作 者 | 百融云创研究院

来 源 | 九卦金融圈

红杉资本的合伙人康斯坦丁提到“人工智能可以完成的任务长度每7个月翻一番，呈指数增长”。基于此，丹进行了一个大胆的推断：从当前模型能处理约1小时任务的水平，到达到爱因斯坦思考广义相对论所需的8年时间（大约需要16个翻倍周期），这意味着“在9年内，人类将拥有一个能够发现广义相对论的模型。”

虽然人类去预测AI的发展从来没准确过，但业内认为AGI面临前所未有的可能，因为关键的要素条件已经具备：计算能力、网络、数据、分发渠道、人才等。

我们从今年第一季度大模型中标项目分布也可以看出，算力类项目披露金额为160565万元，金额占比65.1%，应用类项披露金额为61540.8万元，占比为24.9%，两者合计占大模型产业价值的90%。

“智能体经济”成资本新宠儿。红衫资本的合伙人康斯坦丁说，“智能体不仅仅交流信息的经济形态。它们转移资源，可以进行交易，跟踪彼此，理解信任和可靠性，并且它们实际上拥有自己的经济体系。”康斯坦丁强调，这个经济体系“并没有排除人类，它完全是为了人类”，是一个人与代理深度协作的新生态。全球客户的关注点从“能用的工具”转向“能写入利润表的实际结果。

另外AI和大模型已经被普遍接受，逐步形成用户行为的演变：AI从尝鲜到依赖，融入日常工作流。越来越多的行业，越来越多的人正在从人工智能中获得价值。

针对上述问题，我们有一些观点供参考：

我们可以看下面这张图，大模型应用场景Agent建设需要精密的工程化集成。红字部分是大模型，但是只占整个建构非常小的一部分。除了大模型，还需要各类专家模型的辅助，才能提高智能体响应的准确程度。

表：各类专家模型辅助大模型

图：Agent建设需要精密工程化集成

Agentic AI 如DeepSeek:

优势：推理和规划能力强，擅长代码生成、数学计算、结构化思考、长文写作

不足：耗时长、原有prompt无法复用、长Prompt容易被干扰

适用场景：代码助手、策划/写作、规划/推理、数据合成/标注等

Conversational AI

优势：响应快、对话方式自然、任务的覆盖丰富度更高、对RAG任务的支持更好

不足：推理能力不足、计算和逻辑不可靠

适用场景：对客沟通、基于知识库的问答

我们比较了各类模型在国内外知名金融考试中的表现，DeepSeek在准确度上表现最优。

但是在智能语音交互场景，DeepSeek由于高延时和非口语交互风格，表现比百融主动营销大模型BR-LLM-ProActive逊色很多。

注：500个营销对话生成记录由业务人员按照回复效果进行打分， 0分代表答案不好；1分代表答案普通；2分代表答案优秀。

在评估 AI 价值的过程中，若单纯以工具思维考量，投入产出的测算往往充满复杂性与不确定性。工具思维下，AI 常被视作一种辅助手段，其价值融入整体业务流程，难以精准剥离与量化。例如在一些传统制造业引入AI 进行生产流程优化时，很难确切分辨最终效益提升中，多少是 AI 带来的直接贡献，多少是其他环节改进的结果。

然而，将 AI Agent 视为数字员工，为价值创造评估开辟了新视角，使其变得更具可衡量性。

以营销或催收这类垂直业务场景为例，从成本维度深入剖析，百融云创所提供的 AI 坐席，成本不到人工坐席的 10%。在营销场景中，人工坐席每天需投入大量时间筛选潜在客户，而 AI 坐席能够凭借高效算法，瞬间完成海量客户数据筛选，精准定位高意向客户，大大节省了时间成本。

从产能层面来看，AI 坐席产能出众，能够达到人工销冠产能的 80%。在催收场景中，AI 坐席可依据欠款客户还款历史、消费习惯等多维度数据，制定个性化催收策略，在合规框架内高频次、高效率触达客户，其每月成功催收款项金额接近人工销冠水平，甚至在某些月份，超越人工坐席平均产能。

这不仅体现了 AI Agent 在特定业务场景中的高效能，更直观呈现出清晰可辨的价值创造能力，让企业在评估 AI 投入时，能够依据成本与产能的直观数据对比，做出更具针对性与科学性的决策 。

文化是银行智能化转型的基石，它塑造着银行的价值观与行事风格，深刻影响着转型的方向与成效。一个鼓励创新、勇于尝试的银行文化，能够让员工积极接纳新观念、新技术，为智能化转型营造良好氛围。反之，若银行文化保守、抗拒改变，即便引入先进技术，也难以充分发挥其价值。

人才是推动银行智能化转型的核心动力。大模型的深度场景化需要多领域专业人才协同合作，既要有深谙金融业务的专家，又要有精通人工智能技术的工程师，还要有能够将业务与技术紧密结合的复合型人才。

流程的优化是银行智能化转型的关键环节。传统银行的业务流程往往繁琐复杂，存在诸多手工操作与重复劳动，这严重制约了智能化技术的应用效能。通过对业务流程的梳理与再造，利用智能科技简化操作环节、提升处理效率，能够为大模型的深度场景化提供有力支撑。

数据是银行智能化的 “燃料”。优质、丰富的数据是大模型发挥作用的基础。银行需要建立完善的数据管理体系，对海量的客户信息、交易记录等数据进行收集、整合与分析。只有数据质量高、覆盖范围广，大模型才能学习到更准确、全面的知识，从而在风险防控、客户服务、产品创新等场景中提供更具价值的服务。

当文化、人才、流程、数据等基础工作扎实推进后，智能的实现将水到渠成。