专题：第28届北京科博会-未来产业推介会
第28届北京科博会-未来产业推介会于2026年5月8日在北京举行。中国社科院国家金融与发展实验室副主任杨涛出席并演讲。
以下为演讲实录：
杨涛：非常高兴再次参与科博会金融分论坛，也很感谢论坛给我这个开场发言的机会。
我围绕近期关注的AI智能体与金融应用这一各方热议的主题，先做一点简短的抛砖引玉。一会儿还有众多行业专家会给大家带来更加接地气的分享。
我作为一个研究者，是如何理解这个问题的呢？下面我以银行业为例，谈一点认识和思考。具体想从以下几个方面来谈：一是围绕AI智能体落地过程中，从哪些方面观察其发展前景，做一点简单归纳；二是就其中存在的一些问题和挑战做一点分享；三是基于研究者的视角提一点对策和思考。由于时间有限，我更多提一些观点性的看法，供大家批评指正。
一、发展前景的几个观察维度
当我们讨论发展前景时，相信行业对趋势、技术、场景都有很多认知。我想从研究思考的角度，归纳几个层面：
第一，组织智能化转型的必要性。 随着人工智能、大模型和智能体的进一步应用，我们更多需要关注组织智能化转型的必要性。这不仅仅是一项技术应用到业务过程中、对业务流程带来什么样的新影响，更为重要的是，它对我们原有的金融业、银行业的组织形态带来深远冲击。大家经常听到，银行业的核心业务不能外包，但用全球视角来看，数字化和新技术已经解构了很多行业。由于金融业是高风险、特殊的行业，其变革往往并不是那么简单。但随着新技术的不断应用，这种变革事实上也在不断延伸。所以当AI Agent进一步应用时，不仅仅是对生产效率产生影响，更会对商业生态系统、企业组织形态和商业模式带来更为深远的冲击。这是我讨论这个问题的起点。
第二，构建人机协同的运营模式。当我们试图引入Agent时，可以看到它能够重塑三个维度的运营模式：一是通过自主协同改善内部流程；二是自动完成重复性工作；三是动态优化资源调度。未来Agent的应用，不是为了简简单单替代人，而是在很大程度上要实现人机协同的全新运营模式。无论是看相关市场机构的研究，还是看BIS对相关问题的探讨，其实都强调所谓的人机协同。这同样是值得关注的。
第三，推动数据的民主化与自主化。 随着金融业的数字化转型，大家越来越强调业务、技术、数据（业技数）融合。这在很大程度上推动金融机构从传统的数据治理，进一步转向发挥数据要素在金融业运营全流程中的价值与突出作用。当然，过去面临很多体制机制和管理层面的阻碍。我们希望当Agent引入后，能够进一步推动组织架构的演化。在这个过程中，在保证数据合规使用的前提下，能否进一步推动数据要素在金融机构运营中更深层次的应用，这是更值得展望的。
第四，促进扁平化的组织重构与生态融合。 我认为这也是业务与智能体深度融合的重要方向。短期内，希望智能体能够实现集群化的协同决策；中期内，随着智能体真正变得“聪明”，有望实现跨机构的智能流程互联；长期内，则可能对金融机构的重构和持续创新产生深刻影响，进而对整个运营生态形成冲击，甚至推动传统银行业原有管理模式的迭代升级。这些从长远来看都是值得我们预期的。
第五，实现员工角色的根本转变。提到Agent，很多人直观想来，最早要替代实习生，再慢慢替代员工，很多人都担忧AI对就业带来的深刻影响。但基于刚才所说的人机协同这一大思路，未来推动Agent应用，本质上还是要进一步对人、对员工的角色、功能、价值带来新的增进，也需要对人才体系进行全方位重构。以上是我对未来趋势所做的一点宏观与中观层面的展望。
二、落地过程中的主要挑战
第二个层面，在Agent落地过程中，以银行业为例，我认为还存在诸多挑战。我列了几个方面，供大家批评。
一是最大的瓶颈在于技术、数据、工程化三方面的挑战。在技术层面，虽然技术演进不断迭代，在垂直领域应用不断深入，但仍存在一些问题，比如多智能体协同难题、编排可控性不足、工具链缺失等，在技术落地过程中仍然存在挑战。数据层面的挑战相对更容易理解。如果没有丰富的数据库、知识库支撑，无论是过去讨论大模型落地，还是现在Agent进一步应用，都存在诸多挑战。第三个层面是工程化落地的挑战。现有众多Agent，有些机构号称已推出几百个、上千个，但如何与原有系统更好地融合，如何实现工程化、标准化建设，我相信仍然存在挑战。
二是人才结构与组织文化的制约。刚才提到要推动业技数融合，但在人的层面，我们长期调研发现不同机构其实都存在挑战。业技数融合说起来容易，做起来难。我们长期从事研究与教学，都能感受到跨专业人才的学科交叉在应用领域面临很大挑战。我相信每家机构都会面临人才结构的割裂问题，加上数字化转型有很多历史遗留问题，以及组织文化保守的一面，所有这些其实都构成了Agent落地的深层障碍。大家可能看到单个Agent带来的一些亮点，但一旦融入纷繁复杂的人才生态与组织文化，有时候难以激起改革的大浪花，这是值得我们思考的。
三是新型风险的挑战。比如算法偏见与黑箱问题。从监管者角度来讲，这几年在关注大模型落地过程中，首先最关心的就是可解释性，其次是准确性，还有就是算法同质性。特别是如何穿透AI的算法黑箱，让监管者和客户都能放心，这其实面临突出挑战。为什么呢？因为大模型算法本身在输入数据和输出结果之间，不一定有非常严谨的因果链关系。如何应对？我相信这是我们未来始终面临的一个突出矛盾。
还有就是数据安全与监管的不确定性。数据安全问题不用多说，无论是敏感信息泄露，还是越权访问，还是其他风险，相信都是监管所担忧的。而且监管政策本身也有不确定性，因为从全球来看，面对这个领域，监管都在动态迭代与挑战过程中，也在观察，观察的结果可能引来不同的政策选择，这对我们行业探索肯定有挑战。比如说这两年在大模型应用过程中，对金融机构而言，到底是否“先内后外”，事实上监管者一直在探索和讨论。
由此，过度依赖Agent可能也会带来一些风险和问题。比如说近期很多朋友比较关注“Agent+支付”。自从去年9月谷歌开始推动AP2，也就是Agent+支付的标准化协议以来，国外国内大规模推动这个领域的应用。今年4月份中国银联也推动了相关工作。在Agent+支付标准化流程探索中，给我们展开了无限前景，但同时也带来突出挑战：如何真正证明Agent得到了客户完整、有效的授权？Agent是否可信？会否有一些恶意Agent嵌入支付链条？这些都带来了Agent应用中的突出问题和挑战。
三、应对思路与对策建议
在讨论这些问题的基础上，最后谈几点应对思路。我觉得以下几方面可能值得我们政产学研各方面共同思考。
一是要推进智能体应用的顶层设计。第一阶段的探索已经比较充分，这个时候顶层设计变得更加重要。智能体的行动方案在整个金融机构数字化转型中，需要作为单独的顶层设计拎出来。这个过程中，无论是行动方案层面，还是战略指导层面，可能都需要一些系统考量，甚至纳入整个公司治理框架。也就是说，要依托我刚才所说的人机协同理念，对整个战略发展、组织文化进行系统性考虑。而且特别重要的是，需要建立跨部门协同攻关机制。如果做不好，Agent有可能对原有的业技数融合反而带来一些负面作用，我觉得这是需要特别注意的。
二是围绕关键业务场景开展技术攻关。Agent的应用，其实也是大家慢慢看到了，在大模型应用过程中，如何把握好成本与收益的平衡，利用Agent相对来说是一个客观有效的选择。当然，在这个过程中，也要充分考虑项目落地的ROI（投资回报率），如何真正依托场景价值来推动创新、推动技术攻关。我们可以看到，基于多模态感知、主动决策、跨场景协同等领域，当与不同场景结合时，就带来了技术攻关的需求，也带来了重点突破的方向。
三是统筹数据治理和Agent的治理框架。 过去，交易对手方面对的是人或企业，进行这一系列链条治理时，关注的是KYC（了解你的客户）和KYB（了解你的业务）。当交易对手方慢慢变成了Agent，监管关注的是KYA（Know Your Agent，了解你的智能体）。如果Agent不可信，整套交易逻辑在底层基础上都会遇到巨大挑战。所以这样一系列的治理与可信机制，我觉得是重中之重。它既涉及数据问题，又涉及可信环境问题，还涉及如何在未来思考监管、思考问责机制来实现有效平衡。
四是差异化部署与生态联盟建设。正如我们在讨论大模型落地时，大家已经慢慢认识到，不是为大模型而大模型，有些机构做大模型也不一定带来什么价值，而是要实现不同类型银行的差异化策略。比如国有大行、股份制银行、中小银行，路径显然不太一样。尤其对于中小银行来说，更需要生态联盟，通过生态联盟来有效实现Agent落地过程中投入与价值的平衡和整合。当然，这也是应对监管部门特别担心的行业马太效应的一个对冲或缓解点。当然作为研究者，我必须要承认，随着数字化转型，行业的马太效应我认为不可避免，必然是强者越强、弱者越弱。但我们可以采取一些措施，使马太效应略微得到缓解。
五是构建复合型人才体系和组织文化。 这个相信不用多说。我们强调的是，引入这么多创新，最终做的应该是“AI帮助人”，而不是“AI替代人”。现在全球都在担心这个问题，担心AI替代人。作为金融业，我们如何实现“AI帮助人”？这显然是未来实现商业价值和社会价值需要考虑的很重要的一点。
最后简单做一点总结：智能体技术从战略角度，在金融领域的应用，既是一场技术革命，更要强调的是组织变革。核心挑战需要考虑不仅仅是技术本身，更重要的是可解释性、可拓展性等这样一些合规、长远利用的问题。实施路径需要考虑顶层设计、技术攻关、治理框架、生态联盟、人才体系的全方位布局。从早期只是进行AI实验，逐渐要进行AI的问责。所谓问责不是要找茬，而是要有一系列机制引导其规范发展。而未来的远景是，相信这一变革在推动银行业智能化转型过程中起到突出作用。
以上做一个粗浅的分享，请大家多批评指正，谢谢！
新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。
海量资讯、精准解读，尽在新浪财经APP
责任编辑：梁斌 SF055
金富宝提示：文章来自网络，不代表本站观点。
