AI经济学 | 第八章：AI大模型在金融行业的应用前景及潜在影响分析

大模型的出现给AI与金融的结合带来了更大的想象空间。本章旨在通过梳理当前现状、讨论未来趋势、分析潜在影响，针对性地回答三大关键问题：

大模型当前在金融行业的应用现状。 当前，大模型的应用主要聚焦于业务场景简单的非决策类环节，如智能客服（AI Agent）、业务助理（Co-pilot）等，而在对金融专长要求更高、涉及强金融建议和核心决策任务的业务场景中仍难以落地应用。其中，从业务流程角度，各类金融机构已在尝试应用大模型赋能前台营销运营、中后台运营支持环节，而在核心分析决策环节上，大模型更多辅助前端信息收集和后端内容生成输出、从而提升效率；从业务场景角度，大模型在支付、信贷、投研、投顾、保险等领域均已有应用落地。

大模型对金融行业未来发展可能产生的影响。 我们认为其将从三个方面对金融行业带来影响： 1）在应用趋势上， 未来大模型有望与小模型协同互补、在更多细分场景落地，同时，大模型作为Co-pilot的能力有望增强并赋能更多业务环节，此外，AI Agent有望升级用户交互体验并重塑金融机构展业模式； 2）在赋能空间上， 从“需求-渠道-供给”框架出发，我们认为大模型对财富管理、资产管理的赋能空间可能相对更大，在保险、信贷领域亦有望实现一定的价值创造； 3）在产业格局上， 大模型有望升级长尾客群交互体验、形成新的服务入口/超级应用，在行业格局层面，我们认为既存在“马太效应”、又存在“乘数效应”，大型机构或将重新排位、部分中小机构有望“弯道超车”。

大模型未来对金融系统可能带来哪些影响？ 从效率、普惠、安全视角来看，大模型有望减少金融系统信息不对称、提升整体效率，同时有望降低用户交互门槛、提升客户触达能力和定价效率从而赋能普惠金融。在安全方面，我们认为大模型在金融领域的应用存在较多风险，包括大模型本身的技术风险、大模型加剧现有金融风险、以及潜在新型金融风险，而如何进行适当监管和有效应对将是重中之重。其中，我们观察到海外监管机构在部分领域已有探索和尝试，未来，我们建议通过加强多方协作共建基础设施、明确分级分类监管持牌制度、鼓励完善机构内部风控制度、发展风控技术等以防范风险。

大模型的出现给AI与金融的结合带来了更大的想象空间。 相较于已在金融领域被广泛应用的传统判别式AI，大模型具有更强的通用泛化能力，能够处理复杂多样的信息理解、内容生成、多轮对话等任务需求，在金融领域存在较大的价值创造空间，例如据麦肯锡测算[1]，大模型有望对全球金融行业每年带来2,500~4,100亿美元的增量价值、对应约9%-15%的营业利润增厚空间；据清华经管联合度小满等发布的《2024年金融业生成式AI应用报告》，大模型驱动的新商业模式有望为金融业带来3万亿规模的增量商业价值。

当前，金融机构主要将大模型应用于业务场景简单的非决策类环节，而在核心决策环节应用大模型仍面临较大挑战。 其中，从业务流程角度，大模型已开始赋能前台营销运营、信息搜集整理、中后台运营支持等环节；从业务场景角度，各类金融机构已开始尝试将大模型应用于支付、信贷、投顾、投研、保险等细分领域。

目前，国内外各类金融机构正在积极探索大模型落地场景，金融从业者对大模型工具的需求和使用也与日俱增。 在金融机构层面，根据英伟达[2]发布的针对近400家金融机构的调研，43%的金融机构已经在使用大模型，主要用于报告生成（37%）、客户体验及活跃度优化（34%）、合成数据生成（33%）和营销（32%），另有55%金融机构正在研究并考虑应用大模型；在金融从业者层面，根据麦肯锡2023年调研数据[3]，金融行业从业者反馈“在工作中常规使用大模型”、“在生活中常规使用大模型”和“在工作和生活中均常规使用大模型”的数量占比达42%，而这一比例在麦肯锡2024年调研数据[4]中上升至48%。

整体而言，我们观察到大模型当下主要被应用于业务场景简单的非决策类环节 （详见图8.1）。其中，大模型在支付、信贷、保险、财富管理等场景均有应用落地，但主要赋能对客服务、数据挖掘、业务助手等环节。而在对金融领域专业能力要求较高、涉及提供强金融投资建议、需要承担核心分析决策任务的业务场景和业务环节中，大模型的落地应用仍然存在较大约束和挑战、难以直接替代专业人员完成分析决策任务、更多作为辅助核心决策人员展业的助手。 具体来看，我们认为大模型在金融领域应用的边界和约束主要包括金融领域专业能力仍有欠缺、难以提供涉及较严监管领域的复杂金融投资建议、在核心分析决策环节无法替代人工等。

其中，在金融专业能力方面，由于金融服务存在时效性强、精确度高、专业壁垒高等特点，当前大模型在金融领域仍然存在专业短板、难以理清较为复杂的金融逻辑，将大模型直接应用于相关专业任务的效果较差。目前，金融行业中的大模型应用更多是发挥其通用泛化能力优势，赋能基础业务环节和通用场景，如交互对话、信息整理、内容生成等；同时，在提供金融服务方面，大模型目前已较能胜任常规的基础金融对话，如金融资讯、业务办理等，但在涉及专业度高、个性化强、业务复杂且涉及严监管领域的金融服务上，由于大模型能力有限、应用效果较差、且存在监管合规风险，大模型目前难以直接对客提供专业金融服务、仍需人工介入以满足服务质量和合规要求；此外，在除金融专长仍有待提升之外，大模型亦面临生成内容不可控（如“幻觉”问题）、可解释性差等问题，应用大模型进行决策判断的可行性较低，且传统AI在部分金融分析决策任务中的应用（如风控授信、理赔定价等）已较为普及和成熟，大模型替代传统AI的意义不大，当前大模型主要负责赋能语义理解、信息归纳、内容输出等环节，并在部分任务场景中与传统AI互补协作以提升效率。

我们观察到大模型在非核心决策业务环节中已有落地应用、且已能创造一定的业务价值。 我们将金融业务流程拆解为营销运营、分析决策、中后台运营支持。

其中，在营销、运营环节（包括面向客户的营销获客、产品推介、客户运营等），大模型能够较好地赋能前台对客环节、以及赋能前台对客服务员工提升展业质效。 一方面，大模型作为7×24小时在线的AI Agent智能客服优化客户交互体验， 向客户提供关于金融资讯、业务办理等不涉及强金融建议的金融信息数据服务，以及调用专业金融知识库及工具对客户提供关于财富管理、保险产品信息等方面的基础金融咨询服务，例如蚂蚁集团基于金融大模型开发的智能金融助理“支小宝2.0”能够服务理财和保险领域的专业知识问答，其深度服务过的用户相比未服务过的用户，用户频繁交易的比例下降60%[5]。

另一方面，大模型作为co-pilot赋能销售、投资顾问、保险代理人等 扩大服务半径（如素材设计、物料制作）、洞察归纳客户需求（如智能协呼、商机挖掘等）、提升产品推介质效和客户转化率（实时全域信息搜索、个性化销售话术建议等），同时，大模型还可以通过调用优秀销售顾问展业经验、内部数据知识库等方式赋能展业人员提升业务水平，例如，工商银行在远程银行领域，应用大模型赋能事前运营、事中辅助和事后质检等环节，使得平均通话时长压降10%、座席服务效率提升18%[6]；摩根士丹利与OpenAI合作，利用GPT-4赋能财富管理员工实时、高效调用内部专业知识库提升服务效率和服务质量[7]。

在分析决策环节（包括涉及金融产品设计、风险定价、投资建议及决策相关的信息读取、分析决策、结果输出等），大模型主要作为co-pilot赋能投资顾问、投研分析师、信贷审批人员、精算师等分析决策人员以及传统AI模型，在决策前的信息获取和归纳环节，优化提升数据搜集的广度、深度和效率，在决策后，提高内容生成和输出效率，从而提升核心分析决策人员以及传统AI模型算法的生产力。

而由于大模型目前的金融专业能力、输出结果稳定性、可解释性方面仍有较大不足，大模型在直接承担分析决策任务方面的落地应用较少、且面临一定的监管合规风险，同时，传统AI在分析决策核心环节的应用已较为成熟、效果较好，我们认为目前大模型替代传统AI进行分析决策的空间和意义也不大。

此外，在中后台运营支持方面，大模型更多作为通用工具推动金融机构内部运营降本增效，具体包括风险管理、质控合规、舆情监测、交易执行、行政、IT、HR等。

在通用的内部办公应用场景之外，大模型在支付、信贷、投顾、投研、保险五大金融业务场景中均存在落地应用。

在支付领域，大模型主要被用于提升支付机构的风险识别及反欺诈能力。 其中，支付机构利用大模型获取、整理、分析多模态数据，丰富风控数据维度；此外，支付机构利用大模型生成大量合成数据以训练、优化现有风控及反欺诈算法。例如，Mastercard利用大模型建立合成数据集以优化风控模型。

在信贷领域，大模型主要应用于营销获客、客户运营、贷后催收、信息抽取整理环节，从而提升客户转化率、提高风险定价质效、减少贷款坏账损失，但目前仍不能直接应用于风控决策领域、无法替代现有决策系统。

例如，工商银行通过二次训练形成了千亿级金融行业大模型，在对公信贷领域使用大模型赋能贷前尽调报告编写、贷中风险评估提示、贷后客户舆情分析等信贷服务环节[8]；网商银行升级“大雁系统”将大模型作为后台风控系统的助手提供客户经营评分和画像、帮助金融机构识别小微客户[9]；度小满开发“轩辕”金融大模型，同时将大模型应用于对互联网文本数据、征信报告的解读，并从中抽取多维度风险变量进而辅助风控算法[10]，并在代码助手领域通过大模型辅助生成代码将公司整体研发效率提升20%、在客服领域通过大模型推动服务效率提升了25%、在智能办公领域的大模型意图识别准确率达到97%[11]；此外，奇富科技推出金融行业大模型“奇富GPT”，并将大模型应用于通话质检、电销、广告、客服领域，电销转化率提高超过5%、生成话术优质率达70%[12]。 同时，大模型当前在信贷业务中仍无法应用于精准度要求较高的授信、审批等核心决策领域。 例如，网商银行表示并未将大模型应用于授信环节[13]，奇富科技表示大模型虽然能解决许多交互问题、但可能无法直接应用于风险决策领域[14]，此外，度小满表示大模型目前不能直接用于风险决策，但结合传统风控决策引擎，可以有效提高处理非结构化信息的能力[15]。

在财富管理（投顾）领域，大模型主要应用于营销获客、客户运营、产品推介等环节，可覆盖客户的获取、留存、转化的全生命周期。

其中，大模型能够赋能销售团队提升人效和服务、并有效识别潜在用户；同时，大模型亦有助于财富管理机构完善内容生态、提供更有温度的客户陪伴；此外，大模型亦能够赋能产品推介过程中的信息传递效率，让投顾更高效地洞察用户需求偏好、匹配合适的金融产品服务。例如蚂蚁集团基于蚂蚁金融大模型赋能理财选品、产品评测、行情解读、资产配置等财富管理服务，同花顺基于底层大模型HithinkGPT，打造智能外呼、社区内容生成、问财等多项功能，赋能财富管理业务。

在资产管理（投研）领域，大模型通过对信息的高效收集、整合、加工，有助于赋能投研及投资的“搜”、“读”、“算”、“写”、“用”五大环节的效率。

其中，在搜索环节，大模型能够通过对多渠道、多模态信息进行整合，快速响应数据收集请求，提升投研投资活动获取信息的效率；在读取环节，大模型能够提炼核心内容，提升投研人员的信息处理效率；在运算分析环节，大模型能够辅助投资观点和决策的内容。

此外，在写作环节，大模型可以承担初步的投研材料生成工作，相关功能目前已被部分金融机构嵌入在投研工具中[16]，从而解放投研人员生产力。最后，在知识复用环节，大模型有助于提升机构内部知识库的检索效率，便利信息调用、减少重复劳动。目前，已经有多家金融科技公司将大模型应用于语音转写、会议纪要、知识检索等功能并切入到资产管理领域中。

在保险领域，大模型主要被应用于渠道营销、核保理赔、辅助产品研发等非核心决策环节。 在渠道营销方面，大模型能够帮助涉及营销素材、作为智能客服向客户提供个性化的保险产品和推荐，以及作为Co-pilot赋能保险销售、为其提供个性化的保险销售建议和销售策略。

在核保理赔方面，大模型能够辅助人工核保、辅助收集理赔文件、审核真实性等。此外，在产品设计方面，大模型可帮助保险精算人员更好地洞察客户需求、市场趋势和风险特征，提升获取信息效率。例如Lemonade基于GPT-3打造销售机器人MAYA[17]，向客户提供个性化的保险推荐和咨询服务；同时，据众安保险与众安科技2023年5月共同发布的《AIGC&ChatGPT保险行业应用白皮书》，某再保险公司正在计划研发智能保险设计平台，其中大模型将应用于帮助精算师更高效地获取信息、以及基于已有数据和知识库生成多种保险方案。

展望未来，伴随大模型能力提升、以及在金融行业的进一步落地应用，我们认为大模型有望推动金融行业提升效率、并对产业协作和行业格局带来深远影响。具体来看，我们从 应用趋势、赋能空间、产业格局 三个方面对大模型在金融行业应用的发展趋势进行探讨。

当前，大模型仍存在专业能力有限、生成结果不可控、算法可解释性较差等问题，在合规性和适当性等方面仍缺乏一定保障。然而，我们认为伴随技术进步带动大模型能力边界提升、以及出现新的解决方案减少大模型短板，大模型赋能金融行业的空间未来仍有望进一步打开。

具体来看，在落地应用的发展趋势上，未来大模型与小模型或有更多协同，从而赋能更多金融业务场景。其中，大模型的比较优势在于语义理解、信息归纳、内容生成，而传统的判别式AI优势在于可控性强、精确度高，适合于资产定价、风险管理等高精度的分析决策环节。我们认为未来二者有望协同互补、赋能更多金融场景，其中，大模型可用于拓宽传统AI获取信息的维度、提升输出结果的效率，而传统AI则可作为被大模型调用的专业插件，提升大模型输出内容的专业度和精确度。

同时，伴随大模型能力增强，其作为更多金融从业者co-pilot的价值创造空间或将进一步打开，一方面有望从简单协助搜集、处理、呈现信息，逐渐延伸至辅助核心分析决策，例如生成具有一定业务价值、可供专业人士参考的决策建议等，另一方面亦有望扩大赋能半径、覆盖更多业务环节，如辅助产品设计、风控审批、投资研究等。 目前，已有金融机构探索大模型在投研核心分析环节的辅助应用， 例如摩根大通基于GPT-4研发的IndexGPT用于创设主题投资指数，能够基于特定主题生成一系列关键词并匹配相关主题领域的股票[18]；桥水基金联席首席投资官Greg Jensen表示ChatGPT 3.5在内部测试中已达到初级员工水平、并且公司正在尝试将ChatGPT与其他统计模型结合来提升预测能力，但其不认为AI能够完全取代人类员工[19]；此外，亦有学者发现大模型可以基于新闻标题解释短期股价回报的原因[20]。

此外，未来金融机构亦有望基于大模型发展AI Agent，进而简化、重塑展业方式。其中，AI Agent或可统筹任务分解、流程规划、工具调用、内容整合等工作，并结合API接口、外部插件等，实现多种能力的统一调度和集成，进而精简业务流程、提升金融机构展业质效；同时，未来AI Agent可能会对长尾用户获取服务的入口和交互的方式产生影响、为长尾客户提供更加“千人千面”的高质量定制化服务，在一定程度上重塑金融机构对客展业模式。

从“需求-渠道-供给”框架出发，考虑到各细分金融场景在信息不对称、决策流程、服务周期及服务频率、当前供需匹配效率、分析决策的不确定性和主观因素影响程度等方面均有较大差异，我们认为大模型对财富管理、资产管理的赋能空间或最大，对保险、信贷领域亦有一定赋能空间，而对支付赋能空间或较小。

具体来看，在需求侧，财富管理、资产管理等领域的信息不对称程度较高、且决策流程更长，大模型能够通过赋能金融服务交互、投资者教育等环节，提升投资者的信息搜集、分析能力和金融认知水平，进而减少信息不对称、提升投资者决策质量。

在渠道侧，财富管理、资产管理领域的服务周期长、服务频率高、供需匹配效率较低，而大模型有望赋能营销获客、客户运营、产品推介等环节，使渠道侧展业人员能够高效地提供更有温度的客户陪伴、以及更加专业的金融服务。

在供给侧，相较于信贷、保险、支付领域在核心的定价、风控等决策环节主要应用确定性、高精度的传统AI模型完成相关工作，财富管理、资产管理领域的分析决策仍含有较多主观判断、且产品服务的不确定性较大（如收益率波动等），而大模型能够赋能专业人员扩大信息搜集半径、提升分析决策效率，从而为客户打造质量更高的金融产品服务。

而从业务环节来看，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、投资投研四个环节中可能具有更大的应用空间。

其中，在潜在业务增量方面，目前，财富、资管市场仍存在用户渗透率较低、投资者体验较差、投资回报率不理想等多种问题，大模型有望赋能提升获客转化率、客户留存率、投资收益回报和产品服务体验。具体来看，在投顾领域，大模型有望赋能财富、资管机构升级展业模式，赋能投顾提供更加专业、更加定制化的资产配置服务，并加深客户信任、向买方投顾转型；在投研领域，客户对信息分析和输出结果的时效性、专业度具有较高要求，大模型能够发挥理解、推理、生成等方面的优势，辅助投研人员高效展业。

而在应用落地空间方面，相较于风控、交易、IT等中后台支持赋能环节，券商、银行、基金公司、互联网及三方平台的财富管理、资产管理业务在营销获客、客户运营陪伴、产品推介、投资投研四个环节中仍存在较为显著的痛点，目前部分机构已有初步应用落地。往前看，我们认为相关业务环节或是较为优质的大模型应用场景，各类机构有望通过将大模型技术与业务场景进一步深度融合以补足能力短板、解决业务痛点。

我们从服务范式、产业协作、竞争格局三个维度探讨大模型对金融行业格局的影响。其中，在服务范式方面，我们认为大模型在服务长尾客群方面有望产生较大影响，可能形成新的服务入口和超级应用（如AI Agent），而在面向高净值客户及机构/企业客户服务商将更多是渐进式的提效赋能。

而在产业协作方面，考虑到金融业务兼具强监管属性和高专业壁垒，科技公司难以取代金融机构、二者将形成“竞合”关系，同时，在规模效应下，未来与金融机构合作开发大模型的服务商可能主要集中在少数技术领先的科技公司，使得后者在一定程度上对金融体系具有较大潜在影响、成为新型的具有系统重要性的金融基础设施。

此外，在竞争格局方面，我们认为既存在“马太效应”、又存在“乘数效应”，即大型机构与中小机构的整体差距可能将进一步拉大，其中，在头部机构中，能够更好地将大模型应用于金融业务的大型机构更有望脱颖而出、使得头部机构之间重新排位，同时，部分具有一定禀赋、占据同业领先位置的中小机构亦有望在细分领域打造精品服务和品牌效应、实现跨越式发展。

（一）服务范式：大模型有望在面向长尾客群的金融服务中产生较大影响

在互联网、移动互联网时代，数字平台的兴起重塑了传统金融机构基于线下网点所建立的服务体系、以及相应展业模式下的竞争格局，其中，尤其是在长尾客群方面，线上服务能够低成本、高效率地满足用户的大部分金融需求，而互联网运营能力更强、数字服务生态更加完善、深度洞察用户需求痛点的大型数字平台得以切入多个金融服务场景，并在一定程度上对传统金融机构产生了颠覆性影响，同时，积极顺应技术发展趋势、主动应用数字技术赋能业务的部分金融机构亦推动了自身的快速发展。

往前看，我们认为大模型亦有望在服务长尾客群方面带来较大影响。 具体而言，大模型有望给长尾客群带来交互体验的升级并塑造新的服务入口和超级应用，进而对面向长尾客户的流量分发和金融服务模式产生深远影响，例如AI Agent能够通过语言交互方式更加精准洞察用户需求、并为用户提供更有温度的服务体验、强化用户使用习惯，使得AI Agent成为用户获取各类金融服务的一站式聚合入口，而AI Agent服务商则可能成为新的超级应用、并改变渠道侧的流量分发逻辑。

同时，我们认为在服务C端高净值客户、B端机构及企业客户方面，大模型对金融业务将更多是渐进式的提效赋能。 对相应客群而言，线上渠道无法完全满足其多样化、定制化的金融服务需求，传统金融机构仍需主要通过线下面对面的交流加深信任关系，并依托金融领域的业务专长提供更加专业化的服务、实现客户关系的维系。而在线下展业过程中，我们认为高净值及机构企业客户获取服务的方式较难被大模型颠覆，大模型将更多作为赋能金融机构和金融从业者的工具提升线下服务质效。

（二）产业协作：大模型在金融领域的价值创造更多体现为业务驱动、科技公司与金融机构更多体现为“竞合”关系

我们认为科技公司与持牌机构将形成“竞合”关系、而非简单替代。 一方面，金融行业兼具强监管属性和高专业壁垒、且对金融信息的时效性有较高要求，金融机构和提供第三方大模型技术服务的科技及创业公司由于产融分离、持牌经营等因素，未来可能更多形成合作关系，尤其在供给侧，仍然需要由具备金融专长、牌照资源的金融机构和金融科技公司提供优质金融产品服务，而不具备监管牌照、业务专长、业务场景的科技公司及创业公司仍需依赖持牌机构提供高质量数据和专业认知，以训练打磨大模型在金融行业的应用，其中，用户交互体验较为领先、占据服务入口的科技公司及创业公司可能在需求侧获客、渠道侧流量分发方面与金融机构形成“竞合”关系。

另一方面，金融机构出于自身业务禀赋、人力资源、技术储备等多方面的考虑，未来亦有可能更多采取与第三方服务商相互合作的方式来加强大模型能力建设。具体来看，目前金融机构较多与大模型供应商合作开发，而部分技术布局领先、牌照资源完备、业务场景丰富的大型金融科技公司正在基于自研大模型赋能金融场景、并且有望在未来向其他金融机构输出技术能力。

（三）竞争格局：既有“马太效应”的加剧分化、又有“乘数效应”的重新洗牌

我们认为，大模型在金融领域对行业格局的影响既存在“马太效应”、又存在“乘数效应”。 其中，具备牌照资源/金融专长/业务场景/数字能力的头部金融机构及金融科技公司有望推动头部机构之间重新排序，同时，部分处于领先位置的中小机构亦有望在垂直领域打造精品服务、实现跨越式发展。

在“马太效应”方面，我们认为大模型的应用可能推动金融行业集中度进一步提升。 由于技术投入、业务禀赋、人力资源等方面存在门槛，大模型的应用可能推动行业集中度进一步提升，其中，头部金融机构拥有资金预算和业务规模优势、掌握更多主动权，而大部分中小机构受限于资金预算约束、相对有限的业务规模和专业人才资源，与头部机构的整体差距可能将被拉大。

在“乘数效应”方面，我们认为体量优势外，数字能力/金融专长等禀赋可能更为关键，头部机构及大型持牌金融科技公司可能重新排序、部分中小机构亦有望“弯道超车”实现跨越式发展。 其中，大模型需要紧密结合金融领域的高质量数据和专业认知以提升金融服务能力，进而应用于具体业务场景的对客服务和赋能从业人员并创造业务价值。相较于部分仅拥有体量优势的头部机构，我们认为，在供给侧拥有更强金融业务专长和数字能力、在渠道侧拥有更强获客及运营能力、在需求侧拥有用户资源且对需求深入洞察的头部金融机构及持牌的大型金融科技公司更有望脱颖而出并带动行业重新洗牌。而部分数字能力领先、在细分领域具有较强金融专长、在同业处于头部位置的中小机构，以及对金融业务痛点洞察力强、兼具技术实力的金融科技公司，亦有望“弯道超车”实现跨越式发展。

考虑到大模型技术仍在持续迭代发展、其在金融领域的落地应用亦在早期，我们认为需要动态、辩证地看待大模型对金融体系的整体影响。其中，聚焦效率、普惠、安全三个方面来看：1）在效率方面， 我们认为大模型有助于降低信息不对称和交易成本、有望推动金融行业生产力变革，从而提升金融市场有效性、提升金融行业服务实体经济的质效； 2）在普惠方面， 我们认为大模型有助于进一步加强金融服务可得性、提升社会公众金融素养和金融能力、对发展普惠金融带来积极影响； 3）在安全方面， 我们认为大模型自身存在一定技术风险、未来可能放大金融系统潜在风险，同时，未来大模型在金融系统中的潜在广泛引用亦可能带来新型金融风险，而如何平衡创新与安全、设立适当的准入制度和监管要求将是重中之重。

（一）整体来看，大模型有望赋能供需双方减少信息不对称、提升金融行业效率

大模型能够赋能供需双方提升金融信息数据搜集、整理、分析的广度、深度和效率，从而减少信息不对称、降低交易成本、促进金融行业生产力变革。 其中，在供给侧，大模型落地应用有助于赋能金融机构加强风险定价能力、提升金融服务质效、并通过推动金融机构降本增效降低金融服务成本，从而进一步打开金融行业潜在让利空间、提升金融行业服务实体经济的能力；在需求侧，大模型有助于赋能客户降低信息获取成本、提升金融认知能力和金融素养、辅助优化金融决策质量，并倒逼金融市场主体加强信息透明度和运行效率、提升金融市场有效性、推动金融行业健康发展。

（二）产业AI化视角：金融行业适合大模型落地应用，大模型亦有望全面赋能金融行业提升效率

金融行业具有信息数据密集、人才智力密集、业务场景及展业流程多样复杂等特征，适合大模型应用落地，大模型亦有望全面赋能金融行业提升效率。

其中，在信息数据维度，金融机构沉淀了如交易执行、风控授信、产品设计、投研报告、客户画像及用户反馈等丰富的高质量金融数据资产，有助于训练大模型在细分领域的专业能力；在人才智力维度：金融行业作为人才智力密集型行业，在人力资源方面存在较大的持续投入，而相较于过去已广泛应用的传统AI，大模型在理解、推理、生成方面具有更强的优势，能够赋能金融机构优化人力资源投入、提升金融专业人才的生产力，从而实现降本增效；在场景流程维度：金融行业各细分领域业务场景多样，且各业务前、中、后台展业流程较为复杂，相较于局限在特定工作场景和任务要求的传统AI，大模型具备更强的泛化能力，能够跨场景处理多样化的工作任务，从而在金融行业中实现广泛地应用和赋能。

相较于已经在金融行业广泛应用的传统AI技术，大模型在信息理解、逻辑推理、内容生成方面具有比较优势，能够广泛适用于各类金融业务场景和业务环节，赋能金融机构降本增效、辅助金融从业者对客展业、提升用户交互体验，带来业务层面的价值创造。

（三）AI产业化视角：大模型对金融行业需求侧和渠道侧可能产生较大影响，而在供给侧目前更多仍是渐进式赋能、未来能否产生颠覆效应取决于潜在技术发展边界

基于我们前文对大模型在金融行业应用发展趋势的讨论，我们认为大模型有望在需求侧给长尾客户带来交互体验的升级、形成新的服务入口，进而为涌现出大模型范式下的金融超级应用提供了土壤、并有望重塑渠道侧的流量分发逻辑。 此外，在面向高净值客户、面向机构/企业客户的金融服务方面，当前金融机构仍需要通过线下专家面对面提供专业服务，大模型在相关客群服务方面仍较难替代金融专业人才和持牌机构。

而在供给侧，当前大模型在金融行业的应用主要聚焦于业务场景简单的非核心决策环节、更多体现为渐进式的赋能，主要由于大模型当前通用能力仍有待提升、金融专长仍有欠缺、以及金融服务的高专业壁垒和高精确度要求等因素的制约。然而，往前看，由于技术迭代发展仍有不确定性、大模型赋能金融业务的空间可能持续扩张，我们认为亦不能排除大模型颠覆金融业务模式的可能性。 例如，未来，若大模型通用能力、金融专长、内容生成的稳定性等方面大幅提升，其对金融行业供给侧的部分场景和业务可能带来颠覆性影响，例如作为智能投资中枢进行盈利预测、在符合监管合规和风险管理要求的基础之上完成投资决策并进行资产配置等，进而重塑当前金融机构的组织架构和展业模式。

针对普惠金融，国务院此前于2023年10月11日发布《关于推进普惠金融高质量发展的实施意见》[21]中指出主要目标是“未来五年，高质量的普惠金融体系基本建成”，其中具体包括：1）基础金融服务更加普及；2）经营主体融资更加便利；3）金融支持乡村振兴更加有力；4）金融消费者教育和保护机制更加健全；5）金融风险防控更加有效；6）普惠金融配套机制更加完善等。 对应来看，我们认为，大模型有望从多个方面对发展普惠金融产生积极影响。

其中，在交互方式上， 大模型有望降低用户交互门槛和使用成本，通过AI Agent语音对话、文字对话等方式精准洞察用户需求、高效匹配适当的金融服务产品，从而减少“数字鸿沟”问题并提升金融服务的用户满意度。此外，长期来看，大模型亦有望通过多轮对话、智能问答等方式赋能金融消费者教育和保护环节，降低供需双方信息不对称、提升社会公众的金融素养和金融能力、强化重点群体的判断能力和风险责任意识。

其次，在客群触达上， 在数字金融较为广泛地触达长尾客户并提供标准化、低门槛的金融产品服务基础之上，大模型则有望更进一步、在充分明确客户需求和风险偏好等基础之上，赋能金融机构向客户提供更加定制化、个性化的金融产品，让更广泛的客群享受到更优质的金融服务。

此外，在定价效率上， 大模型通过抓取更多样化的数据，或有望赋能金融机构改进授信风控模型、优化承保理赔效率等，进一步提升小微个体户、涉农主体等客群的金融服务可得性和质量。

我们认为虽然大模型可以通过降低信息不对称来减少金融系统的信用风险，但大模型在金融行业的广泛应用整体上可能给金融系统带来更多风险，其中包括1）大模型技术自有的风险可能传导至金融系统；2）大模型放大金融系统现有的潜在风险；3）大模型与金融业务的深度融合形成潜在的新型金融风险。未来，伴随大模型在金融行业的进一步落地应用，我们建议相关监管机构、金融机构、第三方技术服务商等“未雨绸缪”、加强合作，建立适当的风险管理制度和监管框架，防范潜在风险事件发生。

（一）大模型可能引发更多金融风险，对金融系统安全带来挑战

首先，从大模型本身来看，其在输出内容可控性、模型可解释性、算法歧视等方面仍存在一定的挑战，在金融行业的应用可能将相关风险传递至金融系统，并引发风险事件。

其中，在输出内容可控性方面，大模型通过压缩海量信息形成了较为强大的通用泛化能力，在内容生成环节具备一定的创造力，与此同时也伴随着“幻觉”问题带来的输出结果不可控的痛点。同时，若训练数据不完备、质量较差，大模型可能会生成低质量的错误内容，导致结果不可用、甚至误导金融机构和金融消费者的判断和决策。

第二，在模型可解释性方面，考虑到大模型复杂程度较高，其在内容生成方面可能存在更为严重的“黑箱”问题、内容生成的结果和过程难以被清晰地解释，导致金融机构难以在事前、事中、事后对其进行有效的风险溯源和管理。

此外，在算法歧视偏见方面，考虑到大模型基于海量数据进行训练，若底层数据本身存在偏见和歧视，可能会导致大模型内容输出、决策生成方面亦存在偏见，进而导致金融服务存在歧视性定价、设定歧视性服务门槛等风险。

其次，从金融行业自身风险来看，大模型落地应用可能加剧金融行业本身的顺周期性特征、引发系统性风险；同时，未来大模型的广泛应用可能对金融行业上下游协作和行业格局产生深刻影响，加剧“大而不能倒”风险、亦可能使部分中小机构在竞争压力下加速出清、暴露风险；此外，大模型可能会放大金融消费者信息泄露、金融欺诈等风险，给金融消费者权益保护带来更多挑战，同时其自身存在的潜在歧视偏见问题若没有被有效控制，亦将损害金融消费者权益。

具体来看，金融行业存在顺周期性，而大模型应用可能进一步加剧顺周期特征、放大相关风险。 例如，在算法、数据方面，如果大量金融机构在业务中采用了相同的基座大模型、或其训练的数据趋同使得模型参数相似，可能会导致金融机构产生相近的决策判断，从而放大“羊群效应”，加剧资产抛售、银行挤兑等风险。

同时，在竞争分化方面，大模型可能推动金融行业竞争分化，使得头部大型机构更加“大而不能倒”、中小机构加速出清并产生风险。其中， 有观点认为大模型能够缩小中小金融机构和大型金融机构的技术差距[22]，例如中小金融机构可以通过公有云API或私有化部署方式按需引入大模型以灵活满足业务需求、提升技术水平。然而，亦有观点认为大模型训练门槛非常高，需要警惕中小金融机构在大模型时代“技术掉队”[23]。

如前文所述，考虑到金融行业的专业壁垒，大模型在金融行业的落地应用仍需为其注入大量的高质量金融专有数据和金融认知以提升专业度，叠加资金预算和业务规模的约束，我们认为大模型应用整体更可能推动金融行业格局进一步分化、市场集中度整体进一步提升，加剧头部机构“大而不能倒”的问题。同时，虽然在同业中处于相对领先位置的中小机构有可能在细分领域借助大模型技术实现跨越式发展，但从全局视角来看，大模型能否推动大量中小机构拉近与头部机构的差距仍有待观察。因此，我们认为不应低估大模型加剧金融行业两极分化的潜在风险。

而在金融消费者权益保护方面，大模型可能带来更多金融欺诈、歧视偏见等风险和挑战。例如，大模型可以通过仿造更加逼真的用户音频、图像等信息，绕过金融机构风控审核并获得授权、或者编造虚假信息误导投资决策等；此外，若大模型不当采集金融训练数据，则可能导致在内容生成时泄露用户隐私信息；同时，大模型技术内在的问题缺陷可能导致金融服务存在歧视和偏见，损害金融消费者的合法权益。

最后，未来大模型与金融业务的深度融合可能会产生新型金融风险，包括新型“大而不能倒”风险、潜在利益冲突、新型风险传导路径等。

其中，在新型“大而不能倒”风险方面，未来，伴随规模效应下大模型服务商格局的变化，金融机构合作/采购的基座大模型如果主要由少数大型科技公司提供，这将使得大量金融机构依赖于少数第三方服务商、加强了相关技术服务商对金融系统的潜在影响力；此外，考虑到基座大模型通常与部分大型科技公司云业务捆绑销售，这可能进一步加大金融机构对少数第三方的依赖程度。而对于向金融机构提供大模型服务的大型科技公司，其自身的运营透明度、系统稳定性等均对金融系统的稳定具有重要影响，实质上具备系统重要性金融基础设施的特征，有可能形成新型“大而不能倒”风险。

此外，在金融机构展业过程中，大模型的应用可能存在利益冲突，例如，在推介产品服务时可能会出于公司利益最大化立场生成决策建议。同时，由于大模型自身可解释性较差，或难以明确其具体决策逻辑以及溯源相关责任主体，使得潜在利益冲突较难被解决。

同时，大模型之间的相互影响尚不清晰，如果大模型在金融领域被广泛应用，未来大模型之间可能存在相互协作关系，进而可能带来新的风险表现形式和新的金融风险传导路径。

（二）海外监管动态：针对金融消费者权益保护和新型“大而不能倒”风险已有监管要求和正在制定的监管法案，同时相关机构亦对其他潜在风险表示担忧

我们观察到，海外监管机构正在持续关注包括大模型在内的AI技术可能产生的金融风险，其中，已有监管机构针对部分重点领域出台或正在计划出台针对性的监管要求。

其中，美国监管机构对大模型技术存在的潜在偏见歧视风险、以及金融消费者权益保护和潜在利益冲突等方面提出了监管要求。同时，部分金融监管机构亦对顺周期性、新型“大而不能倒”等风险表示担忧。

例如美国证监会（SEC）近年来多次提示AI对金融系统的风险，包括大型金融机构依赖少数AI算法做出投资决策从而加剧金融系统脆弱性[24]，以及 AI强化决策一致性和“羊群效应”、加大金融业务之间的风险关联度、技术快速迭代下的监管缺位等风险，同时，在新型“大而不能倒”风险方面，或可通过监管金融机构和AI服务商的合同条款、以及直接监管向金融机构提供AI服务的第三方服务商来减少风险[25]。此外，美国国会研究服务（Congressional Research Service，CRS）在2024年4月发布的金融服务中的AI及机器学习报告亦讨论了AI在金融领域的潜在风险和相关政策议题，包括模型算法歧视、模型可解释性、模型集中度及相关系统性风险、市场操纵、利益冲突等[26]。