从生成式AI到代理式AI：金融服务业运营模式转型研究

金融服务中的运营模式转变 1. 执行摘要 金融服务正经历一场由人工智能驱动的结构性转变。多重压力同时促使银行和保险公司拥抱人工智能。劳动力萎缩和老龄化使得自动化成为维持运营的必要手段；在成本和利润压力不断增大的情况下，董事会推动快速、可见的成果，在某些情况下甚至在术语尚未定义之前就强制要求启动代理式人工智能项目。由竞争对手和供应商推动的生成式和代理式人工智能的炒作，引发了人们担心被落下的恐惧。与此同时，监管和传统IT系统又延缓了其采用进程。在这种张力之中，代理式人工智能应运而生：它标志着从改进孤立任务的生成式工具，转向将数据、应用程序和其他智能体编排成端到端工作流的系统。 基于对银行、保险公司和技术供应商进行的三十次访谈，这项研究得出一个结论：运营模式的成熟度，而非模型能力，决定了企业能够将代理式AI规模化到何种程度。模型能力已经超越了大多数企业能够吸收的范围，因此，真正重要的差距在于组织层面。发展最快的企业，正是那些已经具备将AI投入使用的流程纪律和结构的企业。 关键约束是内部的：• 数据碎片化 • 缺失业务与IT桥梁角色 • 治理复杂性 源自业务和IT目标的自上而下的策略，并得到董事会层面的支持，从而确定方向。接下来的结构是一个轮辐模型：一个精简的中央轮轴，以IT为基础，负责为非人类参与者运行组合、集成和身份与访问管理等核心代理工作，而轮辐则负责在业务单元内部交付。在轮轴中集中管理AI组合，以避免重复并能在明确的战略框架内实现复用。该模型依赖于人员。角色正从执行工作转变为监督和协调工作，因此转型必须与员工一起进行，而不是强加于他们。核心领域（如理赔、承保和客户服务）将作为协调的价值流运行，人员将从中任务执行转向监督。一个可组合的企业生态系统，内部和外部模块可以自由组合，是一个更长远的前景，连同尚无人能命名的用例。达到那个阶段取决于现在就打好基础。本文最后提出了迈向更具代理性的组织的建议。 2.引言与战略背景 代理式人工智能的系统性转变的一个工作性定义 银行和保险业在人工智能应用方面面临着巨大且相互冲突的压力。该行业承担着各行业中最沉重的监管负担之一，其核心业务大多依赖着几十年的老旧系统。劳动力萎缩和老龄化使得自动化成为必要；在成本和利润压力下，董事会希望快速、可见地看到成果；而由竞争对手和供应商推动的生成式和能动式人工智能的炒作，则加剧了被落下的恐惧。然而，有两个制约因素正在减缓其进程：沉重的监管负担和老化 IT 基础设施，后者限制了可以构建的内容。 这种压力对所有竞争者都一视同仁。任何公司都无法通过率先进入监管机构尚未定论的领域来获得持久的优势，也没有公司会因为等待而落后。这就是为什么主导的态势是“做好准备”，而不是“率先行动”。这与人工智能现在所要求的速度形成了直接的对立。 实践中，这是高管向 Works Council（ works councils通常指德国的工人委员会，但此处根据上下文意译为“ Works Councils”以保持原文结构）提出的主要论点：人工智能是缓解人口结构压力而不削减工作岗位的一种方式。 监管是主要的制约因素之一。该行业在业内最严格之一的监管体系下运作。《数字运营韧性法案》（DORA），自2025年1月生效以来，为二十类金融实体设定了ICT风险管理标准。欧盟《人工智能法案》将常见的金融服务应用归类为高风险，包括信用评分、人寿和健康保险中的风险评估和定价，并要求详细的文档记录、人工监督、合规性评估和稳健的风险管理。这增加了现有GDPR和各国监管体系下的义务。这些综合负担减缓了新技术的引入，而格局仍然分散且在不断演变。企业必须协调来自欧洲和国家当局的相互重叠且有时相互矛盾的指令，这使得机构与监管机构之间的协调缓慢而复杂。 自主型人工智能系统由一个或多个人工智能代理组成，这些代理观察其环境，使用可用工具，并决定如何为实现目标而行动。 借鉴基础模型领域的最新进展，他们运用推理、感知、发现和规划能力，借助其拥有的记忆和工具（即数据、应用程序及其他智能系统）来寻找实现目标的方法。 我们在此处理个人和高度敏感的数据。从技术角度来看，这不是问题所在，而是监管方面的努力，即《人工智能法案》、GDPR、DORA，这些才是最大的限制所在。 人口结构压力在保险业尤为突出。德国保险业约四分之一的从业人员属于婴儿潮一代，其中很大一部分将在未来五年内退休。IT和后台岗位的平均员工年龄已分别达到45岁刚出头。劳动力萎缩加大了自动化流程、重新思考服务交付以及维持运营能力的压力。这为人工智能议程增添了紧迫性，并改变了公司内部对人工智能的看法。在访谈中，人工智能很少被视为对就业的威胁。它被定位为一种在劳动力减少时维持核心运营运转的方式。这种重新定位至关重要。 一阶智能体是一种自主软件实体，其六个属性（目标、环境、记忆、推理、行动和工具）共同使其能够实现目标导向、适应性强的行为。此类智能体展现出两种动态能力，即学习自主性，通过环境输入更新其理解，以及行动自主性，独立地优先级排序并执行其行动。 （德国某银行人工智能负责人） 这两者都受到第三种、运动较慢力量的影响：银行和保险公司仍在运营的遗留IT资产。这些系统背负着沉重的技术债务。由于大部分IT能力都用于维护、迁移和保障系统运行，因此该职能几乎没有创新的空间，这种模式与服务提供者的逻辑相匹配。人工智能的雄心壮志暴露了这种状况，而非创造了它，并且它塑造了新应用能够现实地构建的位置和速度。 二阶代理式AI是多智能体的情况，它作为一个配置运行，其中协调、委派和通信将一组自主智能体转变为一个连贯的... 一个追求共同或分布式目标的系统。至少有一个成员必须满足第一级标准，而其他成员可以是非代理组件或人类行动者，在配置中进行监督、委托或协作。 为什么学术合作很重要。 所询问的是什么。 证据基础 本研究基于对银行、保险公司和部分技术供应商进行的30次半结构化访谈。受访者来自四个不同的角度： 标准化面试指南确保了可比性。涵盖的核心主题： 圣加伦大学信息系统与数字商业学院的研究为本研究提供了严谨性与独立性。作为学术机构，该校与所分析的任何组织均无利益冲突。 • 人工智能组织的运营模式（例如，枢纽-辐条模式）• 当前成熟度，包括机器学习、生成式人工智能、代理式人工智能及生产应用案例• “代理式人工智能”的定义和理解• 职位、人才及自制或外购决策• 治理、监管及共同决策• 关键阻碍因素，如遗留系统、数据、计算能力、主权等• 未来约两年展望 对于金融服务而言，这一转变已超越了更好的文本生成，转向将部门、数据、应用程序和其他代理整合为端到端工作的编排。正是这种主动执行与该行业的定义性限制相冲突。即使一个代理仅限于一个团队，只要它能采取行动，无论是否离开该团队，智能代理AI都必须在权利授权、治理、监管和政策等严格的边界内运行。因此，正是这些边界，而非技术本身，决定了智能代理AI在银行或保险公司内部的采用速度和范围。 • 中央AI单元（“枢纽”）• 业务线团队（“辐条”）• IT职能• 外部供应商 范围与局限。 本研究是对塑造金融领域自主AI的模式、挑战和发展的定性评估。它捕捉了在特定时刻（2025年10月至2026年5月期间进行访谈）的一个快速发展的领域以及以DACH为中心的样本。 我们采访的大多数组织都包含了IT部门和业务部门。这种双重视角是设计的一部分，本文报告的大部分内容都是指这两个部门对同一个问题理解上的差距。 半结构化格式允许深入探讨相关主题。 来自DACH金融领域的资深及专业技术职位： 如何处理这些采访。 每次访谈都遵循同一份指南，并进行录音和转录，随后进行系统编码和分析。多名研究人员在多个审阅轮次中对访谈进行了编码和分析。 • 首席信息官（CIO）和首席数据官；人工智能、数据与创新部门的负责人 • IT和企业架构负责人；人工智能架构师和数据科学家• 业务与运营负责人 方法论 本研究基于Wavestone与圣加伦大学信息系统与数字商业研究所（IWI-HSG）联合发起的研究计划。Wavestone是一家国际管理和技术咨询公司，为公司提供了接触金融服务领域高级决策者的机会，并确保研究问题聚焦于运营层面。圣加伦大学作为欧洲顶尖的商学院之一，拥有悠久的连接研究与实际的传统，贡献了研究方法以及独立、循证的观点。 机构范围涵盖大型合作银行和地区银行、零售与经纪银行，以及大型综合保险公司和健康保险公司，还有规模较小且近期合并的承保商，以及精选的技术提供商。 3.金融服务业的实际状况 成熟度矩阵：AI部署×运营模式。根据访谈，每家公司都在两个维度上进行评估。大约三分之二的公司处于中间状态：GenAI已上线，但尚未在生产环境中部署代理。 3.1 当前状态：成熟机器学习，浅层生成式AI，无生产用智能体 传统机器学习在我们的案例中已相当成熟且广泛部署，尤其是在理赔、欺诈和定价领域。本研究中的一家大型保险公司正在生产环境中运行 75 个此类用例。其最突出的例子是一个管道，该管道在数百万份文件中筛选约 50 万份法律判决书，用于追回案件；该系统在六周内上线，并已从欺诈性理赔中追回数百万欧元。该保险公司已将欺诈检测从简单的指标扩展到解读专家评估文本，并正在重建其欺诈网络分析，以便代理人在找到足够多的红旗后才推进到下一步。一家零售和经纪银行也以类似的方式描述其自身的 AI，包括传统的机器学习，如客户关闭概率和下一最佳产品推荐，并将自身定位远低于具有代理能力的系统。 生成式人工智能主要局限于低复杂度的应用场景： • 摘要• 起草• 数据提取 自主AI在生产中几乎不存在。进展最远的公司是一家大型保险公司的内部中央AI实验室，该实验室尚未将任何自主用例投入生产，并称自己“仍在等待合适的用例”。这位拥有75个实际用例的领导者，对他公司的准备程度仅给出了3分（满分10分），这反映了从实施AI到被AI改变之间的巨大差距。 图1 各受访公司在两个坐标轴上分布。大约三分之二的公司集中在中间，生成式AI已投入生产但尚未部署代理；少数落后者仍停留在经典机器学习阶段，而一小部分领先者已部署了首批代理。这些位置表明了访谈所描述的分布情况，而非精确分数。 一位中型保险公司的IT负责人回忆起十年前的“大数据”阶段，当时宣传得轰轰烈烈，但实际交付甚微，如今他看到人工智能也面临着同样的风险。人工智能会让公司再次陷入构建孤立信息孤岛的境地，购买那些功能巧妙但仅能服务于自身的工具。为销售、服务和理赔分别设置独立的聊天机器人，各自只获取自己的数据，注定会给出不同的答案，因为它们无法共享一个数据源。一位供应商也做出了同样的 关键在于，AI 没有干净的数据基础就无法运作，而碎片化的数据格局会重新出现在代理（或智能体）中，这些代理无法从不同来源获取数据。一位小型保险公司的首席信息官最直白地指出了基础问题，承认“我们甚至对自己的数据还不够了解”，同时也在思考 AI 是否能帮助发掘其中隐藏的价值。 3.2 企业区分的关键：先前的流程脚手架 它们立刻开始重建，用了两年时间。更深层次的问题是，统计活动并不能揭示价值。正如一位首席数据官所说，统计用例“并不能说明如果你用现在能做到的方式重新思考业务，你实际上能够创造怎样的价值。”这就是为什么已发布的采用数据不能只看表面，而更有价值的问题是，价值实际上在哪里被实现。 对于普通的自动化而言，公司记录的代理用例通常只是将报告以结构化形式总结起来的几个串联提示，这在任何严格意义上都不算是代理。 最快发展的公司并非技术最先进的公司，而是那些已经拥有成熟流程和架构的公司。最明显的例子是一家保险公司，其人工智能工作建立在25年前的一个六西格玛（Lean Six Sigma）项目之上，该业务中约有150名经过培训的从业者。该公司的AI负责人继承了该项目，并在此基础上进行建设，将业务问题通过一个结构化的改进周期进行处理，其中人工智能只是几种可能的解决方案之一，其他还包括流程变更、机器人和普通软件。这种纪律性避免了常见的错误，即