313啦实用网
“如果不把原有的系统、业务逻辑、产品，从底层层面去接入AI的话，未来的沟通成本、摩擦成本都会很高。它可能会提升效率，但是并不会真正的去改变或得到我们想要的一个结果。”
在不久前举办的第22届中国国际金融论坛（CIFF）分论坛上，东软集团金融事业部总经理刘锐做出这样的陈述。而刘锐所陈述的，便是近期被业内高频提及的AI原生（AI Native）的概念。
据了解，AI原生成为近期的行业热词，频繁出现在各会议论坛和学术讨论中。其作为一种描述企业产品与AI融合程度的新评判方式，内核是从根本架构层面以人工智能为核心组成和部分构建产品、服务或系统，而非将AI作为附加的功能整合。
因此理想的AI原生，是将AI融入企业的全业务场景，从而重新定义产品功能、流程与价值，并全面重塑企业的业务运营逻辑。
然而按照这个标准来看，现在绝大部分企业的AI化建设还远远不够。并且如果要构建这样的AI原生，则需要放弃当前已有的业务运营架构，所有产品推倒重来。
事实上，尽管AI正以前所未有的速度渗透至运营的各个方面，但实际过程中，AI的普及度远远低于预期，并且绝大部分AI仍未触及到企业的核心业务层面。
例如根据UBS Evidence Lab在2025年10月对130家机构IT高管的企业AI调研。当前企业端AI仍应用仍处于早期，其规模化生产占比17%，AI智能体规模化仅5%。
麦肯锡在12月发布的AI应用调研报告数据显示，近90%的企业已常态化使用AI，但绝大多数仍被困在“试点炼狱”中，未能实现规模化部署。
AI技术的更迭演进是否过快？
这样的矛盾在此次论坛上也有体现。分享环节中，不少金融机构展示了其自部署建设AI能力后取得的诸多成果。然而阿里云智能集团新金融行业华东大区架构总监徐志良在现场泼了一盆冷水，并直言不讳的表示，很多企业的核心系统翻来覆去做，但其实没有产生本质的改变。
其原因或许是因为AI行业本身在也在快速的迭代演进，并不断推翻此前的固有认知。因此金融机构在高合规门槛、技术落地瓶颈与国家信创工作?的三重约束下，呈现出“积极布局、谨慎推进”的复杂状态。
事实上，如今企业对AI部署与之前已有很大的区别。例如现在企业在部署AI时，更注重推理能力的建设而非此前风靡的预训练。而预训练与推理的建设要求不一样，预训练对算力要求比较高，而推理对显存带宽、卡间互联能力要求比较高。
中国工商银行软件开发中心高级金融科技专家刘承岩也表示，从原来的云原生到现在AI原生的体系，企业的IT架构需要不断配套和演进。例如以算力这个非常重要的基础设施为例，在核心从预训练到推理的过程中，算力的演进也需要从通算的算力，到通算和智算融合的新的算力体系。
因此，AI技术路线尚未收敛，企业若频繁调整部署方向，反而可能增加试错成本。那么更务实的策略是采取渐进式探索，待技术路径明朗后再规模化落地。
“安全性”成为最大的问题
当前，生成式人工智能存在的黑箱隐患，是横亘在企业大规模部署AI最大的障碍。尤其是金融等高监管行业。
中国银行原行长李礼辉总结了当前人工智能在金融领域应用的三大挑战：一是不能够消解安全风险。攻击者可以利用技术漏洞实施数据投毒、参数窃取、关键文件删除等操作，破坏核心数据；二是未能消减技术缺陷，AI大模型不同程度的存在模型幻觉，模型歧视、算法共振、隐私泄露等缺陷；三是未能有效解决解释性难题，算法创新增加模型危险性、随机性和不确定性，解释更加复杂，目前尚未找到充分的解释方法。
中银金科党委委员、副总经理康钧伟解释称，当前银行业的特征是知识密集、数据密集、风险密集。要解决应用系统的可靠性问题，安全是一方面，关键是结果的可解释可信任。因此银行业对大模型的幻觉往往是零容忍。
此外，模型可解释性与算法黑箱问题加剧了风险管控难度。复杂AI模型的决策过程缺乏透明度，难以满足金融行业对穿透式监管的要求，不利于风险溯源和责任认定，当多个机构使用相似黑箱模型时，可能积累系统性风险。
网易易盾政企行业线总经理朱文涛指出，目前，很多大模型在安全性方面的结果都不好。其本质上是因为大模型在预训练阶段的安全语料不够，导致安全的能力不足。
数据治理，需要做难而正确的事
事实上，技术的局限性与数据挑战才是安全性的首要障碍。
据了解，金融AI模型依赖高质量数据训练，但行业数据常分散在不同部门形成“数据孤岛”，且存在规模大、类别差异显著、来源不一致等问题，导致数据预处理困难。同时，金融市场的高波动性和噪声易使模型过拟合历史数据，影响生成式AI可能出现“幻觉”问题，即输出不准确或虚构内容，降低业务预测稳定性。
并且数据治理的建设也符合当前的监管要求。根据2024年金融监管总局发布的《银行保险机构数据安全管理办法》中，提出了机构强化数据治理顶层设计、落实分类分级管理要求、强化数据安全管理体系等多项任务。
然而，虽然数据治理能力作为金融机构展业的基本功，却是较为薄弱的一环。根据一项统计显示，在金融机构里面，只有约10%-20%的头部机构在数据治理体系方面比较完备，大量的中小金融机构在数据标准、数据质量、原数据方面，还需要做很多的弥补工作。
软通动力金融事业群咨询专家童毅认为，当前数据治理与AI部署恰恰是可以相辅相成。
“我们要重构一个具有感知思考决策和行动能力，并且可控的智能化治理体系，用治理去约束AI，同时也用AI去反哺治理。”童毅在论坛上称：“运行机制上，要从传统的单点提效转向系统性的重构和高质性的可靠。以及重构价值导向。回到以人为本，融合安全创新公平协同等核心维度，充分释放数据资产的价值。”
随着AI技术的参与，行业趋势正从数据管理转向数据资产运营，从传统的被动应对转向主动预见式的治理。然而无论行业如何演变，数据治理永远是企业需要啃下的硬骨头。
对此，童毅总结道：我们要去做难而正确的事情，无论是在传统数据治理环境中，还是AI时代的新的体系里面。
【免责声明】【广告】本文仅代表作者本人观点，与和讯网无关。和讯网站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。邮箱：
