人工智能的浪潮正席卷全球各行各业，金融业亦不例外。事实上，金融领域长期以来都是“传统机器学习”技术的先行者，广泛应用于预测建模、信用评分和风险分析等核心业务。
然而，随着大型语言模型（LLMs）和智能体AI（Agentic AI）热潮的兴起，业界开始思考：金融行业如何才能真正利用这项新兴技术？与其他许多行业不同，金融业受制于严格的监管、数据隐私法规和治理结构，这些条件似乎与智能体AI所强调的自主性概念存在一定程度的矛盾。
为了探究这一议题，一篇报道记录了于2025年10月16日在印度尼西亚雅加达举行的“金融智能体AI大会”[1]。此次活动由Algoritma数据科学学校[2]组织，汇聚了来自印尼银行、保险公司、金融科技企业、政府机构及AI初创公司的顶尖从业者，共同探讨智能体AI如何重塑金融行业。
尽管会议讨论主要围绕印度尼西亚展开，但其中许多见解反映了整个东南亚乃至全球金融业所面临的挑战和机遇。本文将分享此次活动的核心要点、深刻见解和思考。
免责声明：本文提及的所有公司或组织均无利益关联。其引用仅为阐明观点和说明案例。如需了解更多信息，请参阅文章末尾的参考文献部分。
1. AI的投资回报率（ROI）考量
每当企业计划启动新项目或采纳新技术时，投资回报率（ROI）的问题便不可避免地浮出水面。这很自然，因为启动新事物——尤其是人工智能项目——所需投入的建设或集成成本绝非小数目。因此，衡量公司通过这项投资能够获得多少财务回报至关重要。
然而，在AI采纳的背景下，准确衡量投资回报率可能极具挑战。这主要是因为，当企业将AI解决方案整合到现有运营中时，往往难以将纯粹由AI产生的价值独立剥离。其影响通常分散在多个团队和技术之间，使得归因过程远非简单直接。
为了更好地理解这一点，一种有效的方法是审视组织在不同成熟度级别上如何采纳AI：
- 提升生产力
- 实现技术卓越
- 增强或创造收入来源
通过审视这些层面，可以发现投资回报率（ROI）并不能总是全面反映AI的影响。许多组织现在开始将ROI与价值回报率（ROV）[3]相结合，这是一种更全面的方法，不仅衡量财务回报，还旨在回答以下问题：
- AI是否提升了决策质量？
- AI是否增强了客户满意度？
- AI是否提高了内部生产力？
另一个同样重要的视角是不作为成本（COI）。这代表了企业因未采纳或延迟采纳AI而可能蒙受的潜在损失。根据《福布斯》[4]的报道，如果企业选择“观望”，将在四个关键领域面临挑战：知识差距扩大、难以吸引顶尖AI人才、错过学习机会，以及与已实现AI赋能的竞争对手相比，运营效率日益低下。
总而言之，尽管投资回报率（ROI）在AI采纳的决策过程中始终是核心组成部分，但企业需要辅以其他视角，例如价值回报率（ROV）和不作为成本（COI），以便全面把握AI的影响及其战略重要性。
2. 受监管行业的挑战：安全与合规
第二个值得探讨的核心要点是安全性。
如前所述，金融业与其他行业之间的一个主要区别在于严格的监管和高水平的数据保护。例如，印度尼西亚金融服务管理局（OJK）要求银行将其数据中心和灾备中心设在印度尼西亚境内[5]。
这项规定导致金融机构无法自由采纳基于云的系统。它们必须确保所有数据安全并符合当地法规。正因如此，许多组织更倾向于在本地部署（on-premise）或混合基础设施上运行其AI系统，而非完全依赖云计算。
此外，鉴于数据泄露和网络钓鱼攻击的频发，金融业必须进一步加强其网络安全框架。一位演讲者强调，在集成AI时，所有系统在部署前都必须确保安全合规，否则宁可不部署。在这一领域，无论是财务还是声誉上的失败成本，都可能远远超过延迟部署的成本。
3. 智能体AI的应用实践
前文已探讨了在组织中实施AI前最重要的两个方面。现在，将聚焦于会议演讲者提及的一些智能体AI应用案例。
自动化金融报告
传统上，金融分析师依赖大量且多样化的输入，例如市场价格、公司文件和新闻情绪等，来构建其分析报告。由于金融格局瞬息万变，这一过程对速度和准确性都有着极高的要求。
借助智能体AI，这一工作流程可以被重新构想。通过连接可靠的实时数据源，具备不同专业分工的AI智能体（例如，市场研究、公司报告与新闻分析、历史数据分析以及报告设计等）能够自主协作，生成简洁且数据驱动的报告。
决策者或分析师只需以自然语言提问，多智能体系统便会协调这些专业智能体，在数秒内以PDF或幻灯片格式交付报告。
此外，对于每日或每周更新等周期性报告任务，用户可以安排系统自动生成包含最新市场数据的报告。
在此类应用中，数据源的可靠性是至关重要的因素。为确保报告的可信度，不能让专业智能体“编造”数据（即所谓的“幻觉”现象）。因此，智能体不应仅依赖自身的训练数据，而是需要被喂入经过精心策划和验证的数据集。
特别是对于市场分析而言，Sectors.app等平台提供了一系列API接口，AI智能体可以通过它们获取真实的市场数据。使用这种值得信赖的来源——或任何其他经过验证的来源——有助于最大限度地减少幻觉，确保数据准确性，同时提高分析师的生产力。
数月前，一个关于智能体AI的探索项目利用Sectors.app API和OpenAI Agents SDK，构建了一个简单的Streamlit应用程序。该应用允许用户与AI智能体互动，并查询与印度尼西亚证券交易所（IDX）上市公司相关的问题。
此项目已发布在GitHub上，其仓库链接可在本文末尾找到。
AI赋能的审计流程
在会议中，一项来自印度尼西亚审计委员会（BPK）的讨论令人印象深刻。BPK是负责审计国家财政管理和问责制的政府机构。其在运营中采纳AI解决方案的深度，超出了通常对政府机构的预期，这一点尤为引人注目。
BPK与Supertype合作，将AI解决方案整合到其BIDICS平台中，从而将海量的审计文件转化为可查询的知识库，以支持审计过程——包括对报告中关键数据的搜索、分析和可视化[7]。
该平台利用大型语言模型（LLM）进行数据提取和文档分类，并用于生成初步的分析洞察。这些AI驱动的洞察有助于BPK审计员在进行详细现场审计之前，更好地进行规划、风险评估和决策[8]。
演讲者提及的一个关键挑战是确保数据访问仅限于授权审计员，以防止任何潜在的滥用。这一点尤为重要，因为BPK有权收集和管理大量敏感的财务数据和文件。
此外，BPK秉持“人类在环”（human-in-the-loop）的方法，这意味着所有最终决策都必须经过人工审核——考虑到该机构所采取的每项行动都具有深远影响，这是一项至关重要的保障措施。
从BPK作为印度尼西亚高度受监管机构的经验中可以看出，他们与Supertype和多家大学等第三方合作采纳AI的方式，揭示了监管并非创新的障碍。相反，它能够作为指导负责任且富有成效地采纳新技术的框架。
AI如何助力公证员行业
另一个引人关注的AI应用案例来自NOTAPOS [9]，这是一个旨在管理端到端法律文件并协助公证员和法律专业人士的平台。
法律流程——尤其是在印度尼西亚——通常是手动且耗时的，包括手动数据录入、文件上传验证等。
受此启发，NOTAPOS利用AI来简化和自动化这些工作流程。据其介绍，该平台能将通常需要18小时到数天才能完成的流程，缩短至短短30分钟。
这听起来是否令人惊叹？
但这并非本文欲强调的重点。在下一节中，将回顾该平台创始人在开发过程中所面临的挑战——这些经验教训具有重要的参考价值。
4. 当AI发展过快时：取舍与策略
这或许是专家们分享AI发展另一面时，从此次活动中获得的令人印象深刻的见解。
继续探讨NOTAPOS的案例。在其早期开发阶段，构建一个能够理解领域特定知识（在此案例中为印度尼西亚的法律语境）的定制模型，需要进行手动微调。他们必须向模型输入数百份法律文件，以便其学习必要的上下文和术语。
如今，随着大型语言模型（LLMs）凭借更庞大、更多样化的训练数据迅速发展，这些领域知识的大部分已成为其固有能力。过去需要大量手动微调的任务，现在可以立即完成，无需额外的训练和设置，从而使开发过程更快速且成本效益显著提高。
这种现象以及其他因AI快速发展而出现的类似情况，引发了一个新的两难困境：
我们应该现在持续投入建设，还是等待下一次可能让当前努力过时的重大飞跃？
这个问题回溯到本文前面对不作为成本的讨论。在一个快速发展的领域，等待似乎是为了避免“不必要”的成本，但真正的风险在于落后——错失学习、实验和适应技术发展的机会。
不能仅仅等待。正如演讲者所言：“关键在于能够预测未来六个月技术的发展方向。”这并非总是追逐每一个新趋势，而是要保持适应性，并为抓住每一个机遇做好准备。
5. 终极问题：AI会取代人类吗？
此次会议的一个亮点在于汇集了来自不同背景的人士。这种多样性体现在他们对同一个重大问题——AI会取代人类吗？——给出了略有差异的回答。
当然，这个问题无法用简单的“是”或“否”来回答。大多数公司认为，AI并非旨在取代人类，而是为了赋能人类。为确保这一点，组织需要大力投资有针对性的培训项目，帮助员工利用AI——至少是为了提高生产力。
然而，仅凭培训并不能保证人们有效采纳AI，尤其是在拥有多元世代和文化的组织中。总会有一部分人抵制变革，将AI视为威胁，或认为其过于复杂难以使用。此时，领导力变得至关重要——引导并转变观念。
尽管如此，如果AI能够执行某些重复性或事务性任务——甚至可能比人类做得更好——那么那些主要由这类工作定义其角色的人将何去何从？一家公司分享称，随着AI接管行政任务，他们已将部分后台职位转向了更面向客户的岗位。（可惜的是，并未能就为何从后台转向面向客户的岗位获得更清晰的解释。）
最终，企业和员工都肩负着共同的责任，需要确保持续的再培训和技能提升，以适应正在进行中的职场AI转型。
结论
智能体AI带来了诸多机遇，包括提升生产力、实现技术卓越，乃至创造全新的业务流。然而，所有这些都离不开坚实的监管、数据安全、基础设施和人类准备度的基础。
本文探讨了从此次会议中获取的一些核心洞察。能够了解不同组织如何应对这一转型新时代，是极具价值的经历。
当然，这并非旅程的终点。事实上，本文讨论的部分内容可能很快就会变得不再相关。然而，这就是AI快速发展的现实。即便如此，也绝不能仅仅坐等观望。
参考文献
[1] Supertype.ai Conference — Agentic AI for Finance.https://supertype.ai/conference
[2] Algoritma Data Science Schoolhttps://algorit.ma/
[3] Yedda Stancil — ROI (Return on Investment) vs. ROV (Return on Value): Understanding the Key Differenceshttps://www.linkedin.com/pulse/title-roi-return-investment-vs-rov-value-key-yedda-stancil/
[4] Forbes — The Hidden Cost of Inaction on AI: Why You Can’t Afford to Wait and Seehttps://www.forbes.com/councils/forbestechcouncil/2025/06/26/the-hidden-cost-of-inaction-on-ai-why-you-cant-afford-to-wait-and-see/
[5] OJK Regulation No. 11/POJK.03/2022 — Implementation of Information Technology by Commercial Banks.https://ojk.go.id/en/regulasi/Documents/Pages/Implementation-of-Information-Technology-by-Commercial-Banks/OJK%20Regulation%2011%202022%20concerning%20Implementation%20of%20Information%20Technology%20by%20Commercial%20Banks.pdf
[6] Sectors.app — Sector Financial APIhttps://sectors.app/api
[7] Supertype.ai — LLM Development and Collaboration with BPKhttps://supertype.ai/llm-development
[8] INTOSAI Journal — BPK BIDICS: From A Question That Has No Answerhttps://intosaijournal.org/journal-entry/bpk-big-data-analytics-bidics-from-a-question-that-has-no-answer/
[9] NOTAPOS — AI-Powered Legal Document Management Platformhttps://notapos.co/
此项目的源代码和早期学习里程碑可在GitHub仓库中找到。该项目利用了OpenAI Agents SDK、Sectors.app API和Streamlit，构建了一个简单的交互式金融应用程序，使用户能够与AI智能体互动，并查询与印度尼西亚证券交易所（IDX）上市公司相关的问题。
