银行做智能体不是加功能，华为想让智能体能上岗干活

结论很直接：金融智能体卡住的不是模型能力，而是能不能像员工一样稳定上岗。华为拉上金标院和九家银行写的《金融九问》，开篇就点题：AI 正从“辅助业务”走向“AI 参与生产”，建立重点也从场景创新转向战略、工程、平台、算力、安全的整套能力。

报告给的标准是“六可”——可解释、可度量、可规模、可治理、可持续、可进化，落点是让智能体身份可管理、数据访问可控制、任务过程可观测。

原型和生产的差别不在参数规模，在于有没有一套把不确定性关进笼子的运行准则。

下面按战略、架构、准则、矩阵、案例、工程、安全、算力、价值度量九块拆开说。

图源：《2026金融九问生产级智能体规模化落地行动指》（第1页） · 原文

一、监管给了四条底线，合规是其中第一条

报告把近年金融 AI 政策要求归纳成四层：依法合规、集约高效、安全发展、普惠公平。

依法合规要求“设计即合规”。AI 不能只在外层接受合规审查，得把法规内嵌到架构里：采集环节自动做隐私检查，训练阶段内置脱敏机制，输出链路挂上监管规则引擎。

集约高效强调不追“大而全”，每个 AI 项目都要有明确的业务价值衡量标准和投入产出闭环，避免重复建设和数据孤岛。

这类报告的原文件，运营动脉（www.yydm.cn）收得比较全，按行业分好了类，翻起来不费劲。

想核一个具体数字，或者补一张原图，直接搜报告名就能定位到相应的那一页。

安全发展要求上线前就完成应急演练；普惠公平则要用模型公平性审计、偏差检测，防止算法黑箱在信贷审批里造成隐性歧视。

四层里合规是基础、集约是路径、安全是底线、普惠是红线。报告由此把命题升级为“负责任的 Agentic AI”。

合规不是上线前补的一次性手续，而是要写进系统架构里的常驻条件。

图源：《2026金融九问生产级智能体规模化落地行动指》（第3页） · 原文

二、战略上银行要换位置：从资金中介到智能服务商

报告认为全球主流银行已把 Agentic AI 提到核心战略层面。它给的定义是：以具备自主感知、规划、决策、执行、协作能力的智能体，在银行业务全流程实现高度自动化、目标导向与闭环运营。

竞争要素随之从网点数量和资金规模，转向数据主权、智能体编排能力、治理信任与敏捷运营。报告引用摩根大通、星展、澳大利亚联邦银行高管的判断，认为未来三到五年 Agentic AI 会成为银行业竞争力的核心载体。

它给了三个具体预期：传统银行运营成本占总成本 60% 至 70%，端到端自动化可显著压缩；服务从“80% 投入服务 20% 重点用户”转向超个性化覆盖全部用户；组织形态出现“1 人 1 团队、1 岗 1 助手”。

业务模式上也有三处升级：获客从“人找客户”变成 7×24 小时陪伴；风控从贷后定期人工核查变成持续监控和自适应处置；收入从存贷利差扩展到供应链等综合服务。

这些变化的共同方向，是把银行从被动响应的资金中介，推向主动组织服务的智能平台，架构、组织、考核都得跟着动。

图源：《2026金融九问生产级智能体规模化落地行动指》（第4页） · 原文

三、架构上新增一层：确定性底座加可控智能体

传统银行架构以确定性为基础，流程、规则、异常处理都能预先定义。大模型是概率性的，同样输入可能给出不同输出，行为难以穷举测试。

报告的处理办法不是替换，而是在 4A 架构上做加法：核心交易、账务、支付清算、监管报送这些确定性系统继续当地基。

地基之上加一层可控智能体，负责感知、理解、规划、调用工具。流程边界、权限控制、人工确认和结果校验四项，把这个不确定性限制在可接受范围内。

四类架构各管一段：业务流程重塑归业务架构，运行时平台和存量系统集成归应用架构，数据与知识体系归信息架构，AI 平台、模型、算力和安全归技术架构。

跑起来的链路是：触发信号、意图理解、任务规划、数据知识获取、工具调用、存量系统执行、结果返回与人工确认。

智能体不许碰账本，只负责想和调；账本继续交给确定性系统，这条边界划得很清楚。

图源：《2026金融九问生产级智能体规模化落地行动指》（第5页） · 原文

四、“六可”是准入门槛，不是口号

报告用“六可”回答一个问题：什么样的智能体算生产级。第一条可解释要求推理过程可视化、输出依据可锚定、错误节点可定位。

它举的例子是信贷审批：审批意见要逐项关联征信、收入证明和监管政策，每个风险评分都对应可核查的计算规则，把黑箱决策变成白盒证据链。

可度量要求围绕效率、成本、质量、风险四个维度建指标，做到上线有目标、运行有监测、效果可核算。

可规模靠“组件复用加模板适配”双轮。报告提到某机构在反欺诈场景沉淀标准化框架后，快速复制到反洗钱、交易监控、账户异常检测，实现“建设一个、带动一批”。

可治理要把治理内嵌到身份、权限、行为、数据、内容、任务、执行七个维度；可持续要管住算力成本和能力演进；可进化要求员工同步转型为训练师、审核者和调度者。

六条里最容易被跳过的是可进化，而它决定了智能体会不会越用越贵、越用越没人会用。

图源：《2026金融九问生产级智能体规模化落地行动指》（第6页） · 原文

五、智能体矩阵：一个分身、N 个岗位、两个超级入口

业务价值出口被设计成三层矩阵：1 个员工数字分身做统一入口，N 个岗位智能体嵌进业务环节，2 个超级智能体覆盖全局管理与客户服务。

员工数字分身追求“一人一分身”，同步岗位身份、权限范围、工作上下文和历史行为，先解决多入口带来的体验割裂。

岗位智能体是核心。前台有客户经理、大堂经理，中台有信贷审查、反洗钱监测、风险审批，后台有财务核算、人力运营、合规审核，一个岗位对应一个或多智能体。

超级智能体分对内对外两类。对内整合经营数据、风险指标、业务进度，做管理决策和运营调度；对外整合产品、服务、渠道，以“金融助理”的统一形象面向客户。

报告特别强调一条安全设计：对客入口绝不直接暴露员工个人分身，只调用脱敏后的岗位能力。

矩阵的价值不在数量，在于同一个能力既能被个人唤起，也能被超级入口统一调度。

图源：《2026金融九问生产级智能体规模化落地行动指》（第7页） · 原文

六、案例里的实数：外呼转化提升三成，影像识别 92%

报告收录了七家银行的实践，数字给得比较实，可以当参照系看。某行的智能外呼方案已在存款、理财、个贷落地：营销转化率较人工外呼提升约 30%，语义理解准确率达 98% 以上，意图识别率 90% 以上，合规率 99.9%，端到端时延压到 1.5 秒以内。

广发银行零售信贷做“1+3+2”体系，即 1 个专家知识库、3 个岗位智能体、2 个能力智能体，影像智能体识别准确率 92%，进件一次性通过率提升。

交通银行手机银行用小鹿助手做主从架构，L0 领域分类与 L1 意图分类都用小尺寸模型微调，评测周期从周级缩到小时级。

南京银行的“灵犀”服务对公客户经理，已接入 30 余个行内工具；中原银行把智能体当认知中枢、RPA 当执行引擎，端到端效率提升 60%，RPA 维护频次预计降 40%。

江苏农商行在如皋试点理财营销，用 700 多个客户标签叠加流水分析生成动态画像，走大小模型协同路线。

这些案例有个共同点：都在既有流程里嵌入，没有一个是从零重写核心系统。

图源：《2026金融九问生产级智能体规模化落地行动指》（第8页） · 原文

七、工程细节：Token 是被浪费掉的，不是被用掉的

第七节给了全书最可抄的部分，全是省 Token 的实数。手机银行意图超过 400 个，每个描述超 500 Token，全量注入模型可达 20 万 Token。改成先检索后注入，上下文压到数千 Token，只用 30B 模型就能完成复杂路由，时延从秒级降到毫秒级。

类 Claw 场景里，Bootstrap 文件约占系统提示词 60%，清理无效工具列表后，系统指令降到约 3840 Token，单会话可持续轮次从 15 轮提到 40 轮。营销活动文案从约 2000 字压到 200 字关键字段，准确率反而从 88.2% 升到 99%。这说明上下文精度比长度更决定成败。

算力侧的数据同样直接：任务级模型动态调度在效果只降约 2% 的情况下，Token 消耗下降约 50%；三级缓存加速可省约 50% Token；一句“你好”在多智能体协同下可能消耗 2 万 Token。

工具调用也走过四个阶段：工作流代码节点、Function Calling、MCP、Skill。前者留下的教训是，某行智能建单在代码节点编排下平均准确率只有 40%。

上下文不是塞得越满越好，更少但更准的信息，往往比更完整的信息管用。

图源：《2026金融九问生产级智能体规模化落地行动指》（第9页） · 原文

八、安全与算力：宁可停服，也不放行

报告把 Agent 风险概括为四处变化：错误从信息层进到资金层；风险沿工具链传播；权限从“能不能访问系统”变成“能不能代表某主体做某操作”；错误影响半径被能力放大。

所以它的原则是限制爆炸半径，而不是保证模型不犯错：靠沙箱、虚拟机、文件系统边界、网络出口控制和细粒度工具权限四层约束。

沙箱选型按敏感度分档：对私客户经理助手用中强度 gVisor，对公涉及授信用高强度 Kata，云端多租户的信贷、反洗钱一律高强度。

控制点必须 fail-closed，辅助系统可以 fail-open。两者的区别是，前者故障即阻断，后者故障不影响主链路。

算力侧，报告提出从“管资源”转向“运营 Token”，建规划、生产、调度、优化四段闭环。邮储银行的做法是 A2 集群加 A3 超节点双代并存，模型网关把百余种模型收敛为十几个核心服务。

兴业银行则把智能体治理重心从内容合规延伸到行动合规，按自主性、动作效能、目标复杂度、通用性做多维风险画像，并明确模型升级或工具新增须重评，防止“一次审批、终身有效”。

安全的目标不是让模型永不犯错，而是让错一次不至于把整条业务链拉下水。

图源：《2026金融九问生产级智能体规模化落地行动指》（第10页） · 原文

九、怎么算钱：先摘低垂的果子，再谈规模化

最后两块是价值度量和落地方法。准入用“场景十二问”，从商业价值、场景成熟度、持续运营三个维度打分，商业价值是一票否决项。

策略是先摘低垂的果子：挑数据齐、规则清、见效快的场景跑通，再抽出通用能力和治理范式形成“AI 资产包”，最后攻深水区。

价值度量分四维：业务增长、效率提升、成本节约、风险优化。每一维都要落到可核对的指标，比如理财转化率提升净值、客户经理产能系数、坐席替代折算的工时成本、反欺诈实时拦截金额。

落地路径是四阶段：试点验证、平台沉淀、规模复制、持续演进。工程方法则是“五阶十三步”，覆盖目标对齐、数据与模型、开发集成、测评调优、上线运营。

报告给的效率参考：某区域头部银行信贷单场景 Agent 上线从 2 个月缩到 2 周，手机银行理财场景开发周期缩短约 60%，文档审核场景整体开发成本降低 70% 以上。

组织上建议“1+N”团队：5 至 8 人跨职能核心组端到端负责，专业支撑团队按阶段动态投入。这份指南与全部实践案例在运营动脉（www.yydm.cn）可以对照原书翻。