AI Demo跑得通，为何一进生产场景就变难？华为曹冲详解金融AI规模化难题

“您好，请问您近期有资金需求吗？”相信不少人都接到过类似的电话，只不过，如今电话另一端的声音正在从真人变成AI。

从贷款营销、信用卡推广到客户回访，能够与人进行多轮对话的AI外呼，正越来越多地进入银行业务。

对普通用户而言，变化可能只是一通电话背后的“人”变了；但对于银行而言，背后算的却是另一笔“经济账”。

近日，在华为全联接大会2026期间，华为数字金融军团CEO曹冲在媒体圆桌上介绍：据一家城商行测算，此前通过第三方开展远程银行外呼，单次电话接通成本约为2~3元，如产生交易还需进一步分成，一年相关投入达数千万元。该行随后尝试通过AI开展相关业务，上线半年后，贷款营销转化率达到原来的约7倍。

不过，AI打电话只是银行使用智能体最容易被看见的一面。过去两年，银行已经将AI应用逐步延伸至信贷和风险控制等关键场景。随着AI从回答问题、生成报告的辅助工具进入真正的业务流程，银行面对的问题也随之发生变化。如果一家银行未来不只有几个、几十个Agent（智能体），而是同时运行成千上万个Agent，会发生什么？

对此，曹冲比喻称：“假设现在有1万个‘碳基员工’，未来可能有10万个‘硅基员工’，但这些‘硅基员工’同样需要开发、训练、运行、权限、安全、协同和持续管理，是一套全面的管理机制。”在他看来，当金融AI从试验场真正进入生产系统，行业关注的重点，已从“AI能不能做”，转向“敢不敢进入核心业务、能不能长期稳定运行、千百个智能体如何治理”，以及规模扩大后成本能否承受。“真正拉开金融机构差距的，不再只是模型能力，而是把智能转化为生产力的系统能力。”

从单点Agent到规模化“硅基员工”

过去两年，模型能力快速提升，金融机构开展了大量AI和智能体试点。但从试点走向生产，并不意味着只是把一个已经跑通的Agent复制几百上千遍。

“在实验室里跑通和能够大规模应用，本身就是两件事情。”曹冲对记者说道，实验阶段往往只需要验证一件事情是否可行，但真正进入大规模生产后，要把业务、架构、工程、安全、权限和算力贯通起来，不能单点考虑，而是要端到端地考虑。

最直观的变化来自使用范围。“这一个场景只是一个部门要用，还是全行要用？全行用，马上就面临可复用性的问题，安全怎么考虑，权限怎么管理，并且当使用人数继续增加，算力又成为新的问题，怎样通过工程优化让有限的算力给更多的人使用？”曹冲举例说。

不仅如此，不少银行内部的Agent建设也在重复过去IT系统“烟囱式建设”的路径。“一个部门做一套开发平台，另一个部门又做一套开发平台，短期看，各个部门各干各的，似乎都提升了生产力，但继续往下走，就发现全是‘烟囱’，你的能力我得不到，我的能力你也得不到。”曹冲表示。

这也是为何当银行内部的Agent从个位数增加到成百上千个之后，统一的开发、运行和治理平台变得越来越重要。据此次圆桌会介绍，华为面向金融的智能体规模化落地，并系统构建了平台、智能体、资产、知识、安全治理和算力等六大能力。其中，openJiuwen被华为定位为金融级开源智能体平台，提供从开发、运行到多智能体协同的一体化框架。

比如，当一个复杂任务需要多个Agent共同完成时，平台可以将任务拆解后按照资源需求动态调度；涉及高风险工具和代码时，则进入独立沙箱运行；任务中途出现故障，还可以从断点继续执行。

但把Agent引入生产系统，并不意味着工作已经完成。与传统软件不同，智能体的输出具有一定的不确定性，一次成功的任务执行也不能证明它能够在成千上万次调用中始终保持同样的准确性和稳定性。这也意味着，金融AI的难题正从“怎么上线”，进一步转向“上线之后怎么长期管”。

以前通算时代，上线即交付；而智算时代，上线即运营。而Agent进入生产之后，测试对象逐渐从功能转向体验、准确性、安全性等问题，需要根据运行反馈不断优化技能和能力，持续迭代。

在曹冲看来，工程能力是金融AI从试点走向规模化的关键能力之一。“通过深度参与多家金融机构的AI规模化实践，华为在模型工程、算力工程、智能体工程、安全工程等方面积累了经验，并将这些工程经验沉淀到金融智能体加速器FAB中，转化为可复用的工程工艺和工具，帮助金融机构更高效、安全地推进Agent规模化落地。”

Agent规模化后的新商业机会

对于金融行业来说，AI不能永远停留在“创新项目”里，它最终需要证明自己到底创造了多少价值。

“基本上做得好的机构，在战术上都有相对明确的衡量指标或者衡量体系。”曹冲称，这种衡量不是在项目做完以后才开始，而是在选择场景之前就要考虑：那么多业务场景，到底从哪里入手？

他提到一家银行选择AI场景时总结出的“三多”原则：用人多、用时多、用钱多。用人多，意味着场景可能具有较强的劳动密集属性；用时多，意味着流程复杂、AI带来的效率改善空间较大；用钱多，则意味着AI替代或者辅助之后可能产生更直接的经济回报。

AI外呼就是一个典型案例。引入AI后，除了成本下降，AI还可以将经过验证的优秀话术通过训练和微调复制到更多服务过程中，改善人工坐席业务水平之间存在的差异。

类似变化也开始进入银行更核心的业务。曹冲称，目前信贷展业是金融行业智能体应用较为活跃的场景之一。“过去需要人工跨环节协同处理的工作，现在通过多个Agent协同，可以显著缩短处理时间，提升信贷展业效率。”

与此同时，银行衡量AI价值的方法也正在变化。除了上线多少个Agent，还需要进一步观察营销转化率、风险识别准确率、FTE（全职等效工时）、客户留存率、活跃率等业务指标。Token（词元）消耗则开始成为观察AI使用深度和成本的另一项技术指标。换句话说，金融AI正在从一笔相对难以衡量回报的“创新预算”，逐渐变成一笔需要计算投入产出比的“生产账”。

此外，当一家银行从几十个Agent走向几千甚至几万个Agent，新的产业机会也随之出现。过去银行数字化建设过程中，厂商主要向金融机构提供服务器、存储、数据库以及行业软件；进入Agent时代之后，这条产业链正被重新拉长：底层需要AI芯片和服务器，中间需要模型、Agent平台和工程工具，上层则连接信贷、营销、风控等具体应用。

谈及Agent时代的产业机会及华为的商业模式，曹冲表示，算力是重要的商业机会，华为未来的商业模式主要通过硬件实现商业回报，但这并不意味着只做硬件。软件层面将更多通过开源开放与生态合作，共同推动AI进入金融生产系统。

与一次简单的大模型问答不同，一个能够自主规划、调用工具并执行复杂任务的Agent，在完成一次任务过程中可能需要多次调用大模型。当数千乃至数万个Agent同时进入生产环境，Token消耗随之增加，并进一步转化为底层推理算力需求。但问题在于，算力本身并不能让Agent直接进入银行的生产系统。底层硬件之上，还需要模型适配、Agent开发平台、工程工具以及大量行业应用。

在软件层面，曹冲表示，华为会更多采取开源和生态合作模式。一些软件企业可以基于华为开源平台开发商业版本，一些厂商可以直接调用相关组件，应用软件企业也可以基于平台开发下一代金融应用，华为团队则与合作伙伴共同完成底层平台和上层应用的适配。“未来这个模式很多样，需求也是海量的，我们聚焦一个‘城墙口’。”这意味着，华为并非参与金融AI的所有环节。

对于业务的边界，曹冲认为，通用的智能体平台和标准化工程能力可以交给科技公司和生态伙伴建设，但一家银行多年积累下来的业务知识、流程规则和风控经验，恰恰构成了其自身的核心竞争力，这部分能力不能简单外包。

他以放贷业务为例，“有的银行研究了30个行业，有的银行细分了600个行业。光水产养殖里面就细分了几十个行业，每个行业的周期都不一样。”曹冲说，这些业务逻辑才是不同银行真正的核心竞争力。

对银行而言，Agent时代真正拉开差距的，可能不再是谁拥有更多智能体，而是谁能将多年积累的业务知识转化为“硅基员工”可以理解、调用和执行的能力，并管好随之而来的权限、安全、成本与协同问题。而对于华为以及背后的算力、软件和金融科技产业链而言，当这些Agent真正开始大规模“上班”，Agent时代的商业机会才刚刚开始。

每日经济新闻