来源：@华夏时报微博
华夏时报记者 冯樱子 北京报道
12月6日，由华夏时报主办，对外经济贸易大学中国金融交易研究中心、华夏时报金融思想荟和华夏时报金融研究院联合提供智力支持的2024（第十八届）华夏机构投资者年会在北京成功举办。本届年会聚焦新质生产力，以“向‘新’而行，探寻发展之‘质’”为主题，汇聚业内享有盛誉的专家、学者及金融机构高管，凝聚共识，贡献智慧，推动行业以“质”致远。
会上，中金公司研究部执行总经理姚泽宇发布《大模型在金融领域价值创造研究报告》并表示，当前AI大模型在金融行业主要应用于业务场景简单的非决策类环节，在支付、信贷、保险、财富管理、资产管理等场景都有应用落地。
科技公司与金融企业在数字金融时代形成竞合关系。未来与金融机构合作开发大模型的服务商，一定程度上将成为整个金融行业新的基础设施，成为新型具有系统重要性的金融基础设施。
AI大模型在金融行业应用于非决策类环节
过去这几年，大模型在金融领域的落地如雨后春笋般出现，英伟达曾调研全球400家大型金融机构，其中超过40%的机构已经在使用大模型，主要用在报告的生成、客户体验、数据生成、自身营销等方面。
大模型的出现给AI与金融的结合提供更大的想象空间。麦肯锡测算认为，AI大模型有望对金融行业每年带来2500亿-4100亿美元的增量价值，约9%——15%的营业利润增量。
整体来说，当前AI大模型在金融行业主要应用于业务场景简单的非决策类环节，在支付、信贷、保险、财富管理、资产管理等场景都有应用落地，主要赋能是对客服务、数据挖掘、业务助手等环节。
但对于金融领域专业能力要求比较高，涉及提供比较强的金融决策建议，需要承担很核心的分析决策环节，大模型依然面临一些约束和挑战。
由于金融服务存在时效性强、精准度高、专业壁垒高等特点，当前大模型在金融领域有专业上的短板，难以理清复杂的金融逻辑，将大模型直接用于相关专业任务时，效果上会低于预期。
目前，大模型应用更多是利用它泛化的能力，赋能基础业务环节和通用场景，例如信息整理、内容生成等。
在提供金融服务方面，大模型已经能够胜任常规的基础金融对话，比如金融资讯、业务办理等，但是在涉及专业度比较高、个性化相对强等复杂业务时，还难以完全胜任。更多需要人工介入，大模型辅助人工来满足对于服务质量和合规的要求。
除了在金融专长有待于进一步提升之外，大模型面临着生成内容不可控等问题。应用大模型进行决策判断的可及性较低。此外，传统判别式AI在金融很多分析决策场景里已经得到了广泛的普及和应用的成熟，例如大模型风控。大模型替代传统判别式AI的意义并不大。
AI大模型推动金融业竞争格局分化
从未来的趋势来说，未来将是大小模型协同、Co-pilot嵌入更多场景、AI Agent重塑展业模式。
虽然大模型存在专业能力的有限、生成结果不可控、算法可解释性较差等阶段性问题，在合规性和适当性方面缺少一定保障，但伴随着技术的进步，它能够带动大模型能力边界提升，以及出现一些新的解决方案来减少大模型的短板。大模型赋能金融行业的空间也能进一步打开。
未来，大模型与小模型将协同互补，赋能更多金融业务场景。其中大模型主要优势在于语义理解、信息归纳、内容生成；小模型（传统判别式AI）主要优势在于输出结果可控、稳定、精确度高。小模型被大模型调用、提升输出内容专业度和精确度
同时伴随大模型能力的增强，Co-pilot的价值创造空间进一步打开，将赋能更多金融场景和业务流程，提升金融从业者服务半径和展业质效，从简单的协助搜集处理呈现信息，逐渐延伸到辅助更多核心分析决策场景，例如生成一些具有一定的业务价值，可供专业人员参考的决策建议。
此外，未来金融机构也可能基于大模型发展AI Agent，进一步简化重塑展业模式。对内，AI Agent理解任务需求、拆解任务环节、统筹调度各方资源；对外，AI Agent升级用户交互体验，提供更加定制化的金融服务。
从赋能空间角度来说，财富管理、资产管理或是大模型在金融行业赋能空间最大的领域，保险、信贷领域存在一定的赋能空间，而对于支付业务的赋能空间相对较小。
具体来看，例如在需求侧，财富管理、资产管理领域，信息不对称程度比较高，决策流程往往更长。大模型通过赋能金融服务的交互，投资者教育的环节，能提升投资者信息搜集、分析能力、金融认知的水平。帮助降低信息不对称，提升投资者决策的质量。
在渠道侧，财富管理和资产管理服务周期比较长，服务频率相对较高，供需双端匹配的效率较低，大模型能够赋能营销获客、客户运营、产品推荐等环节，使渠道侧的展业人员能够更高效提供更加有温度的客户陪伴和更专业的金融服务。
财富管理、资产管理领域分析决策有很多主观判断，产品服务提供的质量本身不确定性比较高。大模型能够赋能专业人员扩大信息搜集半径，提升专业分析决策效率，从而为客户提供相对质量更高的金融产品和服务。
从业务环节来看，大模型在财富管理、资产管理业务的营销获客，客户运营、产品推介，投资投研这四个环节，都有更大的应用空间。
从潜在业务增量来看，目前财富、资管仍然存在用户渗透率相对较低，投资者体验相对较差，投资者回报不理想等问题，大模型能够帮助提升获客的转化率，客户的留存率，客户的满意度等方面。
从应用落地的空间来说，相较于风控、交易、IT这些中后台的支持赋能环节，对于财富管理资管机构来说，他们在营销获客、在客户运营陪伴、产品的推介、投资投研四个环节里，痛点相对更加显著，大模型能解决这些痛点就意味着能创造更多价值和增量。
姚泽宇提到，科技公司难以取代金融机构，两者更多是在数字金融时代形成了竞合关系。同时在规模效应之下，未来与金融机构合作开发大模型的服务商，可能会集中在少数技术领先的科技公司手上，使得这些科技公司、大模型厂商，就像云厂商一样在一定程度上成为整个金融行业新的基础设施，成为新型具有系统重要性的金融基础设施。
姚泽宇表示，之所以说科技公司和持牌机构之间是竞合关系而非简单的替代，主要是因为金融行业强监管属性和高专业壁垒，且对于金融信息的时效性、金融数据质量要求比较高。
未来产业格局，既有“马太效应”的加剧分化，又有“乘数效应”的重新洗牌。头部金融机构的预算相对更足，有更多的业务规模优势，掌握更多主动权，相比之下中小机构有种种方面的劣势，所以头部机构的领先优势会进一步扩大。资金体量、业务体量、金融能力，是相乘的关系，企业必须每一个长板都足够长。
行业应未雨绸缪、加强协作
未来，在加强各方协作方面，姚泽宇提到，头部机构应发挥“头雁作用”，共建共享金融大模型、行业数据库、算力资源池，降低中小机构部署大模型的成本门槛。明确行业数据、算法共享开放标准和激励机制等。
探索分级分类监管方面，基于不同金融场景、业务流程的风险特征，分门别类设定大模型应用的准入标准和监管制度针对向金融机构提供大模型服务的第三方供应商，完善其备案制度、风险评估机制、内控运营要求，未来或可进一步对其设立持牌准入门槛。
同时，发展风控技术，探索调用外部专业数据库等知识增强工具，提升大模型的输出内容精确度、专业度完善大模型内容输出过程中的过滤标准，提升实时风控监测能力积累差异化、高质量金融专业数据库，加大模型调优、反馈阶段投入，提升模型价值对齐程度，防范算法歧视风险发展多样化的算法架构和模型应用，防范算法趋同风险。
此外，完善内部风控制度。金融机构及第三方技术服务商或可针对性地设立完善大模型相关的内部风控及合规管理机制头部机构亦可对外输出风险管理经验及技术解决方案，构建行业自律标准，赋能中小金融机构提升风控水平。
责任编辑：孟俊莲 主编：张志伟
