2026金融科技大会作为论坛年会特定版块，与金融街论坛同期举行。10月22日，平行论坛以“智领金融·数创未来——AI赋能金融高质量发展论坛”为主题，在国家级金融科技示范区举办。本次平行论坛由中国民主建国会北京市委员会金融委员会、首都经济贸易大学、中关村金融科技产业发展联盟合作承办，主题聚焦“智领金融·数创未来”，深入探讨人工智能与金融业融合的关键命题。亚洲数字经济科学院院长陈柏珲出席，并发表题为《AI原生金融服务的模式变革与路径选择》的演讲。

陈柏珲指出，AI智能体的应用应以可用、可信、可控为治理原则，在金融行业这三项原则比其他行业更加重要。陈柏珲认为，智能体正在从“辅助”走向“直接下场”，当AI承接金融工作时，服务标准、收费方式和责任安排都需要重新设计。陈柏珲表示，按结果收费的前提是结果可量化、可验证、错误可纠正，AI的自主程度取决于结果能否被验证。陈柏珲提出，责任应当由获得授权的主体承担，而当前消费者权益保护与大模型公司之间的责任划分尚不清晰。

演讲全文

各位领导、各位嘉宾、各位同仁：

大家好！很高兴参加本次论坛，与各位交流人工智能与金融服务融合的趋势。今天，我演讲的题目是《AI原生金融服务的模式变革与路径选择》。我想讨论的核心问题是：当AI开始承接金融工作，谁来定义交付，谁来批准行动，又由谁为结果负责？

我们不妨从一个理赔场景谈起。

过去，科技公司向保险公司出售理赔软件，保险公司的员工使用软件，阅读材料、核对条款、判断是否赔付，再完成审批。软件帮助人提高效率，业务责任仍沿着既有的组织流程分配。

现在，设想一家AI服务商提出另一种合作方式：将约定范围内的理赔处理任务交给它，由智能体完成材料整理、信息核验和初步判断，遇到例外情况再交由人工处理，并按照验收合格的业务交付收费。

这时，保险公司购买的内容就发生了变化。它既要判断技术是否好用，也要判断服务商是否能够稳定地完成工作。采购合同需要说明交付标准，业务部门需要重新安排审核权限，出现错误时，还要有人负责纠正和处理客户损失。

我的基本判断是：AI原生金融服务的发展，将推动金融科技竞争从工具能力进一步延伸到业务交付能力。能否完成工作、能否证明完成得正确，以及能否承担相应责任，会共同决定一种模式能否持续发展。

一、 从辅助员工走向承接工作

理解这场变化，可以借助两种模式：一种是辅助型的Copilot模式，另一种是在授权范围内执行任务的Autopilot模式。

在辅助模式下，员工主导工作，AI帮助检索资料、整理信息、生成初稿或提出建议。最终采取什么行动，主要由人作出决定。在任务执行模式下，AI可以依据预先设定的目标与权限，连续完成多个步骤，人工主要负责监督、处理例外和关键审批。

这里所说的自主执行，必须有清楚的范围。一个智能体能够整理理赔资料，不意味着它有权拒绝赔付；能够提出资金调度建议，也不意味着它可以自行转移资金。具体任务之间的权限，必须分别设置。

这一变化首先会扩大科技服务的竞争范围。金融机构将同时比较三种方案：购买软件后由自己的员工完成工作，交给传统服务商外包，或者由AI服务商承接其中一部分流程。比较的内容也随之扩展到总成本、处理时间、质量稳定性、客户体验和异常处置能力。

因此，AI服务商可能逐步进入运营、人力与外包预算的竞争。对于传统软件企业来说，仅仅证明功能更多、界面更好，可能不再足够；它需要说明，这些能力究竟帮助客户交付了什么。

AI原生的组织方式也值得关注。给原有业务系统增加一个聊天入口，并不会自动带来流程变革。真正的变化，是围绕AI重新安排资料进入、任务分配、质量检查和人工接管。例如，理赔人员可以把更多时间投入复杂案件与争议处理，但前提是常规案件确实得到可靠处理，异常案件也能够及时送到合适的人手中。

这要求业务、技术、风险和运营部门共同参与设计。工作如何分配、绩效如何衡量、谁拥有暂停系统的权力，都需要随着流程一起调整。

二、 根据任务特征确定AI的自主程度

讨论AI将改变哪些工作，适合从具体任务入手。

金融机构存在大量需要理解非结构化信息的工作，例如阅读理赔材料、解释对账差异、整理企业经营情况、识别异常交易线索。这些工作涉及语言、情境与不完整信息，能够为AI发挥作用提供空间。

不过，AI生成了一个看似合理的判断，并不足以支持它直接执行。语言表述的流畅程度，与事实依据是否充分、行动是否获得授权，是不同的问题。

以对账为例，AI可以阅读合同与邮件，提出某笔差异可能来自付款时间错位或费用扣除。但真正修改账务记录时，还需要核对原始凭证、账户、金额、会计期间与审批权限。解释可以包含推断，入账必须满足明确的校验要求。

因此，清算、账务记录、权限管理和规则校验等系统仍承担关键功能。较为合理的分工是：由AI理解任务、整理证据并提出行动，由受控业务系统校验权限与规则，再由具备相应权限的流程完成执行。制度还要明确，哪些机构和人员对这些环节负责。

AI的自主程度，应当取决于结果能否被可靠验证、错误能否得到纠正，以及可能造成的损失是否可控。模型能力是其中一个条件，不能独自决定授权范围。

对于资料分类、内部摘要等影响较低且容易复核的任务，可以在验证后逐步增加自动化。对于改变客户待遇的拒贷、拒赔决定，或者具有较强不可逆性的资金划转，则需要更严格的控制、适当的人工审批和有效的申诉渠道。

这里尤其要注意，某项交易可以通过后续补偿减轻损失，并不代表原交易能够真正撤销。授权设计必须考虑行动发生后的现实后果，不能只依据系统界面上有没有一个撤回按钮。

三、 把可用可信可控落实到每一次行动

我认为，AI智能体的应用应当坚持可用、可信、可控。在金融行业，这三项原则尤其重要，因为一次判断错误可能直接改变客户的资金、融资机会与风险承担。

可用，意味着能够在真实业务条件下持续完成任务。演示中的成功，并不等于上线后的可靠运行。材料可能缺失，客户表述可能含糊，外部系统可能中断，规则也可能发生变化。机构需要评价这些条件下的交付质量，并把人工复核、错误修复、系统维护和客户沟通都纳入成本。

判断一个系统是否值得推广，不能只看平均处理速度。少量严重错误造成的损失，可能超过大量常规任务节省的成本。涉及客户权益时，还应关注不同客户群体是否受到不合理的差别影响。

可信，意味着重要判断有可以检查的依据。系统使用了什么资料、适用了哪个版本的规则、哪些事实已经验证、哪些结论仍有不确定性，都应当留下足够信息供复核。对于拒贷、拒赔等影响客户权益的决定，还应提供与实际依据一致、便于理解的解释。

这里的解释，不能只是让模型在事后生成一段听起来合理的话。机构需要能够从记录中确认，解释与当时使用的数据、规则及实际执行过程相符。同时，审计记录也应遵守数据保护和访问控制要求，避免为了留痕而无边界地复制敏感资料。

可控，意味着机构能够约束行动，并在必要时有效停止行动。授权应当细化到任务类型、数据范围、交易对象、金额上限、有效时间与转交条件。例如，允许智能体查询余额，并不意味着允许它付款；允许它向已核验账户支付，也不意味着允许它自行新增收款账户。

这些限制应由权限系统和执行流程落实。仅在提示词中写上“不得违规”，不足以构成可靠的业务控制。对于连续调用多个工具的智能体，还要防止它通过拆分任务、重复请求或转交其他智能体，绕过原本的限制。

人工接管也必须能够实际运作。接管人员需要看得到任务进展和关键证据，拥有暂停权限，并能在适当时间内处理问题。如果关键交易已经完成，人工才收到一条告警，那么这个环节提供的主要是事后发现能力，不能替代事前控制。

四、 让授权交付与责任相互对应

当AI参与金融工作，最需要避免的是责任随着技术链条变长而变得模糊。

客户接触的是金融机构，执行流程的可能是智能体服务商，底层能力又可能来自大模型公司。如果出现错误，金融机构说是服务商的问题，服务商说是模型的问题，模型公司再强调具体场景由使用方决定，客户就会被困在责任链条之间。

我的主张是，承担业务的获授权主体，应当承担与其权限、职责和承诺相对应的责任。这里的主体，是参与业务的机构和人员，不能把“AI自己决定的”当作责任终点。部署机构、服务商和模型提供商之间的具体责任，则需要结合各自行为、合同义务和适用法律判断。

我认为，消费者权益保护与大模型供应链之间的责任衔接，仍有需要进一步明确的地方。特别是模型缺陷、流程设计错误、权限配置不当和人工监督失效交织在一起时，技术上的原因定位与责任上的归属判断，并不总是同一件事。

实际部署时，应当先回答四个问题。

第一，谁授权？谁可以决定智能体处理哪些任务，使用哪些数据，动用多少资金？谁有权修改这些权限？业务负责人不能只批准一个笼统的AI项目，而应明确具体授权范围。

第二，谁验收？谁定义成功，谁检查准确性、业务规则遵循情况和客户影响？验收机制应避免让承担交付的一方完全自行认定交付合格。

第三，谁接管？出现材料冲突、超出权限、异常交易或客户争议时，由谁暂停流程、保全记录、纠正错误并回应客户？这些安排应落实到具体岗位和响应流程。

第四，谁承担损失？哪些情形属于服务未达到约定标准，哪些涉及部署和监督失误，哪些需要向上游追偿？责任安排应在部署前形成，不能等到客户受到损害后才开始讨论。

从消费者保护的角度，我主张客户应有清晰的受理和救济入口。机构之间的调查与追偿，不应成为拖延处理客户问题的理由。外包可以改变工作的分工，金融机构仍需审慎评估其持续承担的客户保护与风险管理义务。

五、从可以验收的业务环节开始落地

对于金融机构，我建议把AI原生转型落实为一条可逐步检验的实施路径。

首先，选择问题明确的业务环节，并建立现状基线。例如，对账差异的证据整理、理赔材料完整性检查、客户服务中的标准流程，都可以作为评估对象。上线前先弄清楚人工处理需要多久、容易在哪些环节出错，以及客户目前承受什么不便，后续才能判断AI是否带来真实改善。

其次，在上线前写清任务、验收与授权。业务部门确定合格交付的含义，风险与合规部门明确边界，技术部门将限制落实到系统。对于无法可靠判断是否成功的任务，应先完善验证能力，再讨论扩大自主执行。

第三，通过离线测试和影子运行积累证据。所谓影子运行，就是让AI在不直接影响客户和资金的条件下处理真实或经适当处理的业务样本，与现有流程比较。测试既要覆盖常规案件，也要覆盖材料冲突、系统故障和试图诱导智能体越权的输入，检验系统会不会拒绝、升级或停止。

第四，分阶段开放权限。可以先允许读取和分析，再允许生成待审批任务，随后才对经过验证的低风险场景开放有限执行。扩展业务量或更新模型、数据与规则后，应根据变化重新评估，不能把一次测试通过视为长期有效的保证。

最后，持续评价净收益与退出能力。除了节约多少工时，还要看差错、投诉、人工复核负担、重大损失风险及供应商依赖。如果服务商中断、模型表现下降或成本显著上升，机构需要能够暂停服务、迁移必要记录，并恢复可接受的业务处理能力。

人才安排也应当同步推进。员工需要学会审查AI提交的证据、识别例外情况、调整业务规则并处理客户争议。保留足够的专业判断能力，才能使人工监督在关键时刻发挥作用。

各位同仁，人工智能能够为金融服务创造更大的效率空间，也可能帮助机构改善服务的及时性与可获得性。要把这些潜力转化为金融高质量发展的实际成果，我们需要对交付质量和客户权益提出同样明确的要求。

今后采购AI服务时，除了询问模型能力和成本节约，我建议同时要求服务商说明：交付标准是什么，授权到哪里为止，异常由谁处理，以及责任如何落实。这些问题的答案，将决定服务能否真正进入关键业务流程。

AI原生金融服务能走多远，既取决于AI能够完成多少工作，也取决于我们能否把每一次授权、每一项交付和每一份责任落实清楚。

谢谢大家！

近期活动

中关村金融科技产业发展联盟

Zhongquancun Fintech Industry Development Alliance

      中关村金融科技产业发展联盟（简称“中金联盟”）是在北京市科委、中关村管委会，海淀区人民政府等单位指导下，由中关村互联网金融研究院、中科软、蚂蚁科技、第四范式、博彦科技、网联清算、光大银行、中关村银行、龙盈智达、度小满金融、神州信息等金融科技头部企业和专业服务机构共同发起，经民政部门批准在全国开展业务的社团组织，现有会员单位300余家，联盟以创新为动力，以技术为核心，以应用为导向、以产业为主线，打造中关村乃至全国金融科技产业服务中心，搭建金融科技产学研用合作平台，助推金融科技产业转型升级。

课题承接、论坛合作和专题培训

联系电话：13718969634

邮箱：caotingting@czifi.org