金融服务很可能成为AI最大的应用市场之一，但这并不意味着开发前沿模型的实验室会顺势变成、甚至主导银行业。

关键区别在于：**银行不是一个界面，也不只是一个决策引擎。**它是必须持有资本、承担信贷和流动性风险、运行受控系统，并在资金发生流转时对结果负责的受监管机构。

因此，更可能出现的格局是：AI实验室提供推理能力、交互界面和智能体基础设施；银行、券商、支付公司及金融科技基础设施提供商则继续提供持牌产品、资金托管与交易执行。

银行业最难的部分，是承担风险

前沿模型能够改善分析、客服、软件开发和流程自动化，但模型本身并不提供吸收损失所需的资产负债表，也不能自动获得吸收存款或发放贷款的资格。

以美国为例，申请全国性银行牌照的机构，资本水平须与其业务计划的风险相匹配。美国货币监理署（OCC）在牌照指引中提出，机构在开业后的前三年内，或在预期实现稳定盈利前，一级杠杆率不得低于8%。34 这反映了银行经营的本质：机构必须长期管理并承担信贷、流动性、运营、合规和声誉等风险；OCC对大型银行的监管评估也会明确覆盖这些风险类别。37

AI实验室当然可以选择自建或收购一家受监管机构，但这意味着它要从销售可规模化的软件技术，转为持有并管理受监管的金融风险。这是完全不同的商业模式，并不会因为模型更强而自然发生。

技术可以外包，责任不能转移

银行可以采购第三方服务，包括AI模型、编排平台或实施服务；但受监管银行仍须对安全、稳健和合法的执行结果负责。OCC明确指出，银行使用第三方，并不会减轻其董事会和高级管理层确保相关活动安全稳健、遵守适用法律法规的责任。19

这正是合作模式更具结构性吸引力的原因。银行可以根据关系的风险程度和复杂性来采购AI能力，但仍要对供应商实施治理。联邦银行业机构的跨部门指引把第三方风险管理原则适用于银行的第三方关系；OCC的监管工作也会审查金融科技公司及其他分包服务商对银行活动带来的风险。2818

合规更不是给通用助手加上一个功能开关就能解决的事。银行监管涵盖反洗钱项目、可疑活动与交易报告，以及《银行保密法》（BSA）下的相关义务。33 OCC也会在常规检查周期中审查全国性银行的BSA合规情况。43

代理式AI越能行动，越需要边界和审计

在金融场景中，真正有价值的智能体并不是一个可以随意访问账户、自由行动的聊天机器人，而应是运行在明确约束内的系统：只能调用获准数据和工具，受限于授权额度、审批流程、日志记录和异常处理机制。

这既是技术问题，也是治理问题。OCC在2026年发布的模型风险管理指引中讨论了模型开发、验证、监测、治理、控制以及供应商产品；同时也指出，生成式AI和代理式AI仍属新颖且快速演进的领域，并不在该指引的适用范围之内。21 这意味着，既有模型风险管理实践并不能自动回答自主金融智能体带来的全部问题。

安全和隐私是另一道硬约束。国际货币基金组织（IMF）指出，依赖云服务商、模型端点和金融服务的自主智能体，可能需要使用银行凭证、银行卡号或加密钱包密钥等敏感信息，从而带来数据泄露、隐私问题和高度集中的脆弱点。13

所以，真正困难的往往不是挑选“最强模型”，而是让模型接入由机构控制的数据与系统，同时确保它的操作可审查、有边界，并在可能时可撤销。

现有金融机构仍掌握关键资产

银行和支付公司已经拥有客户关系、身份核验与开户流程、经授权的交易数据、产品规则、反欺诈控制，以及实际执行支付的网络和系统。它们还掌握核心系统、总账、客户服务工具和案件管理流程中长期沉淀的运营知识。

AI实验室仍有机会在体验层创造显著价值。如果消费者越来越多地通过AI助手搜索、比较和管理金融选择，助手就可能成为重要的发现与分发入口。但这不同于拥有存款、承做贷款、提供托管，或作为对交易结果负责的服务提供方。

在实践中，数据访问和运营规则的重要性不亚于底层AI能力。微软对资本市场的分析指出，安全且经许可的数据访问、可审计性，以及清晰的合同与经济规则，会决定代理式AI用例能否规模化；数据所有权、价值分配和争议解决等问题同样关键。14

AI实验室最可能在哪些环节胜出？

1. 从副驾驶助手到受限金融智能体

近期最现实的机会，是自动化边界清晰的工作：准备申请材料、账户对账、识别异常、起草客户沟通内容、汇总案件信息，以及协助员工开展调查或客户服务。哪些操作必须人工批准、哪些可在政策限额内自动执行，仍由受监管机构决定。

OCC观察到，银行已经将AI用于欺诈检测、识别可疑活动、自动化交易、贷款发起流程、营销和客户服务等场景。22

2. 有明确护栏的“自动驾驶式理财”

在客户明确授权并设定规则的前提下，智能体可以协助管理定期账单、现金流、储蓄规则、债务偿还优先级、再平衡指令或企业资金管理任务。但银行、券商或支付服务商仍是托管方、放贷方、执行场所和受监管责任主体。

业内观点将这一方向概括为“接近银行，但不成为银行”：AI智能体可以通过与受监管实体合作来转账、支付和再平衡资金，而电商与支付可能是早期切入口。2

3. 电商与支付

商品发现、比价、结账、开票、退款和定期购买，都是高频且适合智能体交互的流程。不过，代理式支付并非只有AI公司和用户参与；生态中还包括消费者、商户、AI提供商、银行、数据聚合商、支付处理商、金融科技公司和加密服务商等。6

这种生态结构天然更适合协作：AI助手可以发起或引导某项操作，但令牌化、身份验证、授权、清算、争议处理和合规，仍依赖成熟的金融与支付基础设施。

4. 与金融基础设施伙伴共同部署企业级产品

更可持续的商业产品，很可能是基础模型与安全数据访问、工作流编排、评测体系、审计日志和机构级部署能力的组合。

FIS与Anthropic宣布合作，提供了一个具体例子：双方称正在共同设计一款金融犯罪AI智能体，将Claude的推理能力与FIS的银行数据和监管基础设施结合。FIS同时表示，客户数据将留在FIS控制的基础设施中，且每一次智能体决策都可追溯、可审计。11

更可能形成的金融AI分层

最可能的结果并不是AI实验室全面替代银行，而是形成一个分层市场：

• AI实验室：提供模型、推理系统、智能体工具，以及潜在的消费者或员工交互界面；
• 金融机构：提供持牌产品、客户授权、合规项目、风险承担、托管、信贷和最终交易权限；
• 支付与金融科技基础设施提供商：通过身份、数据、核心银行系统、处理和清算能力连接各层。

这并不意味着AI实验室只是边缘角色。若一家实验室拥有广泛使用的助手，或提供最强的企业智能体平台，它仍可能获得可观的分发能力和商业价值。但在受监管金融中，真正持久的护城河仍是：能够承担风险、运行控制体系，并在监管框架内可靠执行交易——而不只是模型能力。

金融服务很可能成为AI最大的应用市场之一，但这并不意味着开发前沿模型的实验室会顺势变成、甚至主导银行业。

关键区别在于：**银行不是一个界面，也不只是一个决策引擎。**它是必须持有资本、承担信贷和流动性风险、运行受控系统，并在资金发生流转时对结果负责的受监管机构。

因此，更可能出现的格局是：AI实验室提供推理能力、交互界面和智能体基础设施；银行、券商、支付公司及金融科技基础设施提供商则继续提供持牌产品、资金托管与交易执行。

银行业最难的部分，是承担风险

前沿模型能够改善分析、客服、软件开发和流程自动化，但模型本身并不提供吸收损失所需的资产负债表，也不能自动获得吸收存款或发放贷款的资格。

以美国为例，申请全国性银行牌照的机构，资本水平须与其业务计划的风险相匹配。美国货币监理署（OCC）在牌照指引中提出，机构在开业后的前三年内，或在预期实现稳定盈利前，一级杠杆率不得低于8%。34 这反映了银行经营的本质：机构必须长期管理并承担信贷、流动性、运营、合规和声誉等风险；OCC对大型银行的监管评估也会明确覆盖这些风险类别。37

AI实验室当然可以选择自建或收购一家受监管机构，但这意味着它要从销售可规模化的软件技术，转为持有并管理受监管的金融风险。这是完全不同的商业模式，并不会因为模型更强而自然发生。

技术可以外包，责任不能转移

银行可以采购第三方服务，包括AI模型、编排平台或实施服务；但受监管银行仍须对安全、稳健和合法的执行结果负责。OCC明确指出，银行使用第三方，并不会减轻其董事会和高级管理层确保相关活动安全稳健、遵守适用法律法规的责任。19

这正是合作模式更具结构性吸引力的原因。银行可以根据关系的风险程度和复杂性来采购AI能力，但仍要对供应商实施治理。联邦银行业机构的跨部门指引把第三方风险管理原则适用于银行的第三方关系；OCC的监管工作也会审查金融科技公司及其他分包服务商对银行活动带来的风险。2818

合规更不是给通用助手加上一个功能开关就能解决的事。银行监管涵盖反洗钱项目、可疑活动与交易报告，以及《银行保密法》（BSA）下的相关义务。33 OCC也会在常规检查周期中审查全国性银行的BSA合规情况。43

代理式AI越能行动，越需要边界和审计

在金融场景中，真正有价值的智能体并不是一个可以随意访问账户、自由行动的聊天机器人，而应是运行在明确约束内的系统：只能调用获准数据和工具，受限于授权额度、审批流程、日志记录和异常处理机制。

这既是技术问题，也是治理问题。OCC在2026年发布的模型风险管理指引中讨论了模型开发、验证、监测、治理、控制以及供应商产品；同时也指出，生成式AI和代理式AI仍属新颖且快速演进的领域，并不在该指引的适用范围之内。21 这意味着，既有模型风险管理实践并不能自动回答自主金融智能体带来的全部问题。

安全和隐私是另一道硬约束。国际货币基金组织（IMF）指出，依赖云服务商、模型端点和金融服务的自主智能体，可能需要使用银行凭证、银行卡号或加密钱包密钥等敏感信息，从而带来数据泄露、隐私问题和高度集中的脆弱点。13

所以，真正困难的往往不是挑选“最强模型”，而是让模型接入由机构控制的数据与系统，同时确保它的操作可审查、有边界，并在可能时可撤销。

现有金融机构仍掌握关键资产

银行和支付公司已经拥有客户关系、身份核验与开户流程、经授权的交易数据、产品规则、反欺诈控制，以及实际执行支付的网络和系统。它们还掌握核心系统、总账、客户服务工具和案件管理流程中长期沉淀的运营知识。

AI实验室仍有机会在体验层创造显著价值。如果消费者越来越多地通过AI助手搜索、比较和管理金融选择，助手就可能成为重要的发现与分发入口。但这不同于拥有存款、承做贷款、提供托管，或作为对交易结果负责的服务提供方。

在实践中，数据访问和运营规则的重要性不亚于底层AI能力。微软对资本市场的分析指出，安全且经许可的数据访问、可审计性，以及清晰的合同与经济规则，会决定代理式AI用例能否规模化；数据所有权、价值分配和争议解决等问题同样关键。14

AI实验室最可能在哪些环节胜出？

1. 从副驾驶助手到受限金融智能体

近期最现实的机会，是自动化边界清晰的工作：准备申请材料、账户对账、识别异常、起草客户沟通内容、汇总案件信息，以及协助员工开展调查或客户服务。哪些操作必须人工批准、哪些可在政策限额内自动执行，仍由受监管机构决定。

OCC观察到，银行已经将AI用于欺诈检测、识别可疑活动、自动化交易、贷款发起流程、营销和客户服务等场景。22

2. 有明确护栏的“自动驾驶式理财”

在客户明确授权并设定规则的前提下，智能体可以协助管理定期账单、现金流、储蓄规则、债务偿还优先级、再平衡指令或企业资金管理任务。但银行、券商或支付服务商仍是托管方、放贷方、执行场所和受监管责任主体。

业内观点将这一方向概括为“接近银行，但不成为银行”：AI智能体可以通过与受监管实体合作来转账、支付和再平衡资金，而电商与支付可能是早期切入口。2

3. 电商与支付

商品发现、比价、结账、开票、退款和定期购买，都是高频且适合智能体交互的流程。不过，代理式支付并非只有AI公司和用户参与；生态中还包括消费者、商户、AI提供商、银行、数据聚合商、支付处理商、金融科技公司和加密服务商等。6

这种生态结构天然更适合协作：AI助手可以发起或引导某项操作，但令牌化、身份验证、授权、清算、争议处理和合规，仍依赖成熟的金融与支付基础设施。

4. 与金融基础设施伙伴共同部署企业级产品

更可持续的商业产品，很可能是基础模型与安全数据访问、工作流编排、评测体系、审计日志和机构级部署能力的组合。

FIS与Anthropic宣布合作，提供了一个具体例子：双方称正在共同设计一款金融犯罪AI智能体，将Claude的推理能力与FIS的银行数据和监管基础设施结合。FIS同时表示，客户数据将留在FIS控制的基础设施中，且每一次智能体决策都可追溯、可审计。11

更可能形成的金融AI分层

最可能的结果并不是AI实验室全面替代银行，而是形成一个分层市场：

• AI实验室：提供模型、推理系统、智能体工具，以及潜在的消费者或员工交互界面；
• 金融机构：提供持牌产品、客户授权、合规项目、风险承担、托管、信贷和最终交易权限；
• 支付与金融科技基础设施提供商：通过身份、数据、核心银行系统、处理和清算能力连接各层。

这并不意味着AI实验室只是边缘角色。若一家实验室拥有广泛使用的助手，或提供最强的企业智能体平台，它仍可能获得可观的分发能力和商业价值。但在受监管金融中，真正持久的护城河仍是：能够承担风险、运行控制体系，并在监管框架内可靠执行交易——而不只是模型能力。