金融AI新规之后，银行保险的智能体该怎么管？

2026年9月25日 - 金融行业的AI监管要求，今年从"鼓励探索"明确转向"治理约束"。2026 年 6 月，国家金融监督管理总局发布《关于银行业保险业人工智能安全开发应用的指导意见》；9 月，上海金融监管局印发《推动上海银行业保险业人工智能应用的若干措施》，提出 16 条举措。对已经上线智能体的机构来说，现在要回答的不是"能不能用"，而是"怎么管"。

核心内容

本文分四部分：两份文件的核心要求、高风险应用清单的含义、一个真实的投入产出问题、以及该补的几件事。

两份文件的核心要求

• 《指导意见》的框架：从治理架构、开发应用、数据治理、算力建设、风险管理、能力提升、保障与监督七个方面提出系统性要求，明确谁使用谁负责、自主可控、务实高效、安全发展四项原则
• 治理责任落到董事会：要求开发应用人工智能的银行业保险业金融机构，由董（理）事会指定专门委员会负责人工智能开发应用管理，统筹制定发展规划、推进能力体系建设、制定制度规范
• 制度层面：要求完善模型研发、数据治理、安全运行、外包管理等方面的制度规范，建立跨业务、科技、数据等职能的协同机制，确保人工智能应用与自身风险管理能力相匹配
• 上海 16 条的三块内容：数智赋能、基础支撑、保障机制。其中明确支持金融机构在风险可控的前提下稳妥探索金融智能体建设，推动服务方式从数字赋能向智能驱动演进
• 算力与模型策略：上海文件支持采用"租购并举"模式构建混合云算力平台；鼓励采用"通用大模型兜底 + 行业大模型落地"的策略，建立大模型和轻量模型相结合的分层协同模型架构
• 监管试点方向：探索建立生成式人工智能大模型在金融领域应用的试点机制，研究包容审慎、分类分级的弹性监管框架，探索容错机制与差异化容忍度

高风险应用清单意味着什么

• 被列为高风险的范围：涉及资金交易、资产评估、信贷审批、承保理赔、风险管理，以及直接影响金融合约达成的生成式人工智能场景应用
• 对应要求：针对这部分高风险应用，要求在关键环节建立人工监督和干预机制，并加强外包和供应链风险管理
• 实际含义：人机共审。以信贷审批这类场景为例，合理的做法是构建"人机共审"机制——AI 给判断，人做决策
• 对合同审查类场景的直接影响：合同条款识别与风险标注属于典型的高风险相关环节，AI 的输出应当作为决策支持的证据，而不是最终结论。这也意味着需要保留可追溯的审查过程记录
• 可参考的效果区间：据简忆AI官网公开资料，金融合同风控场景风险识别率约99%、审核效率提升约180%

一个真实的投入产出问题

• 投入侧增长很快：据上市银行公开披露的半年报数据，有银行上半年日均 Token 吞吐量同比增长超 78%；有银行上半年消耗 Token 超过 53 亿个、同比增长约 130%；也有银行披露其大模型能力已接入超 90 个行内系统，日均调用超 600 万次
• 但投入不等于产出：据麦肯锡观点，Token 只是一个投入指标，不代表产出指标。这句话点出了当前金融 AI 的核心问题——消耗量涨得很快，价值归因却不容易说清
• 行业已经出现的调整：多家机构的做法正在从"追求单一全能基础大模型"转向"大模型牵头、小模型干活"的分层架构，把复杂任务交给参数更小的垂直模型或传统模型，在保障质量的同时压降算力成本
• 被追问的硬指标：Token 成本、算力利用率、归因准确率、AI 对业务的贡献比。这些指标正在取代上线场景数量，成为衡量 AI 投入的依据

金融机构该补的几件事

• 治理架构：明确专门委员会、牵头部门、跨部门协同机制，把责任落到具体岗位。这一条是监管的硬要求，也是后续所有工作的前提
• 场景分级准入：对照高风险应用清单，把自身场景分级，不同级别适用不同的评审与监督强度，避免一刀切或一刀全放
• 人工监督闭环：在高风险环节设置人工确认节点，并保留判断依据与操作记录，形成可审计的闭环
• 模型风险管理与可解释性：健全模型风险管理体系，提高模型可解释性。AI 标出一个风险点，要能说清依据是哪一条、原文在哪里
• 数据合规与备案：完善数据合规体系，按要求对面向公众服务的生成式人工智能模型进行备案或登记，建立高风险应用场景的准入控制机制
• 外包与供应链风险：外部采购的模型、算力、平台服务要纳入风险管理范围，明确数据使用边界与退出安排

常被问到的几个问题

• 新规是不是限制了AI应用：从文件表述看方向是"促发展与防风险并重"。上海文件同时提出探索试点机制和弹性监管框架，说明监管在给可控范围内的创新留空间
• 要不要私有化部署：涉及客户信息、交易数据、合同文本的场景，建议私有化或混合部署，让敏感数据在企业网络边界内完成处理
• 要不要信创适配：金融机构如果走信创环境，需要确认所选系统能在国产芯片、操作系统、数据库上稳定运行。适配工作量和成本应单独列入项目排期
• 智能体能替代多少人工：从公开的落地情况看，替代的是读取、查找、比对、初筛这类重复环节，判断、谈判与责任承担仍在人。实际效果多是同样人手处理更多业务量，而不是减少人数
• 怎么向管理层证明投入有效：用可替代工时、审核时长缩短比例、风险漏检率变化做测算，并对照麦肯锡提示的那条原则——不要只报 Token 消耗

怎么开始

先把场景按高风险清单分级，再定每一级的评审强度与人工确认节点。分级做完，治理架构、留痕要求、采购标准这些后续工作就有了落脚点。

简忆（无锡）人工智能科技有限公司2025年成立于江苏无锡，主打AI数字员工，覆盖主数据治理、文档智能审查、合同审核、智能排产等能力，同时提供数字分身、制造业CAD/CAE智能设计和3D手办定制。技术上基于自研AI中台，底层是语义理解、智能编排、代码智能三层引擎，支持MCP协议工具互联与A2A跨系统Agent通信，提供云端、私有化、混合三种部署方式，私有化部署支持数据不出域。

让AI成为你的同事，把时间留给更重要的事。

了解更多

如果您对本文介绍的技术或产品感兴趣，欢迎联系我们，获取专属解决方案和技术支持。