人工智能推动金融底座跃迁

来源：中国金融

作者｜《中国金融》记者　张一帆

文章｜本文将刊登于《中国金融》2026年第16期

当人工智能（AI）系统从“辅助工具”演进为深度嵌入业务流程、参与业务分析、辅助决策的核心生产要素时，金融机构面临的已不仅是技术选型问题，而是一场涉及运维体系、安全合规的系统性重构。2026年，国内金融业生成式AI投资规模持续攀升。截至2025年末，工商银行已在30余个业务领域落地500余个AI应用场景，覆盖大量生成式大模型场景；招商银行小企业尽职调查报告82%的工作量由大模型应用替代人工完成。与此同时，监管框架加速完善，2026年3月，中国人民银行科技工作会议指出，“积极稳妥、安全有序推进金融领域人工智能应用”；6月，金融监管总局发布《关于银行业保险业人工智能安全开发应用的指导意见》，首次就AI在银行保险业的应用出台系统性规范。技术与监管同步迈入深水区，技术跃迁虽然为金融业带来了效能红利，但是安全治理体系优化、传统运维模式转型正成为金融机构面前的紧迫课题。

AI跃迁背景下金融业面临双重现实挑战

AI规模化落地给金融机构带来双重核心压力：一方面，AI技术衍生出的新型安全风险成为治理的关键；另一方面，承载大模型、智能体的智算集群重构金融IT基础设施，倒逼运维体系迭代革新，两类风险相互交织、联动传导，需统筹协同治理。

安全 for AI：AI规模化应用催生新型风险治理难题

攻击面持续扩张，AI驱动新型网络威胁涌现。深度伪造、提示词注入、模型逃逸、对抗样本等新型攻击手段快速迭代，攻击者可借助AI自动化生成攻击脚本、批量挖掘系统漏洞，传统边界防护、静态安全策略难以动态应对智能化威胁。

模型全链路风险管控存在短板。AI风险贯穿数据采集、模型训练、微调部署、线上推理、迭代优化完整链条。训练数据存在隐私泄露、样本偏见、数据污染风险；大模型普遍存在“算法黑盒”“模型幻觉”等问题，高风险金融场景下决策可解释性不足；智能体具备自主规划、工具调用能力，若缺少权限约束与行为审计，极易引发越权访问、数据外泄等重大隐患。此外，部分金融机构存在“重上线、轻治理”倾向，尚未建立覆盖AI全生命周期的风险管控机制。

合规框架与技术落地适配不足。《关于银行业保险业人工智能安全开发应用的指导意见》等人工智能安全指引的出台，对算法管理、数据合规、模型审计等提出硬性要求。然而，多数金融机构缺少统一的平台承载AI安全运营工作，安全能力分散在科技、风控、合规不同条线，跨部门协同机制不畅，难以实现风险实时监测、快速溯源、闭环处置。

AI for 运维：传统运维模式难以匹配新一代金融基础设施需求

金融数据中心是保障资金交易、业务连续运行的核心底座。随着分布式核心系统、智算集群、云网融合架构的大规模普及，基础设施复杂度呈指数级上升，传统“被动告警、人工处置”的运维模式短板暴露。

告警泛滥与根因定位难题并存。大型银行数据中心每日产生海量运维告警，大量噪声告警干扰运维人员判断；跨网络、服务器、数据库、中间件的关联故障频发，依靠人工经验难以快速厘清故障传导链路，应急处置耗时较长，直接影响业务连续性。

运维模式停留在事后处置阶段。传统运维聚焦故障发生后的抢修，缺乏预测性维护能力，无法提前识别硬件老化、资源瓶颈、潜在性能隐患，因此难以满足金融业务7×24小时高可靠运行要求。

人效瓶颈难以突破。金融科技人才缺口扩大，复杂分布式系统、AI算力集群运维对人员技能提出了更高要求。单纯依靠扩充运维人力无法持续支撑业务扩张，亟须借助技术手段构建人机协同的新型运维体系。

金融机构数智转型落地的协同创新

面对行业共性难题，国内头部金融机构持续开展场景化创新实践，积极联合生态伙伴共建技术底座，围绕AI安全运营、智能运维两大方向形成一批可复制、可推广的行业方案。

筑牢安全底座，搭建AI安全运营体系

在技术实践层面，安全防护需要突破传统网络安全边界，向AI应用内部延伸。一方面，针对外部智能化攻击，建立动态威胁感知体系，持续捕捉AI驱动攻击行为，实时更新防御策略，保障金融算力、交易系统等关键基础设施稳定运行；另一方面，向内规范AI开发与运行流程，建立模型准入、持续监测、定期评估、下线管理全流程制度。在银行领域，邮储银行联合华为云Stack与openJiuwen开源社区，推出安全增强的PSBC-Claw智能体生态体系，构建覆盖数据接入、知识更新、技能准入、模型运算到结果输出的全流程安全管控机制，满足金融行业高合规、强安全、严风控要求。在证券领域，长城证券与华为合作推出了“星河AI融合SASE”解决方案，该方案深度融合LAN/WAN/安全能力，以统一管理、智能调度、高性能安全和极致体验为核心，为长城证券分支网络筑牢了安全智能防线。

重构运维范式，以Agentic AI（代理型AI）推动运维智能化跃迁

AI赋能运维的核心目标是推动运维模式从被动应急转向预测预警、自动处置，依托Agentic AI打造人机协同运维新范式，充分释放运维生产力。

交通银行在AI赋能数据中心运维领域形成了成熟实践。在AI大模型技术成熟之前，交通银行数据中心融合多平台能力，构建了基于规则引擎的网络可视化系统。然而，受限于当时的AI技术，值班、变更等场景的分析工作仍然高度依赖运维专家的经验判断，运维处置的智能化水平亟待提升。在此背景下，交通银行与华为联合提出了“1+1+N”多智能体运维架构——由动态任务决策引擎、流程编排中枢和覆盖计算、存储、基础设施的N个智能体构成，实现“感知—决策—执行”闭环。此外，双方共同打造了网络运维大模型，值班处置场景实现告警全流程自动化闭环，应急抢修场景实现分钟级根因定位；云数仓DWS领域推出Autopilot智能运维工具，将故障定位时间从小时级压缩至分钟级。在保险领域，华为与人保信息科技有限公司联合发布韧性安全目标网集成解决方案，通过AI技术实现网络可视化与智能运维，实践成果显示，平均故障修复时间缩短60%，关键业务SLA（服务等级协议）提升至99.99%

统筹安全与效能，稳步推进全金融业态AI转型

面向中长期发展，AI将深度融入金融领域全业态核心业务，统筹安全与效能成为转型核心。金融机构需立足自身业态特性与资源禀赋，聚焦核心方向稳步推进，推动AI在合规框架下释放业务价值，实现高质量转型。

在安全治理层面，金融机构应将AI风险纳入全面风险管理框架，打破业态壁垒，建立统一的AI模型分类分级管理机制。针对银行信贷、证券交易、保险理赔等高风险场景，须严格落实“AI辅助、人工决策”的管控要求。同时，应搭建一体化智能安全运营平台，打通数据安全、网络安全、模型安全等管控能力，实现风险事前评估、事中防护、事后溯源的闭环管理，并强化技术供应链安全管理，稳步推进架构自主创新，筑牢合规安全防线。

在运维升级层面，金融机构可分阶段推进智能运维转型。短期可聚焦告警降噪、故障智能识别等共性痛点，快速释放运维效能；中长期可有序引入运维智能体，实现标准化故障自动化处置，构建人机协同新范式。大型金融机构可打造自研运维平台，中小型机构可依托成熟的第三方服务降低成本，行业伙伴则可提供架构规划、系统迁移等全生命周期服务，助力全行业运维效能整体提升。

在生态协同层面，行业各方应共建跨业态标准规范，系统总结AI安全评估、智能运维等领域的规范要求，减少机构重复试错成本。围绕根因分析、大模型安全检测等共性场景，金融机构与合作伙伴应联合开展技术攻关，形成可复用的解决方案和工具链；探索建立行业共享的AI安全威胁情报库与联邦学习协作机制，在保障数据隐私的前提下实现联合风控与威胁联防联控。同时，应强化复合型人才培养，通过校企协同、行业实训等渠道，培育兼具金融业务素养与AI技术能力的专业队伍，补齐转型短板。

AI重塑金融底座是长期系统性工程，唯有平衡创新与合规、统筹安全与效能，依托生态协同破解转型痛点，才能推动AI持续转化为业务价值，助力金融行业高质量发展。

点赞，转发，推荐，安排一下？