雷火竞技首页

【CGS-NDI研究】信息为骨科技为翼:AI+金融的演进逻辑
发布时间:2026-06-22
 2026年以来,以OpenClaw为代表的AI智能体引发市场热议。市场担忧传统软件的需求与商业模式被颠覆,美股软件行业遭遇大规模抛售,多家提供金融、法律、税务软件的巨头股价大幅下挫。AI浪潮的颠覆性冲击汹涌而至,首当其冲受到影响的是高度结构化、信息密集型行业,而金融业正是这样一种以信息处理为核心的行业形态。面对这场由技术驱动的剧烈变革,我们以历史沿革透视本质,挖掘AI为何能够从提升效率的辅助工

  2026年以来,以OpenClaw为代表的AI智能体引发市场热议。市场担忧传统软件的需求与商业模式被颠覆,美股软件行业遭遇大规模抛售,多家提供金融、法律、税务软件的巨头股价大幅下挫。AI浪潮的颠覆性冲击汹涌而至,首当其冲受到影响的是高度结构化、信息密集型行业,而金融业正是这样一种以信息处理为核心的行业形态。面对这场由技术驱动的剧烈变革,我们以历史沿革透视本质,挖掘AI为何能够从提升效率的辅助工具,演进为重塑金融行业运营模式、竞争格局乃至金融体系结构的关键力量?

  为什么金融业会成为AI应用的重点领域?金融业本质上是以信息处理为核心的行业形态,对信息的质量、速度与覆盖范围高度依赖,因此始终是信息技术商业化应用的先行领域和重要试验场。从电子化、网络化到数据化与智能化,围绕资源配置、风险管理与支付清算等核心功能,金融体系历次技术演进均呈现出率先落地、快速规模化的特征,并在提升业务效率与风险控制能力的同时,反向推动相关技术的成熟与扩散。

  金融AI已由辅助工具向关键基础设施跃迁。其核心变化不在于单点技术突破,而在于对金融运行全链条的系统性重构,从数据采集、分析处理,到可信传递与决策支持,均在被重新定义。在这一过程中,金融体系的运行逻辑正在发生深刻转变,由过去依赖经验判断、人工操作与中心化流程,逐步转向以数据驱动、自动化运行与人机协同为特征的新范式。

  从应用来看,金融AI的落地仍处在“从试点到规模化”的过渡阶段,整体应用渗透率仍不高,价值释放远未完成。一方面,当前应用仍以标准化场景中的“工具型赋能”为主,表现为局部落地与单点优化,尚未形成对业务流程的系统性重构;另一方面,部分领域已具备规模化扩展的基础,正处在“临界点”附近。从行业分化看,银行业依托高度标准化流程与数据优势,已率先实现一定程度的规模化应用;证券业由于决策高度非结构化,AI更多停留在辅助环节,应用深度明显不足。从技术路径看,生成式AI已在信息处理与认知增强层面快速扩散;而AI Agent仍处于试点探索阶段,尚未进入核心业务流程。

  AI将如何改变金融竞争格局与长期结构?短中期看,AI由效率工具转变为决定竞争格局的关键变量,核心在于机构能否将其系统性嵌入业务、风控与决策体系,实现由单点应用向全流程重构、由技术部署向组织能力转化。长期看,AI扩散将重塑金融信息结构,缓解信息不对称,推动一定程度的“信息平权”,并压缩传统中介环节。除此之外,AI的规模效应与数据优势可能强化头部机构地位,带来马太效应与赢家通吃,使金融体系呈现效率提升与集中强化并存的特征。

  长期以来,金融业始终受制于一个隐性的经营约束:难以同时实现大规模服务、个性化体验与成本控制。然而,随着人工智能加速从技术探索走向工程化与体系化落地,这一传统约束边界正在被重新定义。作为典型的信息密集型行业,金融对信息获取、处理与决策效率高度依赖,因此历次技术革命均率先在金融领域实现商业化并迅速规模化扩散,人工智能正在延续并强化这一历史规律。对投资者而言,这不仅意味着技术升级,更预示着行业成本结构、盈利模式与竞争格局可能进入新一轮重塑周期。

  在这一背景下,我们探讨一个具有资产定价意义的核心问题:以人工智能为代表的金融科技,为什么能够从效率提升工具演变为金融业发展的核心驱动力,并有可能深刻改变金融机构的运营方式、竞争优势乃至整个金融体系的结构?当前行业正处于怎样的发展阶段,未来将沿着何种路径演进,又将对长期竞争格局与价值分化产生怎样的影响?

  金融的本质在于跨期与跨状态配置资源,其运行建立在信用、杠杆与风险约束的基础之上。金融活动之所以不同于一般商品交换,根源在于其将资金在时间维度上从现在转移至未来,使交易无法同时完成且未来结果具有不确定性。Zvi Bodie与诺贝尔经济学奖得主Robert C. Merton在其合著教材《Finance》中指出,金融的核心功能是在不同时间和不同状态之间配置资源,即通过跨期配置与跨状态配置实现资源转移与风险分担,这一界定已成为现代金融学的标准框架。在此基础上,Hyun Song Shin在国际清算银行(BIS)的研究中进一步指出,金融体系本质上围绕跨期承诺运行,而跨期交易的非同时性与不确定性决定了其必然依赖信用安排、通过杠杆扩展配置规模,并伴随风险的积累与传导;中国学者黄奇帆亦将信用、杠杆与风险视为金融运行的核心环节。由此可见,信用、杠杆与风险共同构成金融体系的基础性约束条件,也是理解金融运行逻辑与系统稳定问题的关键切入点。

  从更深层次看,这三者并非彼此孤立,而是共同建立在信息的基础之上。金融体系的功能,本质上是通过制度与技术安排,对信息进行收集、加工与验证,从而支撑信用关系、调节杠杆水平并管理风险敞口。一是信用源于信息不对称。信用关系的形成,本质上是由于交易双方所掌握的信息不对等。借款人通常比出借人更清楚自身的还款能力,这种信息差异构成了金融活动的基本张力。金融机构的核心职能之一,正是通过尽调、征信、审计和持续监测等机制,对信息进行筛选与验证,以降低不对称程度,从而使信用得以成立并持续。二是杠杆随信息预期变化而波动。杠杆本质上是对未来现金流的信心放大。当市场参与者基于一致且乐观的信息形成预期时,杠杆趋于扩张;反之,当信息不确定性增加或预期转向悲观时,杠杆则会迅速收缩。金融周期的起伏,在很大程度上映射的是信息认知与预期的周期性变化。三是风险的本质是信息不完全。风险并非纯粹客观的实体,而更多源于对未来状态认知的不足。无论是信用风险、市场风险还是操作风险,其根本都可追溯至信息的缺失、滞后或失真。风险管理的核心,并不是消除不确定性本身,而是不断缩小已知与未知之间的差距。四是金融活动围绕信息处理展开。从尽职调查、资产定价、交易执行,到后续风险管理与合规监管,包括资产获取、定价、风控、交易、服务、运营在内的金融价值链的金融活动核心环节,均依赖于对信息的获取、处理与验证能力。整个金融过程,实质上是信息不断流动、加工与反馈的循环。

  金融以信息处理为基础,而金融科技正通过技术手段重构信息处理的效率、成本与边界。它彻底改变了金融业从信息采集、分析、处理到决策的全流程范式。传统金融与金融科技的根本区别,就在于信息处理方式的变革。在信息稀缺、传递成本高、验证困难的条件下,传统金融依赖组织、制度与中介来完成交易,这实质上是对信息处理能力不足的制度性补偿。而金融科技并非简单的线上化或数字化,而是信息获取、传输、存储、分析与验证技术的整体飞跃,进而引发金融体系底层架构的系统性重构。因此,金融科技的本质是一场由信息技术驱动,对金融价值链、商业模式、产品服务乃至监管体系进行全面革新的产业革命。

  金融科技推动信息采集从有限、滞后、结构化,走向全景、实时、非结构化,从根本上改变了金融决策的数据基础。传统金融主要依赖内部结构化数据、授权查询和人工调研,样本有限、更新缓慢、以静态事后信息为主,容易导致风险评估不全、市场反应滞后。金融科技借助多种技术,极大地拓展了信息的边界、维度与时效性。信息采集方式的革新是后续一切变革的基石,有助于提升风险评估与定价的精细度、投资研究的前瞻性、营销服务的精准化与场景化,以及运营合规的自动化水平。

  计算能力与算法模型的进步,使得金融分析从经验驱动,转向模型驱动与数据驱动。通过机器学习与人工智能,金融分析不再局限于静态描述与因果推断,而是能够进行高维关联挖掘、动态预测与自动化决策,从而在投资研究、风险管理、财富管理及合规监管等核心环节实现智能化升级。

  金融科技推动信息传递与验证从依赖中心化机构、多层中介与事后对账的高摩擦架构,转向以技术规则、自动执行与多方同步为特征的低摩擦架构。这不仅显著提升了跨机构、跨地域金融活动的效率与透明度,还在跨境支付、清算结算、供应链金融、数字身份与资产数字化等领域,降低了信息不一致与验证成本。同时,这也对传统中介职能、监管框架与风险形态提出了新的挑战。

  金融决策正从“以人为中心、事后判断”转向“人机协同、实时反馈”的新范式。一方面,通过智能投研系统、量化模型、自动化风控与智能投顾等技术,金融机构可将复杂多源的信息以结构化、可视化、可交互的方式呈现给决策者,使信息动态融入决策过程,而非停留在静态报告或经验层面。另一方面,金融科技也重塑了人与客户、机构与市场之间的交互方式,推动个性化定价、动态授信与实时风控成为现实。

  金融体系的内在运行机制要求信息必须精准获取、高效处理、可靠验证,这一本质决定了金融业长期以来都是信息处理技术的早期采纳者和重要应用场景。每一轮信息技术的发展,几乎都会率先在金融领域实现规模化应用,并反过来促进技术的成熟与推广。从上世纪后半叶电子化系统取代手工操作,到互联网时代的在线化与移动化服务,再到近年来以大数据、云计算、区块链和人工智能为代表的智能技术集群,金融业始终扮演着技术落地的第一试验田和价值放大器的双重角色。

  这种先锋地位既源于金融业务对实时性、准确性和安全性的极致要求,也得益于金融交易本身易于数字化、模型化的特点,从而为技术创新提供了清晰的验证场景和直接的价值回报路径。技术的早期采纳与规模化应用,又在真实业务场景中持续反哺技术迭代,推动其逐步成熟与标准化。可以说,金融业并非被动应用新技术,而是由于其内生的信息密集型特征,持续为信息处理技术提供高价值、高复杂度的真实应用场景,进而成为推动相关技术向前演进的重要动力。

  早期的金融科技更多被视为提升效率的工具,用于优化既有业务流程;而今天,金融科技已深度嵌入金融机构的组织结构、业务逻辑与竞争优势之中,成为金融业的底层基座。

  科技竞争已成为金融业核心赛道,投入强度与人才结构直接影响机构长期竞争力。

  (1)从科技投入规模与强度看,美国头部金融机构显著领先,将科技支出视为构建未来核心护城河的战略性投资,旨在通过技术手段重塑业务模式与竞争优势。以美国银行、摩根大通和花旗集团为代表的机构,其年度科技投入规模普遍处于50—100亿美元区间,科技支出占营业收入比重较高,通常在5%—11%之间,摩根士丹利甚至超过11%,显示出其已将科技投入明确定位为核心资本性投入。相比之下,中国金融机构整体投入水平仍存在差距。中农工建四大行的科技支出规模约为30—40亿美元,而中国证券公司的科技投入普遍低于5亿美元,科技支出占营业收入比重多在6%以下。

  (2)从技术人才结构与配置看,国内金融机构技术人员占比整体偏低,反映出传统以业务与人力驱动为主的组织结构仍处于转型过程中。国际头部金融机构则在技术人才配置上更加聚焦、占比更高,除美国银行之外,技术员工占总员工比重普遍在16%—29%之间,其中摩根士丹利接近29%,科技部门已成为核心职能部门。相较之下,中国金融机构中,国有四大银行的技术员工占比普遍在5%—9%区间,技术人员角色正由业务支撑向业务赋能加速转变,但整体仍处于结构调整阶段。

  金融科技已从早期探索性投入阶段,逐步进入以规模扩张和结构升级并行推进的深化发展阶段。技术投入不再只是单点数字化改造,而是围绕核心业务流程与长期能力建设展开,呈现出投入强度上升、结构持续优化以及行业分化加深的综合特征。

  从行业整体看,金融科技市场规模持续保持较快增长,预计在2025年后增速将进一步提升。随着生成式AI等新技术进入规模化落地阶段,有望带动新一轮技术投入与应用扩张。从投入结构看,金融机构的信息技术支出正经历显著转型:早期以硬件投入为主,逐步转向以软件采购、云服务、安全与数据治理等为代表的“软实力”投资,技术投入重心不断上移。从行业差异看,银行业仍是信息技术投入主力,其效率提升路径相对平稳;证券业则因业务特性更易受AI技术影响,预计将呈现效率加速提升的态势。但二者均将加大前沿科技投入比例。

  金融科技演进的根本动力,来自金融信息形态与处理需求的深刻变化。当前,金融信息正由以结构化、可枚举数据为主的形态,转向以非结构化、语义化和动态演化为特征的新形态,其规模、复杂度与不确定性持续上升。在这一背景下,传统依赖人工经验或经典统计模型的信息处理方式,已逐步触及能力边界,难以支撑金融体系对实时性、精细化与全局性的要求。与此同时,人工智能体现为信息处理能力的根本性跃升。

  作为唯一具备可扩展性的信息处理技术体系,AI不仅能够在复杂、不完备信息环境中提取结构、形成认知,还能够通过持续学习不断优化判断能力。因此,AI不再只是金融科技的工具补充,而是正在成为重塑金融价值链的关键性基础技术。

  金融业对人工智能的吸收与应用并非一蹴而就,而是伴随技术成熟度、业务复杂度与制度环境的逐步演进而推进。当前,金融AI整体仍处在由试点探索向规模化应用过渡的关键阶段,其应用深度与广度尚未完全释放。

  从业务流程来看,人工智能正在逐步渗透金融业前台、中台与后台各类业务,但其应用形态仍以规则清晰、流程标准化的环节为主,更多承担的是效率提升与风险控制等工具型职能,尚未对金融机构的核心决策逻辑和业务范式形成系统性重塑。从整体AI+金融的应用版图看,当前阶段仍以局部落地、单点优化为主要特征。

  从全球各区域发展来看,金融AI的发展呈现出明显的区域差异。北美在应用规模和投入强度上暂时领先,欧洲及亚太市场整体仍处于追赶阶段。这种差异既反映了各国金融体系数字化基础与技术生态的阶段性差别,也意味着多数市场仍处在金融AI深化应用的早期窗口期,为后发地区通过场景创新与制度协同实现跨越式发展保留了空间。

  2.当前,生成式AI正在成为金融智能化的基础能力,重塑金融信息处理与决策逻辑

  金融企业正以前所未有的力度积极布局生成式AI,投入规模持续攀升。我国金融业AI类产品预计将从2024年的43亿元以约30.36%的复合年增长率快速增长,到2029年突破160亿元。其中,生成式AI相关投入成为增速最快、力度最强的板块。同时,金融大模型相关中标项目数量与金额呈波动上升趋势,反映出资本市场对该赛道的认可与积极布局。

  生成式AI在金融业的落地呈现出明显的行业分化特征,其应用路径与各子行业的业务属性和风险约束高度相关。银行业由于业务流程标准化程度高、数据结构清晰、历史数据积累充分,且风控与合规边界明确,更具备实现AI规模化应用的基础条件。相比之下,证券行业的投资决策高度非结构化,信息噪声大、不确定性强,AI应用起步相对较晚,目前主要集中于行情分析、量化交易、风险监测与运营支持等辅助环节,而尚未深度介入核心投研决策。总体来看,信息结构越清晰、结果可验证性越强、风险可控程度越高的领域,越容易率先实现生成式AI的规模化落地。

  从具体表现看,生成式AI在不同金融子行业中沿着差异化主线展开应用。一方面,银行业的AI应用以信用评估、合规管理与客户关系维护为核心,强调稳定性与可控性;另一方面,证券业则围绕市场分析、交易执行与投资决策支持展开,更强调对复杂信息的理解与动态响应能力,两者在应用重心与技术路径上呈现出显著差异。

  尽管应用节奏存在差异,生成式AI在金融业内部仍呈现出一致的演进方向,即由单点工具向系统级智能跃迁。其发展大体经历三个阶段:第一阶段以提升效率和辅助决策为主;第二阶段深度嵌入业务流程,推动流程层面的智能化;第三阶段则开始直接影响市场行为与资源配置,使AI逐步内化为金融体系运行的一部分。这一过程并非简单的自动化升级,而是通过重构信息的生产、传递与决策机制,推动金融机构前、中、后台协同逻辑发生系统性调整,标志着人工智能开始内生于金融组织的运行机制之中,并为金融业迈向更高层次的智能化奠定基础。

  生成式AI侧重于认知与内容生成能力,而AI Agent则在此基础上进一步实现面向目标的自主决策与行动闭环。生成式AI以大模型为核心,侧重于对文本、语音等非结构化信息的理解、生成与综合判断,解决的是认知与表达的问题;AI Agent则在生成式AI能力基础上,进一步引入持续感知、任务规划与自主执行机制,使智能系统能够在既定目标与约束条件下完成行动的闭环。与以单次交互为特征的生成式AI不同,AI Agent更强调任务连续性、状态记忆与目标导向,使人工智能从按指令响应的信息处理工具,演进为能够独立完成复杂任务的行动主体,标志着AI发展从认知智能向行动智能阶段的进一步跃迁。

  从更长周期看,生成式AI与AI Agent构成了当前AI+金融深化应用的两条关键路径。前者对应金融业的“知识与认知层”升级,推动AI由信息助理走向决策支持;后者对应“执行与行动层”的自动化与自治化,探索在更复杂决策链条中的可行边界。总体而言,金融业的AI应用已进入“深水区”。未来真正拉开机构差距的,不在于是否引入AI,而在于AI是否开始嵌入并重塑核心决策与执行链条。

  金融AI的变革是一场系统性重塑:一是分行业来看,对银行业,AI的冲击更侧重于渠道重塑与成本削减,是价值链重塑;对证券业,AI的影响更侧重于投研决策范式的升级,是认知革命。二是分层级来看,无论是银行还是证券,AI的应用都遵循从外围辅助到核心赋能再到生态融合的渐进路径。英伟达调研显示,金融机构的AI 投资将用于优化现有工作流,以及探索该技术的新用途。整体而言,41%的受访者表示,优化AI 工作流与生产周期是其首要的AI支出重点,这一比例较2024年的26%有所上升。支出重点包括发掘更多AI用例(34%),以及构建并开放AI基础设施访问权限(30%)。

  三是分阶段来看,监管条例的颁布、产品实践能力、行业标准、AI技术队伍建设、金融业AI联盟建设以及知识普及及员工培训都被视为AI技术在中国金融业深度所需支持的关键因素。可见,组织能力至关重要,整个过程受到监管、组织能力、人才和技术成熟度的共同制约,其成功关键取决于组织能否有效适应这一趋势。

  在组织运作中,人工智能的深入应用正改变金融机构的决策结构与权责分配。传统模式下,关键决策多依赖少数核心人员的经验与判断;而随着AI的深度融入,决策权逐步向系统能力转移,更多依赖数据、模型与算法形成的集体理性。组织的竞争力不再仅仅取决于个别明星专家,而更依赖于数据质量、模型成熟度以及人机协同机制的有效性。这意味着,金融机构的核心能力正从个人经验转向系统化智能,组织形态与管理逻辑也随之调整。

  在制度安排上,人工智能的广泛嵌入对金融监管、合规框架与责任界定提出了新课题。随着AI系统在决策中扮演越来越重要的角色,传统以人为中心的责任认定、风险归因与合规审查机制面临挑战。监管需要从关注结果合规,转向对模型透明度、数据来源、决策逻辑与系统治理的全流程监督。同时,如何界定人机协作中的责任归属,如何在鼓励创新与控制系统性风险之间取得平衡,也成为制度演进的关键议题。

  总的来说,人工智能正在将金融体系带入以智能信息处理为特征的新阶段。这一进程不仅是技术应用的累加,更是金融体系在规模扩张、复杂性增加与风险约束强化背景下的必然发展。未来金融的竞争力,不仅取决于资本与规模,更取决于对人工智能这一基础能力的系统性吸收与制度化构建。

  业务、组织、制度协同演进的框架之下,AI+金融的未来预示着信息平权,专业金融服务变得更加“可得”。AI与金融的深度融合正在重塑金融体系的底层运行逻辑。人工智能通过系统性提升信息获取、处理与应用效率,推动金融体系由信息不对称驱动的专业垄断结构,逐步向信息能力更广泛分布的方向演进,使原本高度依赖专业机构与个体经验的金融服务,开始具备更强的可复制性与可扩散性,从而提升金融服务的可得性与覆盖面。

  信息平权的路径体现为三个递进层次:一是信息获取更加公平,AI显著降低数据获取与转化成本,打破传统信息壁垒;二是信息理解更加普惠,智能工具降低金融专业门槛,使认知能力由少数专业主体向更广泛群体扩散;三是信息应用能力加速普及,算法与自动化系统使更多主体具备参与高质量金融决策的能力。在此基础上,金融竞争由信息与渠道优势转向模型能力与系统效率,风险管理由经验驱动转向数据驱动,金融服务的覆盖面与包容性显著提升。

  但需同时看到,AI的规模报酬递增与数据飞轮效应可能强化头部机构优势,带来“马太效应”与“赢家通吃”,使金融体系呈现信息趋于平权、能力反而集中的结构性张力。未来,数据治理、算法透明与跨境监管协调将成为这一进程中的关键约束与政策重点。

  本文摘自:中国银河证券2026年6月11日发布的研究报告《【CGS-NDI研究】信息为骨,科技为翼:AI+金融的演进逻辑》