用友AI金融峰会学习总结：从"技术狂欢"到"价值落地"的深度思考

    3月19日，我有幸参加了用友金融在北京举办的"AI至上·价值经营"主论坛。作为一名长期参与B端系统建设与维护、专注AI应用探索的从业者，这次峰会带给我的不仅是前沿的理念碰撞，更是可落地、可推演的行动框架。整整一天的密集输出，让我对"AI+金融"的融合路径有了更系统的认知，也对自己所在机构接下来的数智化推进，形成了不少清晰的思路。

    回来后，我反复翻看会上拍的资料和笔记，结合与几位同行专家的交流，以及我自己这两年在智能体搭建、评测和推广方面的实践经验，将本次学习的核心收获与实践思考整理成文，希望能给同样探索中的朋友们带来一些参考。

一、核心洞察：AI正在从"辅助工具"进化为"决策主体"

    峰会最让我印象深刻的是，大家对AI的认知正在发生根本性的转变。

    过去我们谈AI，更多是将其视为一个效率工具，比如自动生成报告、辅助客服等。但用友金融多位专家在演讲中反复强调，AI的终极目标是"重塑经营"和"辅助决策"。

    正如现场展示的"大模型能力与应用场景"图谱所示，AI的应用已从简单的"信息抽取"、"文本生成"，向"领域预测分析"、"多轮分析推理"、"策略生成"等高阶能力迈进。这意味着，AI不再仅仅是执行指的"手"和"脚"，它正在成为具备思考能力的"大脑"，能够理解复杂的业务逻辑，甚至直接参与到企业的经营决策中。

    我的思考：

    这对我过去两年的智能体实践提出了更高的要求。我们团队最初做的智能体，主要是在执行明确的规则和流程——比如用户咨询回复、账务核对等。这些确实是"体力活"层面的自动化，也带来了明显的效率提升。

    但峰会上的分享让我意识到，这只是起点。我们不能再满足于让AI做"体力活"，而要思考如何构建知识体系，让AI理解我们的业务逻辑，成为真正的"决策合伙人"。

    财务智能应用的尝试：

    AI金融领域中，可尝试将财务审核、风险预警等工作中需要专业判断的部分，通过知识图谱和规则引擎结合的方式，让智能体具备一定的"推理能力"。比如，不只是告诉你"这笔报销超出了预算"，而是能分析"超出预算的原因是什么，历史上类似情况的处理方式，以及可能的风险点"。

二、不止于"+AI"，而是"AI驱动"的业务与运营重构

    峰会开篇就定下基调：AI不是锦上添花的工具，而是驱动金融业务价值经营的核心引擎。这一点在养老金融专题环节体现得尤为深刻。

    面对老龄化社会的确定性未来，传统的养老金产品与服务模式已显乏力。演讲专家指出，必须以客户为中心，以AI技术为核心驱动力，重塑价值创造的底层逻辑。这具体体现在五个维度：

    需求侧：利用AI构建精准客户画像，识别用户在财富、健康、护理、精神等维度的立体化养老需求，而非简单的理财需求。

    产品侧：从"单一保险/理财"走向覆盖全生命周期的个性化产品矩阵。AI能驱动精算模型创新，实现更灵活、动态的产品设计与定价。

    服务侧：通过AI整合线上线下渠道，提供7×24小时智能服务，并关键地连接医疗、康养等外部生态，构建服务闭环。

    风控与价值侧：AI赋能长期的资产负债匹配管理和动态风险控制，在追求稳健收益的同时守住风险底线，实现"长期主义"。

    理念升华：金融服务的终点，应是有温度的人生陪伴。AI在此过程中，是让这种陪伴更懂你、更及时、更周全的技术底座。

    我的思考与行动点：

    金融机构布局养老金融业务，这个"以客户为中心，AI驱动重构"的思路是完全通用的。

    我们在智能体推广过程中，遇到的最大问题是：业务部门不知道怎么用，或者说，不知道AI能帮他们解决什么问题。这本质上是我们做的是"+AI"——在现有流程上叠加AI功能，而不是"AI驱动"——从业务价值出发重新设计流程。

    AI落地的实践调整：

    最近在做一个某业务场景智能体项目，不要一开始就开发功能，而是先和业务部门一起梳理：现有业务流程的痛点是什么？哪些环节耗时最长？哪些环节错误率最高？风险点在哪里？

    梳理完才发现，真正需要AI优先解决的，不是业务单据的智能识别，而是业务信息与历史数据的比对、异常条款的预警。这才是业务部门真正需要的。

三、穿透式管理：AI时代集团化金融管控的"必答题"

    在大型金融集团或涉及金融业务的产业集团中，管控乏力、数据孤岛、风险隐蔽是通病。峰会中关于"穿透式管理"的篇章给了我极大启发。

    穿透式管理，本质是借助AI与数智化技术，实现对"组织、业务、流程、数据"的四重穿透，从而解决集团层级多、业态杂带来的管控衰减问题。这不仅是满足监管从"管企业"到"管资本"转型的刚需，更是企业自身高质量发展的内在要求。

    落地关键路径：

    统一数据底座：这是所有穿透的前提。必须打破各子公司、各业务系统间的数据壁垒，建立标准化的数据治理体系。

    业务流程全线上化与结构化：只有将投资、产权、财务、薪酬等关键业务流程搬到线上，并实现关键步骤的数据结构化沉淀，AI才有"原料"进行风险识别与监控。

    构建智能化监督闭环：基于统一数据和线上流程，搭建"风险识别-监控-预警-处置"的AI模型体系，实现从事后审计向事中、事前监督的转变。

    我的经验分享：

    在智能体落地过程中，我们最深刻的体会就是：数据治理是"生死线"。

    一些团队做了某个业务场景的智能体，模型训练了很久，准确率始终上不去。排查了代码逻辑、算法参数，最后发现问题出在原始数据上——不同子公司的基础信息编码不统一、历史数据录入不规范、有些关键字段缺失。

    这些问题不解决，再先进的模型也跑不起来。

    用友分享的数据治理框架给了我很大启发：从数据采集、清洗、标注到质量监控，形成闭环。他们不是先上AI，而是先把数据治理做好。这个顺序很重要。

    通常需要建立两个机制：

    数据质量监控仪表盘：实时监控各业务系统的数据质量指标（完整性、一致性、及时性）

    数据治理专项小组：跨部门协作，每周处理数据质量问题

    数据治理不是一次性项目，而是持续的过程。智能体的效果，很大程度上取决于数据治理的深度。

四、从场景地图到能力地图：找到AI落地的"钉子"

    峰会展板清晰展示的"金融大模型十大高频场景"和AI能力思维导图，为我们提供了一份珍贵的"落地导航图"。

    这些场景覆盖了前中后台：

    前台（价值创造） ：智能营销、智能投研、智能投顾、产品设计

    中台（风险与控制） ：智能核保、智能理赔、智能合规、智能风控

    后台（效率提升） ：智能研发、智能办公、智能客服

    避免"为AI而AI"的实践建议：

    不要一开始就追求大而全的平台。我个人的经验是，采用"小步快跑，场景攻坚"的策略：

    诊断与筛选

    对照场景地图，盘点你所在机构中痛点最明显、数据基础相对较好、业务价值容易衡量的1-2个场景。

    我们团队的实践是：从财务部门最头疼的"报销审核"开始。这个场景数据完整（发票、报销单、审批流程都在系统里）、规则明确（合规性标准清晰）、价值可衡量（人工审核时间、错误率）。

    能力解构

    参考能力地图，分析实现该场景需要哪些核心AI能力。例如，"智能营销"需要"客户画像"、"需求挖掘"和"产品推荐"能力。

    这有助于我们更有针对性地考察技术供应商，或组建内部团队。

    指标先行

    在项目启动前，就明确衡量成功的业务指标（如客户转化率提升、审核时效缩短、错误率下降），而非单纯的技术指标（准确率、召回率）。

    关于智能体评测体系的思考：

    这是我在峰会上学到最颠覆性的观点之一。一个专家说："模型再先进，没有评测体系，就是黑盒。"

    很多团队之前做了智能体，但不知道怎么评估效果，用户说"不准确"，我们也说不准是哪不准。峰会上的分享点醒了我：评测要从业务价值、用户体验、风险控制等多个维度设计指标体系。

    建立关键的评测指标：

    业务价值指标：智能体处理后，人工复核时间减少多少？

    用户体验指标：用户连续使用率是多少？求助频率如何？

    风险控制指标：误判率、漏判率分别多少？有没有建立人工兜底机制？

    让智能体的效果可量化、可优化，这样才能持续迭代。

五、落地路径：从"单点应用"到"全栈智能"的跨越

    在下午的"AI共生·决策未来"篇章中，用友金融的专家们详细拆解了AI落地的路径，我结合自己的实践，将其总结为"三步走"战略：

    第一步：夯实底座——构建"企业数字大脑"

    正如现场"能力端：AI知识工程"图示所展示的，数据和知识是AI的燃料。很多企业面临的问题是"数据孤岛"和"知识显性化不足"。

    用友提出的"AI知识工程"理念，强调通过知识全生命周期管理，将散落在各处的隐性知识沉淀为显性知识，构建企业的"数字大脑"。这不仅是技术问题，更是管理问题。

    第二步：能力沉淀——打造可复用的"AI智能体"

    专家提到，要"让每一个岗位技能都变成可复用的能力沉淀"。这让我想到我们内部正在做的尝试：将财务审核、风险预警等重复性高、规则明确的工作，抽象为一个个"智能体"。

    这些智能体可以像乐高积木一样，根据业务需求快速组合，极大地提升了系统的灵活性和响应速度。

    常用的智能体实践案例：

    报销审核智能体：只做发票合规性检查，准确率达到95%以上

    账务核对智能体：自动匹配银行流水与账务，减少80%的人工核对工作

    报表分析智能体：异常数据预警，帮助财务人员快速定位问题

    每个智能体只解决一个明确的问题，组合起来就能覆盖财务部门的多个场景。

    第三步：场景穿透——实现"流程与控制的穿透"

    专家分享的"以流程穿透看清业务，以控制穿透落实底线"案例，极具启发性。AI的价值在于它能打通从前端业务到后端财务的全链路。

    例如，在报销场景中，AI不仅能自动识别发票，还能结合合同、订单等信息，进行合规性检查和风险预警，实现真正的"端到端"自动化。

六、实践踩坑与反思

    结合峰会上学到的方法论，我复盘了自己这两年在智能体推广方面的实践，有几点深刻的反思：

    坑一：过度追求"智能"，忽略了"可用"

    有的团队，想做"智能财务决策助手"，能根据企业数据给出经营建议。结果做出来后发现，用户根本不太难用——给出的建议太宏观，业务人员没法落地。

    峰会上的一个分享给人启发：AI的价值在于"增强能力"，而不是"替代判断" 。需要把"决策助手"改成"数据洞察助手"，只做数据异常识别和原因分析，决策权还在人手里。

    坑二：忽略了"人"的因素

    推广智能体时，我们发现阻力最大的是业务部门的基层员工。他们担心AI会取代自己的工作，配合度很低。

    这个问题在峰会上被很多企业提到。用友的解决方案是：把AI定位为"工具"，而不是"替代者" 。他们在推广时会强调"AI帮你处理重复工作，让你有精力做更有价值的事"，并设计了一套激励机制，让使用AI成为员工的能力提升而非威胁。

    我们团队后来也调整了推广策略：先让部分员工试用，让他们自己感受到效率提升，再通过他们的口碑影响其他人。效果好了很多。

    坑三：缺乏迭代机制

    智能体上线不是终点，而是起点。我们团队之前有个智能体上线后，用户反馈不少问题，但我们不知道怎么迭代优化——因为没有建立反馈渠道和数据监控机制。

    峰会上专家提到，智能体的生命周期管理非常重要：从需求调研、场景定义、模型训练、上线推广到持续优化，每个环节都要有对应的机制。

    高效复盘经验是建立两个机制：

    每周用户反馈会：收集业务部门的使用问题，定期优化

    数据监控仪表盘：实时监控智能体的使用情况和效果指标

七、正视差距，更看到我们的独特赛道

    峰会中一张关于"中美AI能力对比"的幻灯片令人警醒。我们在基础算法、顶尖人才、算力芯片上确有差距。但这并不意味着一味焦虑或望而却步。

    中国的优势在于：丰富的应用场景、庞大的数据规模、完整的产业体系。金融行业，恰恰是数据富矿与复杂场景的结合体。我们不需要盲目追逐通用大模型的"明星战"，而应深耕"金融垂直领域大模型"，在产业数据的深度利用、业务逻辑的精准嵌入上做出特色。

    回归本质，AI是技术，金融是商业。峰会的核心启示，是让我们重新思考：如何用技术的力量，更高效、更精准、更有温度地去实现金融的本质——服务实体经济、管理风险、进行跨期价值配置。

八、给同行的具体建议

    如果你也在做企业级AI应用，尤其是智能体方向，我的建议是：

    从"小场景"开始

    不要一开始就想做大而全的系统。找一个痛点明确、数据相对完整的场景，把一个智能体做透，建立团队的信心和经验。

    建立评测体系

    在开发智能体之前，先设计评测指标体系。不然你永远不知道自己的智能体做得好不好。

    数据治理先行

    不要等智能体跑起来才发现数据问题。先把数据治理做好，这是地基。

    重视人的因素

    AI项目失败，往往不是技术问题，而是人的问题。要提前做好沟通、培训和激励，让业务部门成为AI的合作伙伴，而不是阻力。

    建立迭代机制

    智能体上线后，要有持续优化的机制。用户反馈、数据监控、模型调优，都要形成闭环。

    写在最后

    这次峰会让我看到，企业级AI应用已经从"概念阶段"进入"落地深水区"。这对从业者来说，既是挑战，也是机会——之前靠概念就能融资的时代过去了，现在比的是谁能真正解决业务问题。

    我这两年的实践，加上峰会上的学习，让我更坚定了一个判断：企业级AI应用的胜利者，不是技术最先进的，而是最懂业务、最擅长落地的。

    这次用友峰会，不仅让我看到了AI技术的最新进展，更让我坚定了一个信念：未来的金融和财务，一定是"人机协同"的时代。让我们一起，用AI的力量，创造更大的业务价值！

    这次峰会不是终点，而是一个清晰的行动起点。我已经带着这些思考，与团队着手规划我们下个季度的"AI+金融"试点场景了。期待与更多同行交流切磋，共同在这条充满挑战与机遇的路上，走得更加踏实、坚定。（作者：wzt257）

本文来源：财经报道网