随着大模型技术的快速发展，智能体（AI Agent）正逐渐成为全行业科技领域的重要力量。智能体通过自主学习、决策和交互能力，正逐步重塑银行业的服务模式和业务流程。回顾2025，按照战略契合与价值可量化、数据基础可行且合规、风险可控与治理就绪、实施路径清晰且依赖明确、技术能力成熟且可验证的原则，我们发现不少银行同业已落地智能体应用，智慧办公助手、智能数字人客服、个人金融/公司金融个性化精准营销助手、银行开户KYC智能助手、客户全生命周期管理智能助手、风控反洗钱智能审查报告平台工具、个人/公司信贷早期风险预测模型、公司金融企业客户财务分析助手等可独立完成多步骤任务、具备示范效应与可扩展性的高价值场景不断涌现。
2025年8月，国务院出台《关于深入实施“人工智能+”行动的意见》，对未来十年“人工智能+”行动进行系统部署，不仅将智能终端、智能体写进国务院文件，更是明确提出——到2027年，将率先实现人工智能与金融等6大重点领域广泛深度融合，以及新一代智能终端、智能体应用普及率超70%等落地性指标。
金融，作为现代经济的核心，其本质是信息的处理与风险的定价。这恰好与大模型强大的认知、推理及生成能力，形成了前所未有的共振。这股力量，正推动金融业开启继数字化与移动化之后，一场更为深刻的智能化变革。它不仅是效率工具的迭代，更是对金融服务范式、运营模式乃至核心竞争力的系统性重塑。
市场趋势在AI普惠化和持续跃升的趋势下，大模型已经从提效工具加速升级为协作伙伴，智能体已完成了从指令执行工具到问题解构主题的转变，已成为人机协作的重要形态，一场景一应用、一岗一助手、一客一管家、一人一分身的单智能体应用已初具规模。当前智能体技术已进入二次革命阶段，表现为多智能体协同系统的认知涌现，通过辩论机制、置信度加权、不确定性校准等技术完成了系统性协同行为。目前，在数学推理等复杂任务中，依托动态调整注意力权重形成知识合成的新范式，多智能体协同系统的准确率相比于单模型提升23-45%。随着单智能体应用的深入、多智能体应用技术的成熟，数据可溯源、模型可解释、决策可追踪已成为银行评估大模型安全性与伦理风险的审慎考量因素、平衡安全与创新的关键路径。
人工智能模型的技术演进正从单纯的参数规模扩展与稀疏化架构优化，转向深度推理能力构建与多模态原生融合。在推理范式方面，正经历从结果导向的强化学习向过程导向的自我验证机制转变。单纯依赖最终答案的正确性无法保证逻辑推导的严谨性。通过引入验证器与生成器协同训练架构，并扩大验证阶段的计算资源投入，模型具备了对复杂逻辑链条进行逐步审查与自动修正的能力。这种自我验证技术显著提升了模型在数学定理证明及科学发现等高精密任务中的可靠性。在架构演进方面，多模态技术已从各模态独立编码的拼贴模式，演进为基于统一Transformer的统一原生架构。Gemini 3 Pro等模型展示了在同一表征空间内对图像、视频、音频及文本进行联合处理的能力。这种统一架构支持低延迟的流式交互，大幅增强了智能体系统对动态环境的实时感知与长程任务规划能力。
跨模态数据的协同训练有利于推动模型智能水平提升，文本、图像、时序信号等跨模态的协同训练并非简单数据叠加，而是通过不同模态数据之间的语义对齐与信息补偿，构建更接近人类认知的全息理解框架，让模型像人类一样能够综合处理和理解来自不同感官的信息。同时，跨模态协同训练对数据治理提出新的要求：多源数据的异质特性催生标准化重构需求，而模态交叉带来的隐私风险则倒逼安全防护体系升级。未来，能够打通数据壁垒、掌握跨模态数据协同训练机制、并具备落地应用能力的银行，将在智能化变革中占据优势。
毕马威持续跟踪银行大模型应用的整体趋势，从公开招标信息分析以及毕马威调研案例显示，从2025年1至11月，银行大模型项目整体呈上升趋势，并在8月迎来小高潮。从项目建设内容分析，1-6月建设内容以知识问答为主，智能体应用呈偶发、零星分布。从7月开始智能体应用项目呈井喷式增长，特别是在10、11两月，所有建设项目类型均为智能体应用项目。
2025年1-11月银行业大模型项目分布*
*注：2025年1月至11月的项目为毕马威根据公开招标信息、或毕马威调研案例案例，旨在分析大模型的最新应用进展和发展趋势
面临的挑战尽管应用人工智能驱动提升运营效率和客户体验已成为行业共识，但银行在推动智能体规模化应用时仍面临多维挑战。
整体规划不清与持续评估/运营困难如果缺乏全行级战略规划、核心业务与数字化转型的深度协同，智能体的部署和应用易陷入“单点功能亮眼、全局协同低效”的困境，从而难以进一步实现通过多智能体协同重构业务流程的长期目标。更为关键的挑战来自对于智能体持续运营支撑体制机制的缺失，智能体的价值不仅在于降本增效，更在于风险控制、客户体验等深层业务影响。缺乏贯穿智能体全生命周期的价值评估与运营机制，将会使其应用的真实成效难以量化，进而导致进一步决策犹豫、实施后评估困难、持续投资难以维系，甚至项目在概念验证后停滞。因此，有效的运营支撑是智能体能否从“可用”走向“长效”的关键。
内部数据共享难与多模态数据知识转换难商业银行虽拥有海量高价值的私域数据，但这些数据因系统壁垒、部门壁垒而碎片化，难以被有效共享和激活，形成统一、可用的知识资产以供大模型实时利用。银行业务流程中产生大量合同、报告、报表、语音、文本等非结构化数据，其中蕴含了丰富的业务上下文与深度业务知识，现有银行数据治理体系多围绕结构化数据构建，缺乏成熟的技术框架与治理标准，将海量的非结构化数据进行高效、精准的信息抽取、语义理解与知识链接，难以将其转化成高价值知识资产供大模型消化与应用。
模型安全与模型风险管理难国务院《新一代人工智能发展规划》明确提出“在大力发展人工智能的同时，必须高度重视可能带来的安全风险挑战，加强前瞻预防与约束引导，最大限度降低风险，确保人工智能的安全、可靠、可控发展”，并要求到2025年“初步建立人工智能法律法规、伦理规范和政策体系，形成人工智能安全评估和管控能力”。大模型在应用中生成的内容与客观事实不符或缺乏事实依据的现象，即模型幻觉，是其在金融领域落地的核心障碍之一。只有在确保大模型自身安全的前提下，才能更好地发挥其赋能管理和经营的作用。
我们的建议坚持规划治理先行，构筑人工智能组织机制保障参照近一年来领先银行的实践经验，考虑人工智能技术与风险的独特性，以及监管对人工智能的管理要求，设立人工智能统筹管理组织，统筹协同技术专家、业务专家、风险合规专家，完善人工智能应用落地组织保障。
坚持用治结合，提升数据可消费性以智能场景应用驱动，融合结构化与非结构化数据治理，依托数据平台工具，实现对多模态数据的统一管理与高效处理，并利用自动化标注技术提升非结构化数据的标准化速率。以“黑白名单+默认共享”为原则，构筑自上而下的知识语料共享及激励机制，促进知识语料的内部流通与共享。
坚持ROI导向，优化完善人工智能创新机制创新机制与银行业高价值场景深度绑定，据此打造符合银行发展方向的差异化竞争力。从业务价值、风险复杂程度、战略选择等维度量化大模型应用的立项价值，从生产效率、客户满意度、成本节约等多个维度量化大模型应用的经济价值。通过制定明确的评估标准和流程，兼顾ROI与战略战略选择，确保每个项目的投资回报清晰、可衡量。依托差异化的价值评估模型，优化人工智能创新机制，加速人工智能创新项目落地，抢占智能体在银行核心业务领域规模化落地先机。
寄语业务增长和管理提效是智能体等新质生产力应用的根本目的，从知识问答到智能体应用的趋势下，以具备实际产业价值的可落地应用的场景落地为抓手，深化人工智能管治机制，激活内部数据资产，落地适合自身业务和管理价值释放的“智能体”，是银行打造银行人工智能+、构筑特色人工智能应用，持续推动业务智能化转型的关键。
此文章收录于《2026年中国银行业展望报告》。
本文内容仅供一般参考用，并非针对任何个人或团体的个别或特定情况而提供。虽然我们已致力提供准确和及时的资料，但我们不能保证这些资料在阁下收取时或日后仍然准确。任何人士不应在没有详细考虑相关的情况及获取适当的专业意见下依据所载内容行事。本文所有提供的内容均不应被视为正式的审计、会计或法律建议。
©2026毕马威华振会计师事务所（特殊普通合伙）、毕马威企业咨询（中国）有限公司及毕马威会计师事务所，均是与毕马威国际有限公司（英国私营担保有限公司）相关联的独立成员所全球组织中的成员。毕马威国际及其关联实体不提供任何客户服务。各成员所均为各自独立的法律主体，其对自身描述亦是如此。毕马威华振会计师事务所（特殊普通合伙）——中国合伙制会计师事务所；毕马威企业咨询（中国）有限公司——中国有限责任公司；毕马威会计师事务所——香港合伙制事务所。版权所有，不得转载。毕马威的名称和标识均属于毕马威国际的商标或注册商标。