“一刀切”的思路顯然是行不通的。相比之下，小模型具有更強的針對性和靈活性，能夠更好地適配金融機構的具體業務場景。

對于不同規模的金融機構，策略的選擇也應有所差異。對于大型金融機構，方躍認為，應避免盲目追求大而全的模型，根據自身的業務重點和優勢領域，開發具有針對性的小模型，同時加強與外部科技企業的合作，共同探索小模型在金融領域的創新應用。

中小型金融機構則更需要找到適合自身的差異化發展路徑。富滇銀行數字金融中心主任趙理明認為，中小銀行無需盲目追隨大型銀行“重模型、全場景”的發展模式。相反，它們應聚焦于“小場景、深融合、快迭代”的策略，從而在競爭中形成非對稱優勢。他還強調，中小銀行應集中資源投入金融專屬模型的微調與優化，利用本地數據進行輕量化垂直調優，致力于打造“小而專”的領域模型。

人才是實現技術與業務深度融合的關鍵。方躍建議，金融機構在招聘人工智能相關人才時，應更注重業務理解和應用能力，而不僅僅是技術背景。西南財經大學教授張曉玫也指出，“人工智能 ”銀行需考慮技術特性與現有業務融合的可行度，這需要大量優質人才進行研判。

除了技術與人才，金融機構還需要關注未來發展的新機遇。方躍還指出，未來可能會涌現出一些全新的應用場景，這些場景在當下還難以描繪出具體形態，但它們極有可能成為金融行業賦能的新方向。金融機構應密切關注市場動態和技術發展趨勢，提前布局，積極探索新的應用場景和業務模式。

AD：

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯系我們修改或刪除，多謝。