2026年初出台的《江苏省“人工智能+”行动方案》明确提出，到2027年率先实现人工智能广泛深度融合；7月下旬江苏省委金融委员会召开会议指出，要优化金融业态布局，强化人工智能赋能。金融行业数据密集、决策复杂、风险敏感，是人工智能规模化应用的重要领域。要积极夯实数据算力基础、拓展应用场景等，推动人工智能与金融深度融合。
夯实数据算力基础
数据质量决定模型判断的准确度，算力和技术成本影响人工智能的应用广度。要统筹提高数据质量、共享共性技术工具、盘活现有算力资源，不断夯实智能金融基础。
着力提升金融数据供给质量。日前，江苏省金融可信数据空间正式启动，拟接入67个节点，其中苏州率先落地并归集百亿级明细数据。但数据归集只是第一步，真正用于金融服务还需深化数据治理，统一规格口径，及时更新信息。要推进跨机构开展联合分析研判，运用隐私计算等技术推动公共数据与金融数据依规对接，明确数据的使用范围、调用权限和保存期限。
降低中小金融机构模型应用门槛。模型开发、数据积累和技术维护投入较高，中小金融机构往往难以独立承担。江苏农村商业联合银行已依托大模型管理平台落地13个应用场景，直接推广至全省60家农商银行使用，为共性技术共享提供了实践基础。下一步可逐步拓展至信用评价、欺诈识别和风险预警等业务场景，开发汇集数据处理工具，形成便于查询、选择和调用的工具包，供中小金融机构选用。
推动算力建设由扩规模转向提效率。在扩容算力基座的同时，还要解决供需衔接不畅、匹配度不高等问题。要摸清现有算力规模、服务类型和使用等供端底数，汇集金融机构模型训练、业务运行等市场需求，同时积极推动算法迭代和技术升级，提升算力产出率。确有算力供给缺口的，补充相应资源，减少重复建设和资源闲置。
拓展金融应用场景
在金融领域，人工智能的价值核心在于数据挖掘、价值发现和决策辅助。目前，江苏已有11家法人银行应用大模型，但主要集中于任务助手、内容检索和文档撰写。各金融机构可进一步根据自身业务特点和实际需求，积极推动模型嵌入和迭代，向风险识别和辅助决策延伸。
推动银行授信决策由静态转向动态。江苏银行已探索利用大模型识别贷款材料等，并生成预审报告后交由专家复核。基于这一流程，可将智能分析由授信预审向全周期延伸，贷前识别经营能力和融资需求，贷中审批辅助确定额度、期限，贷后持续监测资金用途和经营异常等，使风控决策根据企业经营状况实时更新。
增强证券市场价值发现能力。面对资本市场大量企业公告、研报等信息，单靠人工难以及时发现其内在联系。可借助人工智能开展数据清洗和比对，辅助价值研判。发现披露内容与财务表现不相符时，进一步追踪相关公告和资金动向，形成可供核查的财务异常、关联交易和异常交易线索，持续优化资本市场风险预警管理。
提升保险定价理赔的精准程度。人工智能在保险领域已较多用于保单录入和材料识别，下一步要向核保和理赔延伸。在核保定价中，利用历史赔付、风险变化和行为特征细化风险分级，动态调整产品定价和保障方案；在理赔中，先由模型识别票据、影像和事故材料，辅助对事实清楚、责任明确的案件快速审核；同时，通过投诉和理赔结果分析定价偏差与拒赔争议，改进核保规则和理赔流程，在提高效率的同时维护消费者权益。
提升智能监管效能
人工智能加快了金融业务运行，也使风险更加隐蔽、传导更加迅速，传统的报表分析和事后检查难以完全适应。提升监管效能，需要加强不同领域信息耦合分析，把模型预警与分类处置衔接起来，并为尚未看清风险边界的创新应用设置监管沙盒。
推动监管信息跨领域贯通。支付结算、银行保险、证券交易等风险表现各不相同，智能监管首先要解决信息分散问题。可应用人工智能技术，将机构报送、资金交易、消费投诉和公开披露等信息相互比对，及时发现异常资金流动、信用风险、违规交易等线索。根据风险识别需要，推动不同领域信息、不同市场异常表现关联，通过综合交叉研判及时识别单一领域内难以发现的风险。
落实模型预警核查处置。发现异常只是监管的起点，关键是把模型预警转化为可以核查和处置的风险线索。智能模型的优势在于从海量信息中发现异常，短板在于难以准确判断行为性质。监管模型发出预警后，要及时人工介入，严格落实远程核查、现场检查和分类处置要求，并将处置结果加以反馈，用真实案例修正识别规则，使风险监测越用越准。
搭建金融创新安全试验载体。目前，江苏已组织落地“数字金融”“人工智能”主题创新监管工具，13个启动项目中已有6个测试成功，为人工智能金融应用积累了经验。在此基础上，对风险边界尚不清晰的创新应用，可限定机构、客户、业务规模和期限，设立监管沙盒，测试期间持续观察模型差错、风险变化和客户投诉，运行稳定的逐步扩大应用，确保核心金融业务风险可控。
防范技术衍生风险
人工智能在提高金融效率的同时，也可能带来模型误判、数据泄露等新风险。正如朱辰在《平台金融视角下银行业系统性风险形成及防范研究》一书所指出的，人工智能风险不仅贯穿模型引入、运行和退出的全过程，还会因叠加外部模型和技术服务而变得难以控制。
模型管理重在覆盖整个生命周期。要全面摸清正在使用的模型及其数据来源、应用场景和决策权限，防止未经审查的模型直接进入核心业务系统。业务模型投入使用前，通过实际业务数据检验其准确性、稳定性和安全性；运行过程中，持续关注异常结果和客户投诉，一旦偏差超出合理范围，及时校正或者暂停使用；停止使用后，应保留必要的运行和决策记录，实现问题挂账销号。
外部技术服务不能外包金融责任。随着智能化转型加快，不少金融机构通过采购模型和技术服务加快智能化转型，但对外部模型的运行原理和数据来源掌握不够，容易形成风险盲区。引入外部模型，要弄清训练数据是否合法、模型功能是否符合业务需要，并在协议中明确安全要求和问题处置方式。金融机构可以借助外部技术作出判断，但不能把授信、定价、投顾和理赔等业务责任全权转移给技术服务端。
高风险决策必须设置人工复核。人工智能可以提供分析结果，却难以充分判断客户的特殊情况。对贷款拒绝、保险拒赔等直接影响客户权益的事项，要设置人工复核和申诉纠错渠道，并向客户说明作出决定的主要依据。还要定期检查模型是否对特定行业、地区和群体形成不合理差异化对待，及时纠正普遍性偏差，使人工智能应用始终处于可控、可查、可纠正的范围之内。□
（作者系南京师范大学原校长、教授、博士生导师）
责任编辑：陈学科
