策略通大模型落地金融机构：卡点在数据，破局在“人”

2026年，大模型从“百模大战”进入“落地竞速”。金融机构是本轮最积极的投入方——头部金融机构几乎都已立项大模型相关项目，覆盖投研、风控、合规、客服等多个条线。但一个普遍的现实是：大量项目停留在POC（概念验证）和内部演示阶段，真正进入生产、稳定产生业务价值的仍然有限。

问题不在模型本身。通用大模型的能力在过去两年经历了快速跃升，推理成本持续下降。真正卡住落地的，是数据侧的三个痛点，以及一个更深层的组织问题——缺一批能把业务、数据、工程串起来落地的复合型团队。

金融机构大模型落地的三个痛点

痛点一：基础数据层——数据治理基础薄弱。监管与行业实践普遍点出金融机构数据治理的四类共性短板：源端系统分散割裂、集团内风险数据标准不统一、对子公司与跨境业务穿透能力不足、风险数据管理机制不健全。落到金融机构现状，集中体现为三点：一是系统林立、口径不一：金融机构的核心业务系统——银行的信贷与理财、保险的承保与精算、券商的经纪与资管——由不同厂商分别交付，同一客户在不同系统里标识各异，同一指标在不同业务条线的口径各不相同。二是数据异构、变动频繁。三是质量无保障、血缘断裂：主数据定义缺失、重复、分散，“这个指标怎么算出来的”只能人工追溯，模型变更靠邮件通知。

痛点二：AI就绪层——数据无法被大模型使用。即便数据都在，也未必能直接“喂”给大模型。这些数据是“给人看的”，不是“给AI看的”，大模型直接使用会撞上三重障碍：精准调用难、接口管理难、数据理解难。

痛点三：应用层——大模型落地难。就算数据能调用，应用也未必做得起来。通用大模型数据滞后、专业数据缺失，频繁产生“AI幻觉”；计算逻辑容易出错（如涨跌幅算法错误），无法保证“数出一致”；叠加数据合规要求高、权限隔离严格，落地的门槛被进一步抬高。

数据底子乱，大模型读不懂；读不懂，应用做不起来，根源在于金融机构尚未真正掌握数据主权，包括数据标准、数据模型、数据服务、数据治理等主权。

三层架构：重建数据主权的路径

要拿回数据主权，靠的不是在模型层继续投入，而是回到数据本身，重新构建一条从“数据治理”到“AI就绪”再到“应用落地”的链路。这条链路在工程上落地为三层架构，回答的是三个问题：底层数据对不对？数据能不能被AI用？应用中如何实现流程解耦和数据约束？这三个问题是依次递进的关系。

1.数据治理：先解决“数据对不对”。

这是三层架构的基座。表面上看，数据治理就是把数据“理干净”，但真正做起来会发现，“数据对不对”远不是统一编号那么简单，如下几个维度都需要业务判断，而非纯技术操作。

首先是主数据统一。同一个客户，在交易系统、CRM、财务系统里是不是同一套编号？在很多金融机构，目前已经完成了同一客户同一业务识别，但表内表外、境内境外、场内场外，是否全部打通？这是第一大难点。

其次，是数据血缘与版本管理。同一个指标，可能同时来自财报原文、评级报告、募集说明书，或者第三方机构。不同来源的数值不一致的情况下，数据治理要回答的是权威判断的优先级排序如何，而且数据本身也在变。这些优先级规则与版本策略，需要结合具体数据、具体场景去定义，不是靠一套通用算法覆盖。

再次，是指标口径治理。这是最能体现数据治理“功力”的地方。以EBITDA（息税折旧摊销前利润）为例，这个金融分析里最常用的指标，其实没有一个“唯一正确”的口径，常见的至少有三套：一是报表口径，直接从利润表推算——净利润加回所得税、利息、折旧和摊销；二是调整口径，在报表口径基础上剔除资产减值、投资收益、政府补助等非经常性项目，反映可持续的经营能力；三是评级口径，评级机构还会做更进一步的调整，比如把经营性租赁的租金加回（视同债务处理）、调整少数股东权益与联营企业损益。这三套口径没有对错之分，只有适用场景之别。

把这几个维度串起来看，就明白为什么数据治理不是工程师能独自完成的：主数据统一需要懂业务实体，血缘与版本需要懂数据流转和来源可靠性，口径治理更需要懂每一个指标在不同业务里的真实含义。它本质上是在用行业经验回答“什么是对的”，再把这个答案固化成标准、规则和平台能力。这正是数据治理必须由“数据治理专家+业务专家”共同承担的原因。

2.AI就绪：再解决“数据能不能被AI用”。

数据治理解决了“对不对”，但还没有解决“能不能用”。治理好的数据仍然是“给人看的”，大模型并不能直接消费。第二层的任务，就是把数据进一步改造成“给AI看的”形态。

这一层的核心是本体论业务认知模型，通过“本体—标签体系—指标”三层结构，把业务数据定义转化为大模型可理解的知识体系。其价值体现在三个层面：统一业务词典，以本体、标签、指标三层定义为大模型构建精确的业务术语库，消除“杠杆率”这类行业黑话带来的歧义。

3.应用落地：用流程解耦和数据约束消灭幻觉。

幻觉的原因有很多种，把一个复杂流程交给一个黑盒端到端完成，大模型取数取哪个主体？哪个版本？哪个口径？如何加工？有什么前提条件？这里非常多的约束条件，有一个不确定，大模型就会自由发挥。因此消除幻觉的核心关键词是：解耦、harness（约束框架）。

先看解耦。以债券投资为例，从选券、信用评级、准入、产品、组合策略、交易、清算估值、投后跟踪，到退出，是一条完整的链路。正确的做法，是把这条链路拆成一个个职责单一、可独立验证的最小闭环，每个环节都有明确的输入和输出，环节之间由编排层串联。这样每一步的结果都能单独校验，错在哪一步一目了然，而不是事后追着一个黑盒去查。

其次是harness，也就是给每一个环节套上一个约束框架，划清“什么该由模型做、什么该由规则做”的权责边界。模型的每一次输出都被框在一个可校验的边界里，而不是任由它即兴发挥。

AI幻觉的本质是大模型不理解语义对应的数据在哪里，应该精确匹配哪个本体—标签—指标，数据约束要做的，就是让模型“造不出来”：每一步的输入数据，都来自治理与就绪两层产出的、有明确来源、口径和版本的数据；模型只能引用这些已通过约束的数据，不能自己生成数字。所有引用必须指向可访问的原始记录，无法核验的内容一律标注“待核实”，不得进入最终结论；高风险、低置信、数据冲突、超出规则覆盖范围的任务，自动转人工。

落到一线业务人员的日常，变化是直观的：过去查一份跨系统的持仓分析，要提需求、找运维、排期取数，等上一两周；现在对着系统问一句，几秒钟拿到结果，而且每一步的结论都能追溯到数据源和规则。三层由此形成一个闭环——治理保证数据可信，就绪保证数据可用，应用保证流程受控、输出可验。

小步快跑，别等数据债还完

1.全量治理是一个没有终点的工程。

面对上述数据问题，一个常见的决策是：先做一两年数据治理，把历史欠账还清，再启动大模型应用。这个思路的问题在于，全量数据治理周期长、投入大、见效慢，而且往往没有明确的终点——金融机构的系统在持续增加、数据在持续变化，治理目标本身也在漂移。如果把它作为大模型应用的前置条件，结果大概率是：治理还在路上，业务窗口期已经过去，管理层对AI的耐心和预算也被消耗殆尽。

2.场景驱动，让AI先跑起来，倒推补短板。

更务实的路径，是以业务场景为牵引，小步快跑。具体做法是：每一期项目只选一到两个高价值场景，在有限范围内完成“数据治理—AI就绪—智能体落地—试运营”的完整闭环，用真实可运行的结果验证价值，再逐步扩展。

以债券信用评级监控智能体为例。银行、保险资管、券商都需要对债券主体做评级调整、跟踪评级、准入管理，传统做法依赖人工汇总多源数据、逐户调整、手工出报告，周期长、易出错。用智能体落地，一期项目先聚焦“评级调整项确认”这一个任务，串起六个环节：数据质量检查、调整项自动生成、分行业调整项分布分析、评级迁徙矩阵分析、准入分析、诊断意见汇总。

这个场景的价值在于天然倒逼数据治理：跑通它，就必然要把评级、估值、舆情、财务这几类核心数据的口径统一、质量校验做扎实，而这些正是数据治理最该先做的关键环节。治理成果不再是一摞报告，而是直接体现为一个可运行、可验收的智能体。投入节奏也因此清晰：不再是“先把所有数据都治理干净”，而是“场景需要哪几类数据，就把哪几类数据治理到位”，每一期投入都对应一个明确的业务产出。

3.头部机构的实践印证。

这条“场景驱动、边建边用”的路径，头部机构已经走通。某头部机构数据中台接入300余个系统、日均调度17万任务、沉淀2900余项数据标准、4000余个原子指标、2000余条质量稽核规则，并在其上上线了智能问数平台。它的经验不是“先把治理做完”，而是“技术平台、数据标准、治理组织”同步推进。当前阶段的重心正从“建底座”转向“在治理成果之上做应用”。

破局在“人”：FDE模式与四类关键角色

1.FDE与传统外包、传统咨询的根本区别。

技术路线之外，落地还有一个更根本的变量——人。而要理解“什么样的人”，先要区分三种交付模式：传统外包、传统咨询，以及FDE（Forward Deployed Engineer，前沿部署工程师）。

传统外包交付“人手”，传统咨询交付“方法”，FDE交付“能力”，而且是可累积、可复制的能力。FDE模式最具价值的一点，不在于单次交付有多强，而在于它有一套“知识资产化”的机制：每一个项目结束后，真正沉淀下来的不是一份归档文档，而是一组可复用的Skills——可能是某个业务场景的解决模板，可能是某个数据治理的组件，也可能是某个Agent的抽象模型。

这意味着团队的竞争力是随项目数量递增的。做第一个客户时，需要最资深的专家从零搭建；到第二个、第三个客户时，前期沉淀的Skills可以直接调用，边际成本递减、交付质量递增。反观传统外包，做一单是一单，知识停留在个体经验里；传统咨询，做一单留一份报告，方法停在纸面上。正是“Skills沉淀”这个机制，让FDE团队得以从“卖人天”走向“卖能力”，从“项目制”走向“资产化”。

2.金融AI落地需要的四类人。

把FDE模式落到中国金融行业，一个能真正把大模型落地的团队，至少需要四类人。

数据治理专家：把杂乱、分散、口径不一的数据源梳理成可追溯、可复用的资产，建立元数据体系、主数据标准、数据质量规则、血缘关系，夯实“数据基础”这一层。

行业业务专家：懂金融业务的黑话和逻辑，能识别客户自己都未必表达清楚的痛点，把模糊诉求转化为清晰的数据需求与场景定义，一个优秀的行业专家，甚至可以在现有的流程上做优化，实现最细颗粒度的解耦。

AI开发全栈工程师：把需求快速转化为可运行的Agent原型，搭建大模型推理、编排层、工具调用、MCP 服务封装、知识库检索，解决工程化、性能、安全问题。

具备高抽象能力的咨询专家：整合数据，业务和实施环节的资源，把每个具体场景中的方法、组件、模型抽象成可复用的Skills，让下一个客户不必从零开始——这一角色正是FDE“知识资产化”机制的承载者。

3.四类人的协同，才是真正的壁垒。

这四类人单独拎出来都不稀缺，稀缺的是把它们组织成一支能协同的团队。对应的组合是：数据治理经验+甲方业务专家+咨询背景+工程师团队落地。

一个有趣的现象是：现在一些头部金融机构，已经开始培养自己的FDE团队，公司科技部门会安排一批骨干工程师，派驻到各业务线、各中后台部门，深度观察业务实际开展情况，记录日常工作中的痛点，分析哪些环节可以通过AI智能体替代。这是一个非常不错的尝试，但其中存在数据基础的差距，以及业务认知信息差带来的沟通成本，短期内需要克服。

大模型落地金融场景，本质上是一场数据工程与组织范式的双重变革。数据是地基，场景是牵引，人是关键。真正的竞争，不在谁用的模型更强，而在谁能把数据这条链路跑通、把每一个项目的经验沉淀成下一个项目的能力，并配上一支懂业务、懂数据、能交付、能抽象的复合团队。谁能先做到，谁就能在金融AI的落地竞赛中率先跑出。

（作者系博彦科技股份有限公司金融行业咨询负责人）

举报文章作者