AI大模型落地遇冷,金融機構加速探索技術路徑
金融機構競相接入大模型，但其應用效果在金融領域並不理想，面臨效率瓶頸、技術局限和“幻覺”問題等挑戰。
年初以來，隨著DeepSeek爆火，金融機構競相開展大模型計劃。工商銀行近日宣布完成DeepSeek大模型私有化部署，“工銀智湧”體系已覆蓋信貸、風控等20余個業務條線，落地場景超200個，成為大行AI轉型標杆。截至3月10日，已有20余家銀行宣布接入Deepseek系列模型。目前，盡管金融機構對大模型的熱情高漲，實際應用效果卻並不如預期。
一方面，大模型在金融領域的應用效率並不理想，比如許多銀行在引入大模型後，發現生成的內容需要大量人工幹預，甚至在一些關鍵業務上，AI的可靠性不如人工處理。另一方面，盡管DeepSeek的開源特性推動金融業的“技術普惠”，但金融機構在應用過程中仍面臨數據安全與合規的挑戰。
業內人士表示，盡管金融機構對AI大模型的應用充滿期待，但目前仍面臨效率瓶頸、技術局限以及“幻覺”問題等多重挑戰，在提升效率的同時解決上述問題，成為金融行業亟待攻克的難題。
高投入、低產出的瓶頸
在采訪過程中，記者發現，AI大模型在金融行業的應用實際效果與預期仍有較大差距。
某大行員工對記者表示，在實際工作中，AI系統生成的內容常常需要大量人工幹預，在一些關鍵業務上，AI的表現還不如人工處理可靠。
某股份行的科技部門負責人也表示，目前銀行的業務主線流程中，大模型的切入還比較有限，主要集中在所謂的“邊緣業務”。例如，智能報告系統雖然被視為一個亮點，但目前仍需要通過人工幹預來解決幻覺等問題，無法完全依賴AIGC實現全自動化解決業務痛點。
比如，在輔助合同審核方面，盡管不少金融機構已經引入了AI大模型，但目前准確性欠佳。許多銀行雖然優化了櫃面流程，但由於機器的准確度不夠，人工還需要再檢查一遍，這並沒有達到省事的效果。一位銀行櫃員對記者說：“機器審核的結果我們不敢完全信任，最後還是要靠人工復核，反而增加了工作量。”
不僅如此，AI大模型在處理關鍵金融業務時的專業辨別能力仍存在不足。例如，在信貸審批領域，大模型可能無法准確區分正常的貸款審批和潛在的貸款詐騙行為。
記者還從多家證券機構了解到，盡管一些金融大模型早已深入行業操作流程，但在文件報送、高頻交易等重要環節，仍需依賴人工審核。一位證券機構交易員表示：“之前可能兩個人做一個環節，花上兩三個小時也就結束了，現在先讓大模型做，還要給關鍵詞、調整邏輯，最後還要核對一遍，前後花費的時間和自己做差不多，甚至還要多。”
此外，不少銀行員工還關心大模型在授信流程中的應用。他們希望大模型能夠生成盡調報告，並將數據整理成表格，從而減輕人工負擔。然而，目前這一功能的實現也不太理想。一位股份行授信部門員工對記者說：“大模型生成的盡調報告內容不完整，數據表格也經常出錯，我們只能當作參考，大部分工作還是要自己來。”
AI大模型“高投入、低產出”也成為金融機構面臨的挑戰。在成本方面，不少銀行科技部門引入大模型的投入巨大，無論是服務采買還是運行所需的硬件資源，都是一筆不小的開支，但效益卻難以量化。一位大行科技部門員工向記者透露：“我們引入大模型後，硬件設備的投入增加了近30%，但實際業務效率提升並不明顯，這讓管理層對後續投入產生了疑慮。”
某股份行員工還向記者透露，該行此前斥巨資打造AI系統，但運行結果不盡如人意。“我們投入了大量資源，但實際收益卻微乎其微。”該員工表示，這個系統一半的時間被用於演示PPT，另一半的時間則被用於修復系統漏洞。
去“幻覺”的探索
隨著人工智能技術在金融領域的廣泛應用，AI大模型的“幻覺”問題逐漸成為行業關注的焦點。所謂“幻覺”，是指AI大模型生成的內容與現實不符或缺乏依據的現象，這在金融領域可能導致嚴重的信息誤導和風險。
“大模型的幻覺現象主要由多個因素共同作用，其中訓練數據的質量、金融領域的復雜性以及模型架構設計是關鍵影響因素。”數字經濟學者、工信部信息通信經濟專家委員會委員、DCCI互聯網研究院院長劉興亮對記者表示。
北京國家金融科技認證中心副總經理李振指出，金融行業涉及復雜的金融工具、市場動態和專業術語，模型理解這些內容的難度較大。一方面，訓練數據的不准確可能導致模型出現缺陷；另一方面，存在偏差的對齊數據可能使模型傾向於迎合用戶觀點，而非依據客觀事實進行判斷。
不錯的新聞，我要點贊
無評論不新聞，發表一下您的意見吧
年初以來，隨著DeepSeek爆火，金融機構競相開展大模型計劃。工商銀行近日宣布完成DeepSeek大模型私有化部署，“工銀智湧”體系已覆蓋信貸、風控等20余個業務條線，落地場景超200個，成為大行AI轉型標杆。截至3月10日，已有20余家銀行宣布接入Deepseek系列模型。目前，盡管金融機構對大模型的熱情高漲，實際應用效果卻並不如預期。
一方面，大模型在金融領域的應用效率並不理想，比如許多銀行在引入大模型後，發現生成的內容需要大量人工幹預，甚至在一些關鍵業務上，AI的可靠性不如人工處理。另一方面，盡管DeepSeek的開源特性推動金融業的“技術普惠”，但金融機構在應用過程中仍面臨數據安全與合規的挑戰。
業內人士表示，盡管金融機構對AI大模型的應用充滿期待，但目前仍面臨效率瓶頸、技術局限以及“幻覺”問題等多重挑戰，在提升效率的同時解決上述問題，成為金融行業亟待攻克的難題。
高投入、低產出的瓶頸
在采訪過程中，記者發現，AI大模型在金融行業的應用實際效果與預期仍有較大差距。
某大行員工對記者表示，在實際工作中，AI系統生成的內容常常需要大量人工幹預，在一些關鍵業務上，AI的表現還不如人工處理可靠。
某股份行的科技部門負責人也表示，目前銀行的業務主線流程中，大模型的切入還比較有限，主要集中在所謂的“邊緣業務”。例如，智能報告系統雖然被視為一個亮點，但目前仍需要通過人工幹預來解決幻覺等問題，無法完全依賴AIGC實現全自動化解決業務痛點。
比如，在輔助合同審核方面，盡管不少金融機構已經引入了AI大模型，但目前准確性欠佳。許多銀行雖然優化了櫃面流程，但由於機器的准確度不夠，人工還需要再檢查一遍，這並沒有達到省事的效果。一位銀行櫃員對記者說：“機器審核的結果我們不敢完全信任，最後還是要靠人工復核，反而增加了工作量。”
不僅如此，AI大模型在處理關鍵金融業務時的專業辨別能力仍存在不足。例如，在信貸審批領域，大模型可能無法准確區分正常的貸款審批和潛在的貸款詐騙行為。
記者還從多家證券機構了解到，盡管一些金融大模型早已深入行業操作流程，但在文件報送、高頻交易等重要環節，仍需依賴人工審核。一位證券機構交易員表示：“之前可能兩個人做一個環節，花上兩三個小時也就結束了，現在先讓大模型做，還要給關鍵詞、調整邏輯，最後還要核對一遍，前後花費的時間和自己做差不多，甚至還要多。”
此外，不少銀行員工還關心大模型在授信流程中的應用。他們希望大模型能夠生成盡調報告，並將數據整理成表格，從而減輕人工負擔。然而，目前這一功能的實現也不太理想。一位股份行授信部門員工對記者說：“大模型生成的盡調報告內容不完整，數據表格也經常出錯，我們只能當作參考，大部分工作還是要自己來。”
AI大模型“高投入、低產出”也成為金融機構面臨的挑戰。在成本方面，不少銀行科技部門引入大模型的投入巨大，無論是服務采買還是運行所需的硬件資源，都是一筆不小的開支，但效益卻難以量化。一位大行科技部門員工向記者透露：“我們引入大模型後，硬件設備的投入增加了近30%，但實際業務效率提升並不明顯，這讓管理層對後續投入產生了疑慮。”
某股份行員工還向記者透露，該行此前斥巨資打造AI系統，但運行結果不盡如人意。“我們投入了大量資源，但實際收益卻微乎其微。”該員工表示，這個系統一半的時間被用於演示PPT，另一半的時間則被用於修復系統漏洞。
去“幻覺”的探索
隨著人工智能技術在金融領域的廣泛應用，AI大模型的“幻覺”問題逐漸成為行業關注的焦點。所謂“幻覺”，是指AI大模型生成的內容與現實不符或缺乏依據的現象，這在金融領域可能導致嚴重的信息誤導和風險。
“大模型的幻覺現象主要由多個因素共同作用，其中訓練數據的質量、金融領域的復雜性以及模型架構設計是關鍵影響因素。”數字經濟學者、工信部信息通信經濟專家委員會委員、DCCI互聯網研究院院長劉興亮對記者表示。
北京國家金融科技認證中心副總經理李振指出，金融行業涉及復雜的金融工具、市場動態和專業術語，模型理解這些內容的難度較大。一方面，訓練數據的不准確可能導致模型出現缺陷；另一方面，存在偏差的對齊數據可能使模型傾向於迎合用戶觀點，而非依據客觀事實進行判斷。
不錯的新聞，我要點贊
無評論不新聞，發表一下您的意見吧| 分享: |
| 注： | 在此頁中閱讀全文 |
