近期，生成式AI在全球迅猛发展，金融机构期望通过大模型推动业务创新和智能化转型，但在实际应用中面临专业性不足、成本高昂、适配难度大等挑战，效果未达预期。业内人士建议，金融机构需重新审视需求，探索小模型及应用层面的深耕细作。同时，全球金融科技市场竞争激烈，金融机构在数字化转型中面临技术、人才、成本等压力，亟需找到适合自身的发展路径，实现技术与业务的深度融合。

大模型热潮下金融机构的现实困境

近年来，生成式AI的出现让银行等金融机构积极接入大模型，期望借助其算力和数据处理能力重塑业务流程，实现精准营销、风险防控、管理优化和产品创新。然而，尽管投入巨大，大模型的实际落地效果却不尽如人意。

比如，在智能投研领域，大模型虽能快速处理数据，但分析报告缺乏深度和针对性，难以满足专业投资决策需求。在风险控制方面，大模型对传统风险识别尚可，但应对新型金融风险时易误判或漏判。在理赔环节，大模型虽提高了效率，但在处理复杂理赔案件时，因对金融法规和条款理解不精准，易引发客户投诉。

第一财经记者从业内了解到，部分大中型银行引入大模型并投入大量人力适配和对接，试运行后，仅在基础业务场景有微小效率提升，关键领域突破少。某股份行金融科技部门人士称，大模型在智能投研方面的建议与市场表现偏差大，投资收益未达预期；在风险控制方面，对新型金融诈骗识别不足，还会误判正常业务为风险事件。

“虽然金融机构在金融科技领域投入了大量资源，但目前AI技术对金融机构业务模式的改变尚未实现实质性的突破，主要集中在提升效率和降低成本方面。”中欧国际工商学院经济学与决策科学教授、中欧AI与管理创新研究中心主任方跃对记者表示，生成式AI虽具潜力，但其在企业级应用层面仍处于早期阶段。目前，该技术在金融领域的应用，如智能投研、风险控制、理赔等场景的实际进展较为有限。

究其原因，大模型的通用性与金融机构业务的专业性存在矛盾。大模型基于通用文本数据训练，缺乏对金融场景的深度学习，难以适配金融机构复杂多样的业务流程、专业术语和法规政策。中国银行首席信息官孟茜指出，基础大模型预训练中金融知识占比仅约5%，限制了其在金融领域的深度应用。

此外，大模型的高昂成本也成为金融机构的一大挑战。上海银行副行长胡德斌指出，从购买、部署到维护、优化，大模型需要耗费大量资金和人力，中小金融机构难以承受，即使接入也难以充分发挥价值。

转向小模型及应用层面深耕

面对大模型在金融机构应用中的困境，业内人士在接受采访时表示，金融机构在金融科技领域的探索不应局限于大模型的盲目跟风，而应根据自身实际情况，转向小模型及应用层面的深耕细作。

方跃指出，金融机构在接入大模型时，往往忽视了自身业务的特殊性和复杂性，期望通过一个通用的大模型解决所有问题，这种“一刀切”的思路显然是行不通的。相比之下，小模型具有更强的针对性和灵活性，能够更好地适配金融机构的具体业务场景。

对于不同规模的金融机构，策略的选择也应有所差异。对于大型金融机构，方跃认为，应避免盲目追求大而全的模型，根据自身的业务重点和优势领域，开发具有针对性的小模型，同时加强与外部科技企业的合作，共同探索小模型在金融领域的创新应用。

中小型金融机构则更需要找到适合自身的差异化发展路径。富滇银行数字金融中心主任赵理明认为，中小银行无需盲目追随大型银行“重模型、全场景”的发展模式。相反，它们应聚焦于“小场景、深融合、快迭代”的策略，从而在竞争中形成非对称优势。他还强调，中小银行应集中资源投入金融专属模型的微调与优化，利用本地数据进行轻量化垂直调优，致力于打造“小而专”的领域模型。

人才是实现技术与业务深度融合的关键。方跃建议，金融机构在招聘人工智能相关人才时，应更注重业务理解和应用能力，而不仅仅是技术背景。西南财经大学教授张晓玫也指出，“人工智能+”银行需考虑技术特性与现有业务融合的可行度，这需要大量优质人才进行研判。

除了技术与人才，金融机构还需要关注未来发展的新机遇。方跃还指出，未来可能会涌现出一些全新的应用场景，这些场景在当下还难以描绘出具体形态，但它们极有可能成为金融行业赋能的新方向。金融机构应密切关注市场动态和技术发展趋势，提前布局，积极探索新的应用场景和业务模式。