财联社7月26日讯 当前，金融AI正式从“野蛮生长”迈入合规落地新阶段，智能体技术从对话演示走向业务执行已是行业共识。

7月25日，陆家嘴金融沙龙专场“人工智能与全球投资生态对话暨第五届中国量化投资白皮书研讨会”在上海成功举办。在以“AI原生·金融新基建”为主题的浦东新区金融科技创新推介会上，蓝象智联合伙人毛仁歆围绕产业智能体落地的核心痛点，提出“AI可信用数新基建”完整框架，探讨如何推动智能体从“会回答”走向“敢执行”，真正融入金融业务生产流程。

智能体落地的可信鸿沟

毛仁歆在演讲中指出，“从今年春节开始，海外代码类智能体的token消耗量曲线直接拉升，意味着能‘干事’的智能体已经进入真正的落地阶段。但当智能体试图进入银行、保险等金融机构的核心业务流程，一道现实鸿沟横亘在面前——通用大模型能给出流畅的答案，却无法承担真实的业务责任”。

把个人级大模型助理部署进公司内网，你敢让它对接财务系统、操作核心业务流程吗？毛仁歆给出的答案是否定的。

在他看来，通用智能体的权限管理体系存在先天缺陷，既无法适配企业级的分级授权，也难以抵御诱导式的权限绕过，“内部攻防测试中，仅通过对话就能扒走终端上的全部数据，这样的智能体根本没法放到生产环境里干活”。

毛仁歆进一步提出，产业智能体要从试点演示走向生产应用，必须跨过“懂业务、会协同、可执行”三道门槛，最终实现动作有边界、结果可解释、过程可追责。

“从两个真实的落地场景可以看出当前智能体落地的可信缺口”，毛仁歆举例表示，第一个场景是普惠金融的经营真实性核验。

以贵州落地的银行信贷场景为例，仅靠上传材料和对话上下文的智能体，看似能给出结构完整、数据详实的授信建议，实则暗藏多重风险。“同样一份材料，不同大模型给出的结论不一样，换个问法引导一下，它就会顺着人的话放松审核标准。”

毛仁歆称，大模型本质是概率模型，训练数据中大量的反向合成数据使其天生偏向保守判断，既无法严格执行银行的既定规则，也拿不出可复核的数据依据，风控部门根本无法基于这样的输出做决策。

此外，第二个场景是银保通跨机构获客。毛仁歆介绍，与太保、浦发、招行等机构的合作中，蓝象智联发现，保险机构内部的存量数据已被反复挖掘多年，仅靠智能体优化内部流程，只能小幅提升效率，却打不开获客天花板。

“智能体的天花板从来不是模型能力，而是能安全喂给它的数据边界。”毛仁歆表示，银行流水、消费行为等外部数据是获客增量的核心来源，但金融数据的强监管属性决定了原始数据绝不能出域，这就需要全新的跨机构数据协同方案。

双引擎筑牢可信用数底座

针对这些落地痛点，蓝象智联提出“本体×隐私计算”的AI可信用数双引擎。毛仁歆将其总结为：本体让AI真正懂业务，隐私计算让跨机构数据安全可用，二者结合才能构建可核验、可解释、可执行的可信用数底座。

“对于本体技术，很多人觉得本体就是知识图谱，其实远不止于此”，毛仁歆强调，如果说词汇表是字典、知识图谱是人脉网，本体就是法典，“它不仅定义叫什么、谁和谁有关，更规定该不该、对不对”。

具体而言，本体一方面可完成语义对齐，让产品这类通用概念在信贷、保险等不同条线对应唯一的物理表与字段，从根源消除歧义，而另一方面则需搭载推理机，把行内授信规则、风控标准固化为不可绕过的逻辑公理，形成独立于大模型的“逻辑脑”。“规则跑在大模型之外的系统里，结果是强制输出的，AI改不了，也绕不开。”

与此同时，隐私计算则解决了跨机构数据流通的安全问题。作为国内最早深耕隐私计算的厂商之一，蓝象智联的GAIA平台支持多方安全计算、联邦学习、同态加密等技术路径，实现数据“可用不可见”。

毛仁歆以银保通场景举例表示，银行与保司（保险公司）分别部署隐私计算节点，双方数据均不流出本方域内，即可联合完成客户评分与名单圈选，既满足合规要求，又释放了跨机构的数据价值。在此基础上，可信沙箱补上了智能体落地的“最后一公里”，通过对象级权限管控与全链路审计能力，实现数据来源可审计、权限规则不可绕、调用链路可追溯。

据毛仁歆介绍，这套方案已在贵州交行的普惠金融场景落地验证。对比纯RAG方案，基于本体语义的智能体可实现一句话多维度圈选企业，经营真实性核验结果全部挂载数据来源与规则依据，银行内部规则不可绕过，且名单可随社保、司法等数据动态刷新，真正具备了上线生产的条件。

据了解，蓝象智联牵头的“可信语义层”国家标准也将于8月28日数博会期间正式发布，为智能体用数提供统一的行业规范。

目前，蓝象智联已服务300余家头部机构，国内60%的头部金融机构均在总行层面采用其隐私计算技术，客户覆盖国有大行、股份制银行、保险、券商及多地数据集团。

毛仁歆表示， 公司定位是面向AI的可信数据流通服务商，从隐私计算到AI可信用数，核心都是让数据价值在安全合规的前提下高效释放。