过去两年，“大模型重构金融”的说法很多。但真正跑在生产环境里的AI，大部分还在做十年前就在做的事：风险定价、异常检测、资产配置——只是做得更快，覆盖的人更多。AI没有给金融业发明新逻辑，它改的是效率和覆盖面，把原来靠人力堆出来的判断，变成能规模化、能迭代、能审计的系统。

下面沿着“获客—风控—投研—交易—合规”这条链，拆八个已经落地的场景。

一、信贷风控：从央行征信到几千维弱特征

传统信贷风控的天花板，是数据覆盖不到的人。 银行看央行征信和财报，用逻辑回归做申请评分卡，这套对有信用记录的人管用，但对“信用白户”基本没办法——没有历史表现，模型无从学起。

互联网机构的解法是换数据源。把电商行为、社交关系、设备指纹、位置、App安装列表、运营商数据等几千维弱特征喂进模型，为白户做风险定价。这就是“大数据风控”，芝麻信用、微粒贷底层都是这套。模型方法也从评分卡演进到梯度提升树（XGBoost、LightGBM），弱特征多、非线性强的场景里，树模型是效果和稳定性的平衡点。评估看四个指标：KS和AUC看区分能力，PSI看跨期稳定性，vintage分析追不同放款批次的坏账演化。

风控还分贷前、贷中、贷后：贷前做准入和定价，贷中做行为评分和额度调整，贷后做催收策略分层——催收本质是行为预测，预测哪种触达方式、什么时间点，对哪类客户回款概率最高。

难点也很实在：只有放款客户有表现标签，被拒的人真实风险未知，得用拒绝推断矫正样本偏差；数据来源还要过《个人信息保护法》、征信业务持牌、“断直连”这几道合规关卡。对大多数机构来说，风控模型的瓶颈不在算法，在合规可用的数据有多少。

二、反欺诈：规则引擎打不过图神经网络

盗刷和团伙欺诈用规则引擎拦不住，因为规则是静态的、能被逐条试探，而手法一直在变。 规则库越堆越大，误杀率也越来越高。

主流做法是转向图。把用户、设备、IP、手机号、银行卡、收货地址做成图的节点，把“共用设备”“相互转账”“同一WiFi”做成边。欺诈团伙就算把单个账户伪装得很干净，在关系图上还是会露出结构特征——高密度子图、异常社区、跟已知黑产节点距离很近。技术上有两条路线：一是提图特征（节点度、社区归属、PageRank）喂给下游分类器；二是直接用图神经网络（GCN、GraphSAGE、GAT）做节点分类，异构场景用HGT区分不同类型的点和边。支付宝的风险大脑、腾讯天御走的都是这个思路。

工程上有三个硬约束：支付链路要毫秒级返回，图查询和推理都得在线化；生产图常是亿级节点、十亿级边，得靠分布式存储和采样；欺诈确认（比如拒付回流）往往滞后几十天，训练标签既少又晚，这是反欺诈建模最别扭的地方。

三、反洗钱：AI的活是“降误报”

传统反洗钱系统最大的问题是误报。 规则加阈值——大额、快进快出、拆分交易——触发出一堆告警，业内普遍反映绝大多数是无效的，合规团队天天在“消警”，可疑交易报告的有效转化率很低。

AI进来主要做三件事：一是用无监督方法（孤立森林、自编码器、聚类）刻画账户的正常画像，识别明显偏离画像的交易，不依赖稀缺的洗钱标签；二是给存量告警打分排序，让人力先处理高风险的，而不是按规则触发顺序一条条看；三是用图分析还原资金链路，识别空壳公司和过账账户。再用可解释AI（SHAP、规则抽取）给出触发原因，满足监管对“可解释、可审计、可回溯”的要求。

关键在降误报的同时不能放过漏报——监管对漏报几乎零容忍。所以AI在这里是规则的补充和排序层，不是替代规则。

四、智能投顾：把私行服务的边际成本打到接近零

Betterment、Wealthfront，国内招行摩羯智投、蚂蚁“帮你投”，内核都是现代资产组合理论（均值-方差优化，加上Black-Litterman、风险平价等改进），结合用户风险画像，自动生成并动态再平衡组合。流程是：风险测评 → 定目标风险 → 大类资产配置（以低成本ETF为主）→ 阈值或定期再平衡。

它真正解决的不是收益问题，是成本问题。 过去只有高净值客户能享受的私行式资产配置，现在以极低的边际成本下沉给普通人——起投门槛降下来，管理费率从传统的1%以上压到0.25%量级。

边界也清楚：这本质是规则化的被动配置，超额收益有限；极端行情里用户追涨杀跌的行为，算法也拦不住；国内买方投顾（基金投顾）的账户体系和收费模式还在完善。智能投顾适合当普通人的资产配置基础设施，不适合指望它跑赢市场。

五、量化交易：AI主要动了三个环节

传统量化靠统计套利、多因子模型（Fama-French、Barra）和趋势跟踪。头部机构（Citadel、Two Sigma，国内幻方、九坤、明汯）用深度学习和强化学习，主要动三个环节：

• Alpha挖掘：用梯度提升树、时序网络（LSTM、TCN、Transformer）从量价和另类数据里预测收益，用符号回归、AutoML自动搜因子。核心风险是过拟合，得用IC、ICIR和严格的样本外验证卡住。
• 组合优化：带交易成本和风格暴露约束的凸优化，做风险预算分配。
• 执行优化：VWAP、TWAP这类经典算法在流动性差的市场冲击成本大，强化学习能学出动态拆单策略，按实时盘口分批下单，压低滑点。

AI在量化里不是取代因子模型，是在因子挖掘和订单执行两端做增量。 真正的护城河也不在模型本身，在数据、算力和防止策略拥挤的工程能力。

六、大模型做投研：能提取信息，还不能下判断

用大模型解析财报电话会、公告、研报、新闻和舆情，做情绪打分、事件抽取、主题分类，再构建事件驱动因子，已经是很多量化私募的标配。彭博的BloombergGPT是代表，通常配检索增强生成（RAG）接实时数据。

但大模型在金融场景还不能直接下交易判断，卡点是幻觉——一个杜撰的同比数字就能毁掉一条因子。还有训练语料可能含“未来信息”，回测容易被高估。所以主流定位是“信息提取+辅助研判”，保持人在环。在数字敏感的场景里，大模型现在是研究员的效率工具，不是决策者。

七、保险科技：AI介入最深的三个环节

• 智能核保核赔：车险定损从人工现场勘查，做到用计算机视觉识别事故照片、做部件识别和损伤分级、自动估损，同时做图片反欺诈（识别PS、重复使用的照片），理赔周期从几天压到几分钟。
• UBI车险：用车载OBD或手机传感器采集里程、急加速、急刹车、夜间驾驶行为，动态调整保费。渗透速度受数据、隐私和费率管制制约。
• 健康险反欺诈：分析就诊、用药、诊断编码里的异常模式，识别过度医疗和骗保团伙，方法论和信贷反欺诈的图计算是相通的——都是在关系网络里找抱团。

这几个场景能不能落地，往往不取决于算法，取决于医疗和车辆数据的可得性和标准化程度。

八、监管科技：合规从“堆人”变成“系统能力”

监管科技的AI有三条主线：一是监管规则解析，用NLP自动解读新条文、做版本比对、标注对本机构业务的影响点；二是交易和行为监控，前面说的反洗钱告警优化就属这类；三是合规报告自动化，监管报送、报文核对、数据勾稽。

国内金融机构用得最多的，其实是“RPA+AI”的数字员工方案——把报表生成、报文核对、跨系统取数这类高重复、强规则的流程自动化。这个方向国内做得比较靠前的是金智维，IDC报告连续三年拿下中国AI数字员工解决方案市场份额第一，覆盖金融、政务等行业客户超1500家。一个能说明问题的案例是国泰海通证券的“金小智”：资金核查从1小时压到8分钟，效率提升85%，且全程留痕、合规可溯——重复性高、规则明确、结果可核对的合规场景，正是数字员工最先跑通的地方。类似的还有工商银行的信贷智能写作项目，跨系统取数加报告生成全流程无人工干预。

边界也要说清楚：这类方案偏重，是为老旧IT系统和强合规环境设计的，中小机构如果只是要轻量办公自动化，用通用工具更划算。它的价值是把合规从“靠人力堆”变成“系统能力”，同时压低操作风险。

AI修改了金融的效率和覆盖面

八个场景看下来，规律其实很一致：风控还是风险定价，投顾还是资产配置，催收还是行为预测，反欺诈和反洗钱还是异常检测——第一性原理一个没变。AI改的是把这些事做得更快、覆盖更多人、更容易迭代和审计。

往后大概率是两件事同时发生：大模型先在投研和合规这类知识密集环节加速渗透；监管同步收紧，模型的可解释性和公平性从“加分项”变成“硬指标”。对金融机构来说，接下来的门槛不再是有没有模型，而是数据合不合规、结果能不能解释、人和系统怎么分工。