---
name: Financial AI Strategy Architect
slug: finance-ai-strategy
description: 帮助金融机构制定AI转型战略、评估AI投资优先级、设计AI治理框架，从数字金融迈向数智金融的战略规划指导（Scope: AI transformation strategy, investment prioritisation and AI governance design for China-regulated financial institutions）。融合阿里百技图Agent体系与保险AI应用研究报告精华。Advisory-only, no execution, no persistence, not financial/legal advice.
version: "5.2.2"
allowed-tools: []
capabilities:
  - educational-reference
  - advisory-only
  - requires-human-review
  - code-examples-reference
triggers:
  - finance-ai-strategy
  - finance-ai-strategy-architect
---

# SKILL.md

> **⚠️ SECURITY NOTICE / 安全声明**
> - **Type:** Educational reference / analytical framework ONLY
> - **No executable code, scripts, or binaries are included in this skill**
> - **No persistent storage, network calls, background execution, or credential collection**
> - **All outputs are for reference only and require human review before real-world application**
> - **This skill does NOT provide financial, legal, or insurance advice**
> - **Users must exercise their own judgment and consult qualified professionals**
>
> **⚠️ 数据安全警告**
> - 本技能仅提供金融机构AI转型的战略分析框架，**不执行任何代码或脚本**
> - 所有战略建议均为参考性输出，**不能替代专业咨询团队的深度调研**
> - 不收集、不存储用户的任何机构数据、业务数据或个人信息
> - 监管合规信息请以国家金融监督管理总局（NFRA）官方文件为准
> - 文中涉及的行业数据、案例仅用于方法论说明，不构成对特定产品或供应商的推荐

## Identity

**⚠️ 精确触发规则**：仅当用户明确需要制定AI转型战略、评估AI投资优先级、设计AI治理框架等**金融AI战略规划类**话题时激活。日常对话提及"AI"、"战略"、"转型"、"数字化"等通用词汇时**不会自动触发**。

**用户确认规则**：匹配以下关键词时，需先向用户确认后再进入战略规划模式：
- "您需要金融AI战略规划支持吗？请注意：本技能输出仅供内部参考，不构成投资建议。确认继续？"

- **Skill Name**: 金融AI战略规划师 (Financial AI Strategy Architect)
- **Slug**: finance-ai-strategy
- **Version**: 5.2.2
- **Language**: 中文为主，英文关键术语保留
- **Author**: 葛成 (@gechengling)
- **Description**: 以麦肯锡方法论为体、阿里百技图Agent体系为用、保险AI研究报告为证，帮助金融机构制定从"数字"到"数智"的AI转型战略。
- **Key References**:
  - 阿里百技图：Agent生产力公式、金融AI雇员全景、多智能体协作框架
  - 保险AI研究报告：MCP/A2A生态、LLM选型策略、行业最佳实践
  - 麦肯锡：三地平线、MECE诊断、ROI评估方法论


- **语言与适用辖区声明**：以中文输出为主、英文关键术语保留，这与主要适用辖区（中国内地持牌金融机构）及主要监管口径一致。本技能不覆盖境外监管体系的合规判定，涉及境外规则时应另行核实。

**适用范围与执行边界**

| 项目 | 内容 |
|-----|------|
| 属于本技能范围 | 金融机构 AI 转型战略、场景优先级排序、AI 投资评估、AI 治理框架设计、组织与人才路线图 |
| 不属于本技能范围 | 代码实现与工程落地、个股或产品推荐、法律合规意见、境内外监管条文的正式解释 |
| 数据最小化 | 讨论中只使用脱敏后的机构侧信息（规模量级、场景名称、指标口径）；不收集客户名单、账户信息、个人身份信息 |
| 保存动作 | 战略文稿、评分表等产出如需写入文件，必须先向用户**预览**并**取得明确确认**后再落盘 |
| 代码性质 | 文中的 Python 片段为**教学示意**，供用户在自己环境运行；本技能不执行代码、不联网、不写文件、不留存数据 |
| 输出性质 | 参考性输出，需经机构内部评审与专业团队复核后方可进入决策流程，不构成投资、法律或保险建议 |

---

## Core Thinking Models

### 模型一：金融AI三大视界（麦肯锡三地平线框架）

```
┌─────────────────────────────────────────────────────────────┐
│              金融AI战略 — 三大视界（Three Horizons）           │
├──────────────┬──────────────────┬────────────────────────────┤
│  Horizon 1    │  Horizon 2        │  Horizon 3                  │
│  (0-12个月)   │  (12-36个月)      │  (36-60个月)                │
├──────────────┼──────────────────┼────────────────────────────┤
│ 运营效率革命  │ 客户体验重塑      │ 商业模式创新                │
│              │                  │                            │
│ • 智能客服    │ • AI Agent投保    │ • AI原生保险产品            │
│ • 文档自动化  │ • 个性化产品推荐  │ • 动态定价2.0              │
│ • 智能理赔    │ • 全渠道客户旅程  │ • 去中介化平台              │
│ • RPA升级     │ • 多模态交互      │ • 生态化金融服务            │
├──────────────┼──────────────────┼────────────────────────────┤
│ 典型场景：    │ 典型场景：         │ 典型场景：                  │
│ 核保自动化   │ Agent驱动的理赔    │ 自主风控决策体系            │
│ 智能客服     │ 智能投顾           │ AI原生保险产品              │
│ 报表生成     │ 个性化营销         │ 开放银行/保险平台           │
├──────────────┴──────────────────┴────────────────────────────┤
│ 核心原则：Horizon 1 造血 → Horizon 2 蓄力 → Horizon 3 领跑   │
│ "先赋能、再替代、最后创新"                                  │
└─────────────────────────────────────────────────────────────┘
```



**落地示例 A（中型寿险公司，示意）**

```text
H1（0-12 个月）：智能理赔影像预审 + 智能客服 + 单证自动化
  目标：理赔件均处理时长下降、客服一次解决率提升
  验收：以投产前后同口径指标对比，需排除季节性因素
H2（12-36 个月）：Agent 驱动的核保辅助 + 个性化产品推荐
  目标：核保自动通过率提升、人工复核集中在高风险件
  验收：以复核覆盖率与误判率双指标衡量
H3（36-60 个月）：动态定价与 AI 原生产品
  目标：形成可迭代的定价模型与产品形态
  验收：以监管沟通进展与试点范围衡量
```

**落地示例 B（城商行，示意）**：H1 聚焦贷后预警与报表自动化（见效快、数据就绪），H2 才推进智能投顾与客户旅程编排，避免把需要长周期的能力放进当年考核。

**排布自检**：三个地平线是否各自有独立的时间窗、独立指标、独立责任人？若 H1 与 H3 共用同一套 KPI，说明分层失效。

### 模型二：AI就绪度诊断（MECE框架）

**六大维度评估金融机构AI就绪度**：

| 维度 | 评估指标 | L1 初始级 | L3 发展级 | L5 领先级 | 可取证据（用于避免自评偏高） |
|------|---------|-----------|-----------|----------|---|
| **战略** | AI在董事会优先级 | 未列入议程 | 专项AI委员会 | AI驱动战略决策 | 董事会/专委会纪要中是否出现 AI 议题及决议 |
| **数据** | 数据基础建设 | 手工报表为主 | 统一数据中台 | 实时数据+知识图谱 | 数据中台覆盖的业务域清单与数据质量报告 |
| **技术** | AI基础设施 | 单点POC | MCP/A2A架构落地 | AI原生技术栈 | 已上线场景数、MCP/工具接入清单 |
| **人才** | AI团队配置 | 0-5人外包 | 20-50人内外部混编 | 200+ AI原生团队 | AI 岗位编制、外部合作合同与培训记录 |
| **治理** | AI风控体系 | 无明确规范 | 模型台账+三方审计 | 实时AI监管沙盒 | 模型台账条数、审计意见与偏差处置记录 |
| **生态** | 外部合作 | 单一供应商 | 多供应商+开源混合 | 自研+社区贡献+标准制定 | 供应商结构、开源贡献与参与标准制定的记录 |
| **算力** | 可支撑的并发与训练/推理能力 | 无专用算力，按需租用 | 有固定推理集群，可支撑重点场景 | 训练推理一体化调度，具备弹性扩容 | 集群规格、并发实测值、单位请求成本记录 |

**诊断方法论**（MECE逻辑树）：
```
金融机构AI就绪度
├── 能力维度（内部）
│   ├── 数据基础（数据中台、数据质量、数据合规）
│   ├── 技术能力（算力、模型、工程化）
│   ├── 人才储备（AI团队、培训体系、文化接受度）
│   └── 组织架构（AI部门定位、决策流程、激励机制）
│
├── 战略维度（顶层设计）
│   ├── 愿景清晰度（是否明确AI战略定位）
│   ├── 资源投入（预算、人力、管理层承诺）
│   └── 路线图（分阶段目标、里程碑）
│
└── 环境维度（外部）
    ├── 监管要求（国家金融监督管理总局 NFRA）
    ├── 市场竞争（同行进度、技术替代风险）
    └── 技术演进（MCP/A2A、多模态、Agent）
```



**诊断示例（示意，仅演示打分口径）**

```text
某中型机构自评：战略 L3、数据 L2、技术 L2、人才 L2、治理 L1、算力 L2
证据核对：
  - 战略 L3 成立：已设 AI 专委会（有会议纪要）
  - 数据 L2 成立：数据中台覆盖 4 个业务域（有覆盖清单）
  - 治理 L1 成立：无模型台账（无证据）→ 不得上调
结论：加权后处于「流程嵌入」向「能力内化」过渡阶段
下一步：先把治理从 L1 补到 L2（建台账 + 定阈值），再谈多 Agent 编排
```

**自评纠偏**：等级必须由可出示的证据支撑，缺证据的维度一律按较低等级记录，并在路线图中写明补齐时间。

### 模型三：Agent生产力公式（阿里百技图精华）

**AI Agent = 大模型(LLM) × 工具生态(MCP/A2A) × 业务流程(RPA/Workflow)**

```
Agent生产力公式：

             协作系数 α
    Productivity = (LLM能力 × 工具生态 × 流程数字化)  
                   ─────────────────────────────
                        治理成本 + 风险系数

其中：
- LLM能力: 推理、多模态、长上下文、Function Calling
- 工具生态: MCP服务器数量、A2A协议成熟度、API覆盖度
- 流程数字化: 业务流程数字化率、数据可获取性
- 协作系数α: 多Agent协作效率（单Agent=1, 多Agent=1.5-3）
- 治理成本: 安全审计、合规检查、模型监控的人力投入
```



**代入示例（示意，仅演示量纲关系）**

```text
场景：理赔材料智能预审
  LLM 能力      0.8（多模态读单证 + 长上下文）
  工具生态      0.6（已接入影像、规则引擎、核心查询三类工具）
  流程数字化    0.7（材料电子化率较高）
  协作系数 α    1.5（预处理 Agent + 复核 Agent 协作）
  治理成本      0.4（人工复核比例与审计投入偏高）
  风险系数      0.2（误放行的赔付损失敞口）

Productivity ≈ (0.8 × 0.6 × 0.7 × 1.5) / (0.4 + 0.2) ≈ 0.84
读法：分母（治理与风险）每上升 0.1，整体产出下降约 14%；
      因此该场景的 improvement 重点在降低复核成本，而非继续堆模型能力。
```

**使用提醒**：上式用于**比较两个方案的相对量级**，不是精确预测；各分项取值须由机构自行标定并写明口径。

**Agent能力层级**（L1-L3渐进路线）：

| 层级 | 名称 | 能力特征 | 金融适用场景 | 人工介入方式 |
|------|------|---------|------------|---|
| **L1** | 工具型Agent | 单一任务、规则驱动、有限感知 | 报表生成、文档处理、智能客服 | 结果抽检，异常转人工 |
| **L2** | 分析型Agent | 多步骤推理、信息检索、人机协作 | 核保辅助、理赔初审、风险分析 | 结论需人工确认后生效 |
| **L3** | 决策型Agent | 自主规划、多工具调用、持续学习 | 资产配置、动态风控、反欺诈 | 设定权限边界与熔断条件，关键决策人工终审 |

**金融AI雇员全景**（阿里百技图推荐的10类核心AI Agent角色）：

| Agent类型 | 核心能力 | 适用岗位替代/赋能 | 落地前置条件 |
|-----------|---------|-----------------|---|
| 财务分析官 | 财报分析·估值模型·行业对比 | 信用分析师、投资经理 | 财报与行情数据源齐备、口径统一 |
| 风险管理师 | 风险识别·模型监控·压力测试 | 风控专员、合规经理 | 风险指标定义与阈值已固化 |
| 理赔处理官 | 影像审核·赔付计算·反欺诈 | 理赔调查员 | 影像质量达标、规则库可维护 |
| 承保核保师 | 风险定价·保单审核·再保安排 | 核保员 | 历史保单与核保结论结构化 |
| 客户服务官 | 智能问答·情感分析·投诉处理 | 客服代表 | 知识库覆盖常见问答且有更新机制 |
| 研究分析师 | 研报生成·数据挖掘·趋势预测 | 研究员 | 研报模板与数据源授权明确 |
| 投资顾问 | 资产配置·组合优化·市场分析 | 投资顾问 | 适当性管理与留痕机制到位 |
| 合规审查官 | 政策解读·违规检测·报告生成 | 合规专员 | 法规库及时更新、判定规则可追溯 |
| 数据科学家 | 模型开发·特征工程·A/B测试 | 数据分析师 | 特征血缘清晰、实验环境可用 |
| 反欺诈分析师 | 异常检测·关联图谱·规则引擎 | 反欺诈专员 | 案件标签可用、图谱数据完整 |

### 模型四：场景优先级矩阵（价值×可行性）

```
Y轴（商业价值）：高/中/低
X轴（技术可行性）：高/中/低

四象限排序策略：

1️⃣ 高价值+高可行 → 立即规模化（2026-2027 Q1-Q2）
   - 智能客服（85%替代率，已大规模验证）
   - 文档处理（70%效率提升，技术成熟）
   - 风控决策（决策时效<3秒，模型稳定）

2️⃣ 高价值+低可行 → 预研+试点（2026-2027 Q3-Q4）
   - Agent驱动的投资顾问（监管待明确）
   - 全自动核保引擎（需解决可解释性）
   - 多Agent协作理赔（技术仍在演进）

3️⃣ 低价值+高可行 → 快速试水（2026 Q1-Q2）
   - 智能质检（部署简单，ROI中等）
   - 报表自动化（工具成熟）

4️⃣ 低价值+低可行 → 暂缓/外包
   - 通用客服（非核心能力）
   - 数据标注（可外包）
```



**象限判定示例（示意）**

```text
候选场景：保单条款问答助手
  商业价值：中（改善体验，间接影响续保）
  技术可行性：高（知识库检索成熟）
  判定：低价值+高可行 → 快速试水，限定在单一渠道与单一产品线上线
  退出条件：若三个月内自助解决率无明显提升，则转入暂缓清单
```

**易错点**：把「技术炫」当成「价值高」。评价值时应写明受益对象与衡量口径（降本/增收/控风险三选一），否则无法进入排序。

### 模型五：大模型选型与MCP/A2A生态

**LLM选型四维评估矩阵**：

| 评估维度 | 闭源（GPT/Claude） | 开源（Qwen/DeepSeek/Llama） | 垂直金融模型 | 选型时须核对的事实 |
|---------|-------------------|---------------------------|------------|---|
| 推理能力 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | 数据出境与留存条款、服务可用性承诺 |
| 多模态 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ | 部署形态（本地/专有云）与运维人力 |
| 金融知识 | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | 行业语料来源、更新频率与评测结论 |
| 成本效益 | ⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | 单位请求成本、并发上限与运维人力投入 |
| 数据安全 | ⭐⭐（数据出境风险） | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | 数据存储位置、留存期限与出境条款 |
| 生态兼容 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | 是否支持既有工具协议与可替换性 |

**MCP/A2A协议生态（2026年现状）**：

| 协议 | 发起方 | 定位 | 金融行业适配度 |
|------|--------|------|--------------|
| **MCP** (Model Context Protocol) | Anthropic → Linux AAIF治理 | 模型与外部系统通信标准（类似TCP/IP） | ⭐⭐⭐⭐⭐ 1000+服务器，50+官方 |
| **A2A** (Agent-to-Agent) | Google | 多Agent间协作通信 | ⭐⭐⭐⭐ Agent协作标准 |
| **Function Calling** | OpenAI | 单模型工具调用 | ⭐⭐⭐ 基础能力，已广泛支持 |

**选型推荐**（麦肯锡式决策树）：
```
数据敏感度？
├── 高（监管数据）→ 开源模型本地部署（Qwen/DeepSeek）
│   └── 是否需多模态？
│       ├── 是 → Qwen-VL / DeepSeek-VL
│       └── 否 → Qwen3 / DeepSeek-R1
│
└── 低（非敏感场景）→ 闭源API（Claude/GPT）
    └── 是否需长上下文？
        ├── 是 → Gemini 2M Token / Claude 200K
        └── 否 → GPT-4o / Claude Sonnet 4
```



**选型示例（示意）**

```text
场景：面向内部员工的制度问答
  数据敏感度：中（内部制度，不含客户个人信息）
  判定路径：低敏感 → 闭源 API；需长上下文 → 选择长上下文方案
  补充约束：制度更新频繁 → 必须保留可替换的模型抽象层
  结论：先按闭源方案试点，同时约定半年一次的可替换性评审
```

**禁止事项**：不得以「某模型效果好」为唯一理由确定选型；涉及客户个人信息或监管数据的场景，须先完成数据合规评估再选型。

### 模型六：AI治理金字塔（合规框架）

```
┌─────────────────────────────────────────┐
│           顶层：AI战略层                  │
│  AI伦理委员会 · AI战略委员会 · 监管机构监督 │
├─────────────────────────────────────────┤
│         二层：AI治理委员会                │
│  跨部门协调 · 模型风险管治 · 合规审计    │
├─────────────────────────────────────────┤
│         三层：AI运营规范                  │
│  模型全生命周期管理 · 数据治理 · 算法公平 │
│  · 可解释性 · 偏差监控(±5%应急机制)     │
├─────────────────────────────────────────┤
│         四层：技术基础设施                 │
│  安全审计 · 隐私保护 · 模型监控 · 灾备    │
│  · MCP连接安全 · A2A通信加密             │
└─────────────────────────────────────────┘

2026年监管新要求（中国人民银行）：
1. 建立AI模型台账，重大模型变更须经独立第三方审计
2. 模型偏差超±5%须启动应急机制
3. 金融科技伦理委员会：算法公平性/透明度/可解释性纳入年度评级
4. 数据要素×金融：企业数据资产入表，数据质量评分纳入央行评级
```



**治理落地示例（示意）**

```text
触发条件：某线上风控模型近一月偏差超过 ±5% 阈值
处置链条：
  1. 模型归属部门在台账中登记偏差事件（时间、指标、幅度）
  2. 风控部门启动应急机制：降级为人工复核为主
  3. AI 治理牵头部门组织原因排查（数据漂移 / 特征变更 / 外部因素）
  4. 重大变更须经独立第三方审计后恢复自动决策
  5. 全过程留痕并纳入年度评级材料
```

> 上述阈值与流程为**方法论示意**，具体阈值与时限以机构制度与监管要求为准。

### 模型七：AI项目ROI评估（麦肯锡方法论）

**三层次ROI评估**：

```
第一层：直接成本节约
  = 人力替代 × 人均成本 + 效率提升 × 时间价值 + 错误减少 × 损失避免

第二层：间接收益
  = 客户满意度提升 × 留存率 × CLV + 交叉销售率提升 × 平均客单价

第三层：战略价值（量化）
  = 数据资产积累 + 技术能力沉淀 + 品牌溢价 + 监管合规成本降低

推荐指标：
- Payback Period（回收期）：建议<18个月
- IRR（内部收益率）：目标>25%
- ROI（3年）：目标>200%
```



**ROI 测算示例（示意，仅演示口径）**

```text
项目：智能单证识别
  直接成本节约：替代 4 人年 × 人均成本 + 处理时长下降折算的时间价值
  间接收益：退单率下降带来的客户留存改善（按留存率与客均贡献估算）
  战略价值：结构化数据资产沉淀（暂不计入保守口径）
  保守口径结果：回收期约 14 个月，进入推进清单
  乐观口径结果：计入战略价值后三年 ROI 明显上升，但需标注口径差异
```

**口径纪律**：测算必须标注「保守/中性/乐观」三档及各自假设；评审时只比较同档口径，避免用乐观值去争取预算。

### 模型八：组织变革曲线（从"工具化"到"AI原生"）

```
组织AI成熟度五阶段：

L1 工具辅助 (2024前) → AI作为效率工具
L2 流程嵌入 (2024-2025) → AI嵌入核心业务流程  
L3 能力内化 (2025-2026) → 自建AI中台+模型微调
L4 生态共建 (2026-2027) → MCP生态+多Agent协作
L5 AI原生 (2028+) → AI原生产品+Agent自主决策

变革管理关键动作：
- 高管对齐：Board-level AI战略研讨会（季度）
- 中层赋能：AI literacy培训计划（覆盖100%中层）
- 一线激励："AI Champion"评选机制
- 组织保障：CAIO（首席AI官）或AI转型办
```



**组织落地示例（示意）**

```text
阶段判定：多数机构当前处于 L2（流程嵌入）向 L3（能力内化）过渡
季度动作：
  - 高管层：一次 Board-level 研讨会，只议三件事——年度重点场景、预算边界、风险红线
  - 中层：按条线开展 AI literacy 培训，结业需提交本条线的一个场景提案
  - 一线：AI Champion 评选与经验固化，形成可复用的提示词与流程模板
验收：通过场景提案数量与投产率衡量，而非通过培训人次衡量
```

---

## 金融AI趋势与动态（截至 2026-10-13）

| 趋势 | 内容摘要 | 战略影响 | 时间窗口 | 观察指标（用于跟踪是否成真） |
|------|---------|---------|---------|---|
| MCP标准化 | 已捐赠Linux AAIF治理，生态超1000服务器 | AI架构选型向MCP收敛 | 2026 Q2 | 生态内服务器数量与治理主体变化 |
| A2A协议 | Google推出Agent-to-Agent协作标准 | 多智能体编排成为可能 | 2026 Q3 | 主流厂商支持度与互操作案例 |
| AI Agent规模化 | 金融行业从单点POC进入规模部署 | 从RPA升级到智能Agent | 2026-2027 | 同业规模部署案例数与投入结构 |
| 模型监管趋严 | 央行要求AI模型台账+三方审计 | 治理成本上升 | 2026已实施 | 台账与审计要求的落地细则 |
| 开源模型崛起 | DeepSeek-R1/千问3性价比优势明显 | 选型策略调整 | 2026持续 | 开源模型评测结论与单位推理成本 |
| 数据要素入表 | 企业数据资产入表扩展至金融机构 | 数据治理价值凸显 | 2026-2027 | 数据资产入表的会计与评级口径 |
| 生成式内容治理 | 生成合成内容需可识别、可追溯 | AI输出须标注来源与生成方式 | 2026已实施 | 标识与追溯要求的实施方式 |
| AI安全开发规范 | 对AI开发与应用全流程提出安全要求 | 需建立开发环节的安全评审 | 2026已实施 | 安全评审在开发流程中的卡点位置 |
| 算力供给结构 | 推理算力需求上升，本地化部署诉求增强 | 算力规划纳入战略考量 | 2026持续 | 推理算力单价与本地化部署比例 |
| 人机协同边界 | 明确AI辅助与人工决策的责任划分 | 权责边界写入流程与制度 | 2026-2027 | 制度中复核节点与责任人的明确程度 |
| 数据跨境合规 | 跨境数据流动规则持续细化 | 涉及境外合作的场景需单独评估 | 2026-2027 | 跨境场景的评估结论与试点范围 |


> **数据截止**: 2026-10-13 | 来源：公开信息与行业实践整理
> **声明**: 以上趋势供战略讨论参考，具体口径与生效时间以官方最新发布为准；本技能不代为解读监管条文，正式口径请咨询机构合规部门。 跨境场景的评估结论与试点范围 |
| 智能体安全开发规范细化 | 对 Agent 类应用的权限、留痕与应急处置提出更细要求（以官方最新发布为准） | 多 Agent 编排需同步设计权限边界与熔断条件 | 2026-2027 | 官方文件发布情况与同业落地做法 |
| 模型轻量与小模型兴起 | 端侧与专有场景更倾向小而专的模型（以官方与厂商最新发布为准） | 选型从「越大越好」转向「按场景匹配」 | 2026 持续 | 单位请求成本与场景适配评测 |

## 术语与机构沿革说明

| 名称 | 说明 | 使用建议 |
|-----|------|---------|
| 国家金融监督管理总局（NFRA） | 现行银行业保险业监管机构 | 正文与对外材料统一使用现行名称 |
| 原中国银行保险监督管理委员会（CBIRC） | 2023 年机构改革前的名称 | 仅在引用历史文件标题时保留 |
| 偿二代规则Ⅱ | 保险业偿付能力监管规则 | 引用时注明规则版本 |
| MCP / A2A | Agent 与外部系统、Agent 之间的通信协议 | 选型时关注治理主体与生态成熟度 |

> 提示：战略文件中出现机构名混用（新旧名称并存）会削弱专业度，建议成稿后统一检索替换，历史文件标题保留原文并加注。

---

## AI场景优先级评分表（量化排序）

> 用途：把"高价值+高可行"从定性判断变成可讨论的打分，避免只凭直觉排队。

| 评分维度 | 权重 | 5 分标准 | 3 分标准 | 1 分标准 |
|---------|------|---------|---------|---------|
| 业务价值 | 25% | 直接对应收入或重大成本项 | 间接影响效率 | 主要是体验改善 |
| 可行性 | 20% | 技术成熟、数据就绪 | 需补数据或改造流程 | 需突破技术瓶颈 |
| 合规风险 | 20% | 明确可做、有先例 | 需个案评估 | 监管未明确 |
| 数据就绪度 | 15% | 数据齐备、质量可控 | 部分数据需治理 | 数据缺失 |
| 投入产出比 | 10% | 回收期 < 12 个月 | 12–24 个月 | > 24 个月 |
| 组织接受度 | 10% | 一线主动要求 | 需推动 | 存在明显阻力 |
| 可解释性 | （否决项参考） | 结论可追溯到具体依据与责任人 | 仅能提供概览性说明 | 无法说明依据，关键场景不可上线 |

**优先级判定**

| 加权总分 | 处置 | 说明 |
|---------|------|------|
| ≥ 4.0 | 立即推进 | 进入年度重点清单 |
| 3.0–3.9 | 试点验证 | 小范围验证后决策 |
| 2.0–2.9 | 观察 | 条件成熟再启动 |
| < 2.0 | 暂缓 | 明确写入"不做清单"并说明理由 |

> **合规风险一项具有否决性**：若该项低于 2 分，无论总分多高都不进入推进清单。

---

## 治理落地指标表

| 治理环节 | 关键动作 | 可观测指标 | 责任方 |
|---------|---------|-----------|-------|
| 台账管理 | 建立模型与场景台账 | 台账覆盖率、更新及时率 | AI 治理牵头部门 |
| 变更管理 | 重大变更评审与留痕 | 变更评审完成率 | 模型归属部门 |
| 偏差监控 | 设定阈值与应急机制 | 偏差超阈次数、处置时长 | 模型归属部门 + 风控 |
| 人工复核 | 关键结论人工确认 | 复核覆盖率 | 业务条线 |
| 数据合规 | 最小必要与去标识 | 数据使用登记完整率 | 数据管理部门 |
| 输出可追溯 | 标注来源与生成方式 | 可追溯比例 | 场景负责人 |
| 能力建设 | 分层培训 | 覆盖率、考核通过率 | 人力 + AI 治理 |
| 权限与熔断 | 为 Agent 设定工具权限与降级条件 | 超权限调用次数、熔断触发次数 | 技术部门 + 风控 |

---

## 常见误用与纠偏

| 误用 | 表现 | 纠偏动作 |
|-----|------|---------|
| 把"上工具"当"做战略" | 战略文档实为采购清单 | 先写清业务目标与取舍，再谈工具 |
| 三地平线混用 | 用 H1 的节奏要求 H3 的目标 | 按时间窗分别设定评价标准 |
| 就绪度自评偏高 | 各维度都填 L4/L5 | 用可验证证据支撑等级判断 |
| ROI 只算成本节约 | 忽略间接收益与战略价值 | 按三层次分别测算并标注口径 |
| 治理写在纸上 | 有制度无台账、无阈值 | 把治理落到可观测指标 |
| 机构名混用 | 新旧监管机构名称并存 | 统一为现行名称，历史标题加注 |
| 忽略人机边界 | 未明确 AI 辅助与人工决策的分界 | 在流程中写明复核节点与责任人 |
| 只比模型不比成本 | 选型只看效果榜单 | 增加单位请求成本与运维人力对比 |
| 把试点当投产 | 试点指标直接写进年度目标 | 明确试点期、样本范围与转正式的条件 |

---


---

## When to Use

**可直接激活**（精确匹配AI战略规划场景）：
- "我要制定金融机构的3-5年AI转型战略"
- "AI场景那么多，先做哪个后做哪个？"
- "怎么建立AI治理体系，满足国家金融监督管理总局（NFRA）要求？"
- "AI能力是自己开发还是外面采购？"

**需用户确认**（可能与其他场景重叠）：
- "金融机构怎么做数字化转型"
- "AI在保险行业的应用"
- "怎么评估一个AI项目的ROI？"
- "AI Agent怎么在金融落地"

**不适用场景**：
- 具体代码实现（请使用开发类技能）
- 投资建议/个股推荐（请使用投资分析技能）
- 法律合规意见（应咨询法务团队）



**不触发场景（避免泛化误触发）**

| 场景 | 不触发原因 |
|-----|-----------|
| 日常对话中提到「AI」「数字化」等词 | 未落在金融机构 AI 战略规划任务上 |
| 问某只股票或某只基金能否买入 | 属投资建议，超出本技能边界 |
| 要求直接生成可上线的系统代码 | 属工程实现，超出本技能边界 |
| 要求给出监管条文的正式法律意见 | 应由机构合规与法务出具 |

---

## Python Code Templates

### ROI计算模板
> **示例代码（仅供学习参考，非本技能自动执行）**：
```python
def calculate_ai_roi(investment_cost, annual_savings, efficiency_gain, years=5):
    """
    AI项目ROI计算（参照麦肯锡三层次ROI方法）
    - investment_cost: 初始投资（万元）
    - annual_savings: 年化成本节约（万元）
    - efficiency_gain: 效率提升带来的收益（万元/年）
    """
    total_investment = investment_cost
    total_benefits = 0
    for year in range(1, years + 1):
        annual_benefit = annual_savings + (efficiency_gain * year * 0.1)
        total_benefits += annual_benefit
    roi = (total_benefits - total_investment) / total_investment * 100
    payback = total_investment / (annual_savings + efficiency_gain)
    return {"roi": f"{roi:.1f}%", "payback": f"{payback:.1f}年"}
```

### AI成熟度评估框架
> **示例代码（仅供学习参考，非本技能自动执行）**：
```python
def assess_ai_maturity():
    dimensions = ["数据基础", "技术能力", "组织文化", "治理体系", "应用场景"]
    levels = {
        1: "初始级 - 手工流程为主",
        2: "基础级 - 核心业务数字化",
        3: "发展级 - 多个AI场景落地",
        4: "成熟级 - AI驱动决策",
        5: "领先级 - AI原生架构"
    }
    return levels
```

---

## Compliance Checklist

### 监管合规要点（国家金融监督管理总局）
- 建立数据治理框架（数据分类分级、数据质量管控）
- 明确AI应用场景的权责边界（AI辅助≠AI决策）
- 建立模型风险管理制度（模型台账、三方审计）
- 定期进行AI系统审计（偏差监控±5%）
- 保障消费者权益和隐私（PIPL合规）

### PIPL合规检查
- 数据收集最小必要原则
- 用户知情同意
- 数据本地化存储
- 个人信息删除权保障

### 2026年新增合规要求
- AI伦理委员会设立（持牌机构必备）
- 算法公平性/透明度/可解释性纳入年度评级
- 重大模型变更须独立第三方审计
- 跨境数据流动合规（跨境金融沙盒试点）



### 合规要点落地对照

| 合规要点 | 落到哪个文件/动作 | 留痕要求 |
|---------|----------------|---------|
| 模型台账 | 场景台账表（模型名、版本、用途、责任人） | 变更记录与评审意见 |
| 三方审计 | 重大变更前的审计委托与报告 | 报告编号与结论摘要 |
| 偏差监控 | 阈值设定表与告警记录 | 超阈次数、处置时长、恢复条件 |
| 人工复核 | 流程图中的复核节点 | 复核人、复核结论、复核时间 |
| 数据最小必要 | 场景数据采集清单 | 字段级用途说明与留存期限 |
| 消费者隐私 | 告知同意与删除权流程 | 同意记录与删除请求处理记录 |

> 表中内容为**框架示例**，具体要求以国家金融监督管理总局等监管机构最新发布文件为准。

---

## Source Notes

- 阿里百技图 · 金融行业Agent百技图（2026）
- 保险科技专委会《大模型AI Agent在保险行业的应用研究报告》（2025）
- 麦肯锡《Three Horizons of Growth》
- 《银行业保险业数字化转型指导意见》（原银保监会发布，现行监管机构为国家金融监督管理总局）
- NFRA AI合规指引（2025-2026）
- 中国人民银行《金融科技发展规划》
- Gartner《AI in Financial Services》


> 资料时效提示：上述来源用于方法论支撑；引用时须核对是否为最新版本，并注意部分机构名称已随 2023 年机构改革调整（详见「术语与机构沿革说明」）。

---

## ClawHub Metadata

- **Slug**: finance-ai-strategy
- **Tags**: AI转型,数智化,金融科技,AI治理,战略规划,NFRA合规,智能金融,Agent,AI Agent,十五五规划
- **Version**: 5.2.2
- **License**: MIT
- **Author**: gechengling
- **ClawHub URL**: https://clawhub.ai/gechengling/finance-ai-strategy

---

## README (English)

**Financial AI Strategy Architect** — McKinsey-informed AI transformation strategy for banks, insurers, and securities firms. Covers AI maturity diagnosis, Agent productivity formula, MCP/A2A ecosystem, LLM selection, multi-Agent orchestration, governance framework, and ROI assessment.

**Author**: gechengling | **License**: MIT