AI巨头扎堆金融，但还没碰最核心的活
巨头排队进场，金融成了AI新战场
Louis在金融圈干了十年，从行业研究员做到产品经理，参与过全国性金融系统的设计，也跑通过后台结算和衍生品交易的整套流程。2020年中秋，他为一份调研报告熬了一个假期；现在，只要构思好框架，把素材喂给AI，再调几个自建的Skill，几小时就能出一版相对完整的初稿。
这种提速感，眼下几乎每个金融从业者都能体会到。因为AI巨头正集体杀入金融领域。
IDC数据显示，2025年中国金融生成式AI市场增速高达90.4%，是AI落地最猛的行业之一。而今年节奏还在加快：5月，Anthropic一口气发布10个金融Agent模板；8月，Google Cloud推出Gemini金融服务版；9月3日，腾讯WorkBuddy金融版上线，号称已入驻中金、国投证券、中国太平等100多家机构；9月7日，千问宣布接入兴业证券、易方达、众安保险等十余家；9月10日，OpenAI推出金融版ChatGPT，由摩根士丹利参与打磨，内置PitchBook、LSEG等专业数据源。阿里云内测的AI投研工具Qovest也在圈内流传。
短短两个月，四家巨头密集入场。AI能落地的行业不少，为什么偏偏在这个时间点死磕金融？
技术卡点终于松动
金融和AI的适配性早有共识。金融是数字化程度最高的领域之一，信息密度极高。中国结算《2025年统计年鉴》显示，A股投资者超2.5亿，自然人占比99.76%；仅2026年一季度新增开户就超1200万户。资产端，登记存管的证券超4.2万只，沪深总市值近138万亿元。内容端，5469家上市公司每年滚动披露数万份定期报告，加上每日公告与快讯，文本量以亿字计。
金融从业者每天的工作，本质是信息搬运和密集计算——这正是AI的强项。以前研究员要和程序员配合才能搭量化模型，现在只要懂产品思维，把需求“喂”给AI，代码生成和数据检索由AI代劳，研发周期大幅缩短。
但适配只是基础，真正卡住AI进金融的，一直是技术瓶颈。今年有两件事终于跑通了。
第一是幻觉可控化。金融行业要求AI“零幻觉、可回溯、审计留痕”，过去这被视为禁区。如今，模型端头部垂直模型的幻觉率已压到2%以内（Vectara幻觉排行榜数据）；工程端RAG（检索增强生成）成为B端标配，模型被约束在机构给定的数据源内作答；产品端，Agent模板和工作台把每次调用留痕，让幻觉从不可接受的风险变成可定位、可审计的误差。
“金融客户不追求幻觉率为零，他们关心的是说错了能不能发现、能不能定位。”一位金融AI创业者说。落到工程上就是三层兜底：检索层只查给定数据源；生成层要求每个结论带引用；审计层记录每次调用的输入、输出和引用来源。中国人民大学本硕、某头部VC分析师赵永国（Octo）补充，验收的关键在于“溯源”——每条结论挂出处链接，点进去就能看到出自哪份研报或年报。
第二是Agent的成熟。聊天机器人时代，AI本质是高级搜索，把文档切块、按关键词拼答案，只有提效，没有实质。但Agent能跑通工作流闭环。以基金公司行业研究为例，行业-要素-权重-方法论一层套一层，靠多个子Agent分工协作，整套研究框架才得以AI化。“闭环能力成立之后，金融行业才第一次确认这东西真的能用。”Octo说。这才是巨头集体入局的真正拐点。
再加上市场空间明确：IDC预测，中国金融生成式AI市场规模将从2025年的17.4亿元增至2029年的113.5亿元。虽然盘子不大（同期AI医疗软件市场约35.4亿元），但90.4%的增速稳居行业第一梯队。更重要的是，金融机构付得起钱——一个外部数据账号年费上万元，中型基金公司一买就是几百个；大量重复性岗位人力成本高、要求低，AI替代的ROI非常现实。
数据、技术、钱都到位了，巨头自然一拥而上。
三条路线：卖工具、嵌系统、抢入口
尽管目标一致，巨头打法却完全不同。拆开看，产品形态可分为三种，对应三种生意逻辑。
第一种是卖工具：把AI做成金融从业者随手可用的能力包。Anthropic的10个Agent模板，就是把写招股书、客户背调、财务建模、月底对账等标准化工作做成开箱即用的模块，并接入标普、穆迪等数据库，让AI回答时直接查数。Google的Gemini金融版、OpenAI的金融版ChatGPT也类似——云端订阅，集成和流程改造留给客户自己。
这类产品解决的是最琐碎、最重复的工作：找数据、整材料、搭初步模型、更新表格。优势是部署快、门槛低、覆盖面广。但容易同质化——技能可复制、模型可替换、数据连接可迁移。对巨头而言，这更像是抢占第一层入口，同时培养用户习惯、积累使用数据，高价值部分还在后面。
第二种是嵌系统：把整套AI工作台深度嵌入金融机构的生产流程。腾讯WorkBuddy金融版就是典型。它按公司金融、零售金融、投研投顾、个客经营分成四个工作台，厂商进驻装机，与中金、平安银行、中国太平等共同打磨。对公信贷尽调等流程已开始用AI压缩处理时间，整套系统部署在机构内网，模型、数据、审计链路全部留在“墙内”。阿里点金打法类似。
这条路比“工具”重得多。一旦AI进入核心流程，客户就很难更换——权限体系、数据接口、员工培训、审计记录、内部系统适配，都需要重新搭建。对AI厂商来说，销售周期长、交付成本高，但客单价高、黏性强。这最考验企业服务能力。
第三种是抢入口：把AI推到金融服务的用户端。千问App就把券商、基金、保险、期货等机构直接放进一个面向消费者的AI入口。用户在一个App里查行情、读研报、获取金融服务。对金融机构，这是新渠道；对AI平台，则是在争夺用户每天处理“钱”的那个入口。
这条路线想象空间最大——一旦用户形成习惯，AI平台可能掌握金融需求的分发权。但它也是最难的：企业内部AI解决效率问题，面向消费者的金融AI还要处理责任、牌照和信任。
从成熟度看，第一条最容易放量，第二条最可能沉淀长期价值，第三条最考验用户规模和金融能力。这也解释了为何巨头没押同一种产品：Anthropic、Google、OpenAI选择先装专业能力进模型，快速切入机构；腾讯、阿里擅长企业服务和本地部署，更容易从工作流切入；而千问还能利用App用户规模，争夺消费端入口。
数据在别人手里，客户也在自建AI
但无论走哪条路，巨头想把生意做深，都绕不开两道关。
第一关在上游：核心数据仍掌握在别人手里。行情、财报、公告、研报的授权和口径，长期被Wind、同花顺、通达信、彭博、穆迪、标普等数据商把持。现在的变化是，AI厂商通过MCP和各种连接器，把这些藏在专业终端里的数据调用能力接进Agent。Anthropic与穆迪合作，Google联手标普，WorkBuddy接入通达信——不是技术偏好，而是不做这个连接器，就拿不到更多专业数据。模型可以迭代，但数据授权、口径标准和历史积累很难一夜复制。
第二关在下游：金融机构自己也在建AI产品。大型机构很难把最核心能力全交给外部厂商。东吴证券自研秀财GPT，用本地化部署的DeepSeek-R1做投顾、研报和风险识别；中金把资深分析师的研究方法“蒸馏”成技能包；国君、广发、国信、中信建投各家都搭起了自己的智能体矩阵；长桥甚至选择从底层到应用全链路自研，再将能力向外输出。
所以，AI金融不是巨头进去就赢的生意。
AI进了工位，但没进核心
三条路线解决的是“怎么进机构”的问题，真到了一线工位，又是另一回事。
Louis的体感是，目前金融AI让一线明显提效的，主要还是行研和交易的基础环节。“金融是一台大机器，行研和交易只是其中一台发动机。”他指出一个被忽略的事实：金融业最原始的形态是银行的存贷，至今没有任何金融AI能覆盖借贷和存款的全周期。巨头反复强调的“覆盖证券、基金、期货、保险全链条”，落到实际，信贷审批、风险评估、合规决策这些最核心环节，AI仍然只是辅助。
Octo从用人端印证了这一点：“AI现在最容易替代的，是实习生和初级研究员。实习生的活是扒数据、整理数据、听会写纪要；初级研究员多一层最基础的研究能力，但产出本质是行业普遍认知。”这些内容有足够公开样本可学，也有清晰工作流程可拆解。
而金融真正值钱的部分，往往发生在信息整理完之后。比如同一组宏观数据摆在几个研究员面前，有人判断行业即将反转，有人认为只是短期波动。这些判断依赖的不是公开信息本身，而是对行业周期、公司经营、交易环境以及过去经验的综合理解。
更现实的是，少数人持有的观点和knowhow（落地经验、踩坑心得、实操技巧、内部做法），机构根本不会交给任何外部厂商。这解释了覆盖面为什么窄——AI能干的是普遍认知的活，而金融里最贵的活，恰恰是不普遍的那些。
除了覆盖面小，数据隐私仍是硬坎。幻觉率降了，但红线还在。一位从业者把信息分得很清楚：“未公开的财务数据、内部报表、董事会材料，都是敏感信息，不可能提供给AI。”
从这个角度看，AI已经进入金融的工作流，外围工作开始被接手，但核心判断仍然牢牢握在人手里。
巨头们正试图改造这个行业。布局深的，或将成为机构离不开的底座；布局浅的，按token计费、随时可被替换。不止一位从业者认为，未来AI金融很可能不会只有一种赢家：模型厂商提供通用智能，数据商守住专业数据和口径，AI平台负责把模型、数据和Agent组织起来，金融机构则把自己的业务规则和方法论留在内部。真正能长期留下来的产品，最终都得在这张复杂的产业链里，找到自己不可轻易替代的位置。