财联社8月11日讯 当前，银行业AI应用正迈入关键进阶期，逐步从单点试点走向规模化落地，从简单工具应用升级为核心能力重构。如何平衡创新发展与合规风控、打通银科协同壁垒、搭建长效落地生态，已成为行业数智转型的关注焦点。

8月6日，“陆家嘴金融沙龙”2026年第二十六期活动落下帷幕。在圆桌对话环节，与会嘉宾围绕“赋能与重构：从AI应用落地到实体经济服务能力提升”这一主题，从银行实操落地、普惠科创赋能、银科生态协同、合规风控建设等多维视角，深入探讨银行业AI数智转型路径，破解行业规模化落地难题。

本次对话汇聚了四位业界代表，分别是：上海浦东发展银行股份有限公司党委委员、公司业务总监，上海分行党委书记、行长汪素南；浙江有数数智科技有限公司创始人、董事长兼CEO张利江；恒丰银行股份有限公司上海分行党委委员、副行长史鹏飞；上海贝耳塔信息技术有限公司联合创始人、产品副总裁张家宁。

AI要成为公司金融的核心能力，需要多方面协同

站在银行总行公司业务与分行的双重视角，AI如何才能成为对公金融的核心能力？

汪素南认为，银行正推动AI由重点场景应用走向规模化发展，从管理层视角看，AI要真正成为公司金融的核心能力，需要战略、组织、数据、人才和治理形成协同。

汪素南表示，AI一旦推开，大量Skill可以被拷贝复用，这是银行规模化应用的基础。

AI在标准化程度高的领域可实现指数级效率提升

如何把企业画像从“给企业贴标签”，变成“发现被低估的经营能力”？

在张利江看来，AI在标准化程度高的工作场景中可实现指数级效率提升，但人作为主导者的地位并未改变——人负责指明方向、判断、担责。

“数据不会让银行更保守，反而让模糊环境下的决策更有底气”，张利江指出，过去许多科技型中小企业因无抵押资产、营收不达标而被传统模型遗漏，AI能高效采集新指标，重新识别这些被低估的企业价值，这恰恰是AI带来的正向价值——让更多优质企业被看见，而非让银行更保守。

当前，AI营销助手、潜在客户挖掘、风险画像等工具已在银行展业中实现可量化的效率提升与转化增长。然而，这些改善是否是AI和数据带来的真实提升？

对此张利江认为，AI是生产力的进步，必然带动生产关系的变革。他将AI比作两类助手：一类是勤恳执行指令的员工，另一类是提供专业建议的外部参谋。

“人的精力有限，而AI的加持相当于十倍、百倍地放大了个人能力，产出效率的提升是必然结果”，张利江表示，人的核心作用是指方向、做判断，短期不会因技术改变，而效率提升带来的业务增益具备持续性正向作用。

企业画像给出的综合分，是否只是一个漂亮但不可追问的“黑箱分数”？

张利江就此解释，综合分更多是参考，而非结论。金融机构的风控不能外包，科技公司的价值不在于分数本身，而在于“为什么得出分数”的完整逻辑链路——数据来源、推理链条、策略依据，都要一并呈现，让客户经理清楚“为什么相信、还要查什么”。

但不同银行的风险偏好、客户经理的判断风格各有差异，最终决策仍需人工完成“最后一公里”。大模型能够阅读和理解海量同类案例，给出有参考价值的判断，随着反馈链不断积累，AI的判断会越来越精准。在他看来，当AI出错的成本低于人工干预的成本时，人自然会让渡部分判断权。

“当不同数据源互相冲突时，系统处理并非一刀切”，张利江介绍，系统会先分析冲突原因，经过第一轮识别后，仍无法解决的冲突才交给人工作出最终判断。

最能反映小微企业生命力的“活数据”是账务数据、发票数据和软信息

与会嘉宾还从小微企业AI应用的视角，分享了精彩看法。

小微企业的有效数据不局限于财报和社保人数，更要关注行业、真实经营与交易。哪一种“活数据”最能反映企业生命力？

结合一线实践，史鹏飞指出，最能反映小微企业生命力的“活数据”是账务数据、发票数据和软信息，其中，账务数据最能体现资金流，但目前仍相对割裂。银行若能将三类数据整合应用，就能更准确地评估企业的短期偿债能力——即便行业不景气，只要近期经营状况不错，短期贷款的风险也可控。

如何破解“数据富者易获贷、数据贫者难获贷”的困境？史鹏飞认为，解决之道在于线下走访与软信息的标准化。线下获取的软信息虽碎片化，但恰恰是弥补数据缺失的重要渠道，关键在于将碎片化的“信息”转化为结构化的“数据”，通过标签化处理使其可量化、可复用。

那么，当数据缺失时，哪些判断必须人工完成？史鹏飞说，线下实地走访必不可少，人的大脑经过长期进化，具备以小样本判断模糊问题的能力，这是AI目前无法替代的。

银行很多AI项目并不是模型不够好，而是卡在总分行之间、业务与科技之间。在史鹏飞看来，最关键的最后一公里是上级机构提供工作框架的同时，适度留给下级机构自由度。

AI发出预警后，客户经理下一步最重要的动作是什么？

在史鹏飞看来，客户经理应当带着线索走进现场，从而验证信号的真伪，捕捉AI无法感知的软信息。现场走访发现的信号，必须真实、准确地反馈到中后台，形成“线上预警—线下核实—二次校验”的闭环。

“AI不能也不应替代现场尽调，自动化的价值在于精准导航，而非替代人工判断”，史鹏飞表示，真正有效的风控，是人机各司其职：AI负责发现线索，人负责验证与补位。

今年6月，金融监管总局明确提出“谁使用谁负责”，并要求对AI应用实行全生命周期、分类分级管理；高风险场景要设置人工监督、复核与责任追溯。问题因此从“模型准不准”，进一步变成“组织如何负责”。

与外部科技公司合作时，银行哪些部分不能外包？

“所有的能力都可以采购，但是所有的责任都不应该外包”，史鹏飞表示，银行最看重风险分析、风险管理能力，银行业早年间借鉴了很多先进的经验，这些经验很多都是“买”来的。

AI的本质是参谋，不是决策者

专家能力中，哪些可以被AI标准化复制？

张家宁表示，AI可复制的专家能力主要分为两类：一是规则或流程清晰的标准化工作；二是已有足够数据样例和实践验证的策略。

但他强调，所有AI生成的观点与判断，在真正面对客户之前，人必须始终在回路中——由使用者分析、取舍、最终拍板。AI的本质是参谋，不是决策者。参谋的作用是提供多种选择，并确保思考过程可追溯、可审计，包括数据来源、逻辑链条的完全透明，最终交由客户经理在充分了解信息后做出判断。同一客户，AI也可以提供多种策略与分析维度，给一线人员留出灵活权衡的空间。

AI应当复制专家的结论，还是复制专家的推理与追问过程？张家宁倾向后者。他解释说，AI的价值在于学习专家的分析框架——同一件事从几个维度拆解、每个维度如何细化——而非简单复刻过去的结论。大模型擅长从海量案例中提炼抽象的思维模式，这正是其能力所在。

专家经验进入AI，最小的“知识单元”是什么？一条规则、一个案例、一段对话，还是一个带条件和例外的决策动作？

“可以是规则、案例、对话或带条件的决策动作”，张家宁认为，它们本质上是信息输入的组织方式。但AI在处理时并不会刻意区分这些形式，而是通过分类和图谱逻辑灵活运用。

谈及闭环机制，他强调，用户的每次使用反馈必须形成循环。AI的输入、用户的动作、决策的最终结果，都应回流到系统中，成为持续优化模型的知识来源。

关于专家知识的修改权限，张家宁表示，规则类内容需随业务要求及时更新；而那些不涉及对错、只关乎适用性的判断，应通过AI提供多种可行选项，将最终灵活度交给有经验的使用者来把握。

“生成式AI最危险之处在于回答得太‘像’专家”，他强调，产品设计必须筑起多道防线。首先是合规“护栏”，确保输出不越界。其次，内容呈现上必须附带来源、分析过程乃至反例，而非只给结论——AI应是参谋，而非决策者。

他还分享了一个有趣的设计：让另一个Agent专门负责评价和挑战主Agent的观点，双方的讨论过程往往比答案本身更有启发性。

如果银行把“来源可追溯、版本可回滚、过程可审计、能力可迁移、合作可退出”写进验收标准，哪些应成为行业默认配置？

张家宁认为，上述五项都应是行业方向，其中过程可审计、来源可追溯是让用户清楚结论的推导过程。在他看来，当前阶段能力可迁移难度最高、成本最大，因为大模型迭代太快，半年前的实现方式可能已不适用。

谈及知识源审计，他表示，专家知识同样可能过时或有偏见，不应把结论直接写入系统。真实案例更可靠——有前因后果，大模型可自行提炼规律。专家应贡献分析框架和推理逻辑，而非直接给结论，因为框架更稳定、更不易过时。他强调，知识源的第一原则是真实，其次要保证信息完整，大模型完全有能力从中提炼出好的规则。

“陆家嘴金融沙龙”由上海市委金融办、浦东新区人民政府指导，陆家嘴金融沙龙秘书处主办，第一财经、财联社提供媒体支持。该系列活动将构建与“陆家嘴论坛”相呼应的常态化交流平台，通过机制化、场景化、国际化运作，持续输出金融改革“浦东智慧”，深度赋能浦东经济高质量发展，全力助推上海国际金融中心核心区建设迈向新高度。