不缺用户的Agent，为什么集体杀向金融

金融人的桌面，正在成为大厂Agent战争的新前线。

一个月之内，字节、百度、腾讯三家大厂先后把通用Agent推进金融腹地：先有扣子把券商的行情与投研能力装进技能商店，再有百度给GenFlow启用中文名库库AI并把金融定为第一个专业场景，最后是9月3日腾讯上线WorkBuddy金融版，一口气面向银行、券商、保险机构放出80多个金融专家及专家团。

核心判断只有一句：通用Agent的竞争，正在从‘聊天框里比聪明’下沉到‘业务流程里比可靠’，而金融是这场下沉的第一块试金石。目前三家瞄准的并非同一块市场，对‘金融是否值得单独做一个Agent版本’，大厂之间也远未形成共识。

💼 三步棋：一个月，三条路径

大厂扎堆的赛道，从来不是巧合。

先看时间线，节奏感非常明显——

• 更早之前：字节旗下扣子引入华泰证券、广发证券、国信证券等机构的金融Agent和Skill，把行情、财务数据、ETF筛选、基金对比等能力搬进Agent平台
• 8月：百度为GenFlow启用中文名库库AI，上线独立办公端，金融被选作从通用办公走向专业办公的第一个重点场景
• 9月3日：腾讯正式推出WorkBuddy金融版，面向银行、券商、保险上线80多个金融专家及专家团

三步棋走的是三条完全不同的路。扣子走的是平台生态路：自己不生产金融数据，而是做技能商店，让券商把专业能力封装成Skill上架；库库AI走的是内容资产路：依托百度文库、百度学术和百度网盘积累的内容、文件与存储能力，内置上市公司、股票行情、财报、研报等金融数据；WorkBuddy金融版则走的是驻场交付路：直接面向机构内部业务流程做适配。

为什么路径不同却殊途同归？逻辑其实很朴素：通用Agent想证明自己不止会聊天，就必须找到一个‘高专业浓度、高付费意愿’的行业现场。这个判断从公开数据就能得到印证：六大国有商业银行2023年年报披露的金融科技投入合计已超过1200亿元；IDC在2024年发布的中国AI市场预测中，金融长期位居行业AI支出前列。券商、银行、保险公司不缺预算，缺的是把专业人力从重复劳动里解放出来的工具。

🧭 客群分野：同一个金融，两个市场

都在做金融Agent，但吃的根本不是一碗饭。

目前一个清晰的事实是：扣子和库库AI在金融场景中的主要落点更偏向C端，WorkBuddy金融版切入的则是B端——银行、券商、保险等金融机构。

先看C端的两个人怎么打。扣子的打法是把专业金融能力直接装进Agent：技能商店已上线广发证券提供的8项Skill，覆盖财务对比、龙虎榜、ETF筛选、ETF资金异动、基金定投等高频投研场景。用户告诉扣子想研究什么，它就能调用相应Skill查行情、比公司、筛ETF，多个Skill还能组合进连续任务，用于盘前信息整理、盘中监控和盘后复盘。

库库AI则更进一步——不仅查，还要交付。用户提出一个研究任务后，它可以完成资料检索、数据处理和内容生成，最终直接交付Word研报、金融分析PPT或者财务模型Excel；长时间盯盘这类任务，还能留在云端继续执行。

这个分野的产业含义值得琢磨：C端路线卖的是‘专业能力平权’——把原本要进券商App、金融终端、多个数据页面才能完成的动作，拆成Agent可调用的能力；B端路线卖的是‘机构流程改造’——按机构内部模板和合规要求嵌入业务。前者比的是入口和体验，后者比的是驻场深度和交付可信度。两种模式的收入结构和壁垒完全不同，未来大概率不会正面相撞，而是各吃一层。

📊 效率账本：金融为什么愿意付费

金融是一个时间被明码标价的行业。

在投行、投研、信贷和保险业务中，大量高成本的专业时间仍被消耗在查数据、翻公告、核口径、更新模型和制作材料上。这不是抽象判断，WorkBuddy金融版的对公信贷尽调场景给了一个具象拆解：

注意这里的几个细节：材料清单、缺失项识别、多源数据交叉核验、保留依据的尽调初稿。每一步都不是‘生成一段文字’，而是在机构既有的作业流程里填一个具体的格子。基金研究场景同理——基金筛选、组合诊断；保险场景则连接客户资料、产品信息、营销内容合规。

据腾讯官方发布的信息，今年3月以来，WorkBuddy已陆续进入中金公司、国投证券、平安银行、中国太平等100多家金融机构。100多家这个数字放在AI产品里不算惊人，但考虑到金融机构的采购决策周期和IT准入门槛，半年多铺到这个量级，说明机构侧确实存在真实需求。

产业逻辑可以归结为一句话：只要Agent能接手专业时间里的一部分，就能直接转化为金融机构愿意付费的效率。这也是为什么在大模型算力成本高企、C端订阅难以覆盖成本的当下，金融B端成为大厂Agent商业化最现实的第一站——客单价高、场景标准化程度高、且有明确的降本对标物（人工工时）。

⚔️ 同业参照：大厂不是第一批下水的人

把镜头拉远会发现，'AI进金融’这条路，海外机构已经趟过一遍。

2023年3月，彭博发布500亿参数的BloombergGPT，成为金融垂直大模型的标志性事件；同年，摩根士丹利与OpenAI合作，把GPT-4驱动的AI助手部署给其财富管理顾问团队，用于检索内部研究知识库——这套系统面向的是数以万计的持牌顾问，而不是普通客户。2024年7月起，摩根大通开始向员工推广自研的LLM Suite平台，据彭博社等外媒报道，到当年8月其覆盖范围已扩展至约20万名员工。

国内市场同样不是空白：蚂蚁集团在2023年9月的外滩大会上发布金融大模型，2024年又推出面向个人用户的AI金融助理支小宝App；同花顺的问财HithinkGPT、恒生电子的光子大模型等也都已在投研、投顾等场景落地。此外，同花顺2023年、2024年年报均披露AI相关产品带来的增值服务收入增长，说明C端金融AI付费在国内同样有跑通的先例。

把这些样本和三家大厂的动作放在一起，能看出一个清晰的代际差异：第一代金融AI是‘知识检索助手’（查内部研报、答专业问题），而这一批Agent试图进入‘任务执行层’（出尽调初稿、筛基金、监控盘面）。海外机构的落地路径也给大厂提供了一个参照系——摩根士丹利、摩根大通都是先从‘内部员工工具’切入，把AI锁定在机构围墙之内验证可靠性，再谈对外服务。这与WorkBuddy金融版选择驻场交付、扣子选择让持牌券商封装Skill的思路，本质上是同一个谨慎逻辑。

🛡️ 合规暗线：金融Agent真正的隐形门槛

在金融行业，技术路线的选择，一半是被监管逻辑决定的。

中国对生成式AI已有明确的监管框架：2023年8月起施行的《生成式人工智能服务管理暂行办法》要求生成式AI服务完成备案、对训练数据来源合法性负责、并具备内容标识与追溯能力；2024年12月，金融监管总局发布《银行保险机构数据安全管理办法》，进一步强化了金融机构的数据分类分级和安全责任。叠加《金融科技发展规划（2022—2025年）》等既有要求，落到Agent产品上就是几条硬约束：

• 数据不出域：客户资料、信贷数据、交易信息属于高敏数据，机构普遍要求大模型私有化部署或数据脱敏处理——这直接解释了为什么B端Agent必须‘驻场’，而不是调用云端通用模型那么简单
• 结论可溯源：监管审计要求业务结论能回溯依据，这也是WorkBuddy金融版强调‘保留依据’的根本原因，而不仅是产品卖点
• 责任可归责：持牌机构对外提供的投研、投顾内容承担合规责任，因此扣子选择让华泰证券、广发证券等持牌机构自己封装Skill，把专业判断留在牌照方一侧，Agent只做编排
• 内容合规：保险营销内容受‘双录’、销售适当性等规则约束，AI生成内容同样需要过合规审核这一关

从这个视角看，三家大厂路径的差异，其实暗合了同一套合规逻辑：越深入机构业务流程，越要适配监管要求；越靠近C端交付，越要把数据和专业判断锚定在持牌方。反过来说，合规能力本身正在成为竞争壁垒——能通过金融机构安全评估和采购准入的Agent，天然筛掉了大部分竞争者。这也是为什么拥有云基础设施、企业级安全资质和政企服务经验的大厂，在这场竞争里比创业公司更有底气。

⚠️ 可靠性门槛：通用Agent未必接得住

在开放网络上表现不错的Agent，进了金融业务现场未必依然可靠。

这是整个故事里最硬的门槛。金融对Agent的要求和通用办公完全不是一个量级：数据准确度、结论可溯源、执行权限，都要经得起考验。一个幻觉率几个百分点的通用模型，写周报时用户可能一笑而过，但在对公尽调初稿里认错一家公司的司法风险，后果就是业务事故。

对比三家产品的应对路径会更有意思：扣子选择让券商自己封装Skill——数据源和专业判断由持牌机构提供，Agent只负责编排调用，等于把‘准确性责任’前置给了Skill提供方；库库AI靠的是自家内容资产和数据管道，从源头控制数据口径；WorkBuddy金融版则强调‘保留依据’——每一个结论都能回溯到原始材料，同时调用工商、财务、司法等多源数据交叉核验，并按银行内部模板输出。

更值得参照的是海外经验：彭博当年发布BloombergGPT时，公开论文中专门用大量篇幅说明金融语料与通用语料的配比对专业任务准确率的影响；而摩根士丹利把AI助手严格限定在‘经过审核的内部研究知识库’范围内检索，而非开放网络生成——不联网、限定语料、保留引用出处，这套被验证过的做法，如今几乎原样复刻在了国内B端金融Agent的设计里。

一个可以更严谨地表述的判断是：通用Agent和行业Agent的差距，不在聪明程度，而在‘敢不敢让它签字’。金融机构采购的不是回答问题的能力，而是可归责、可审计的执行能力。

这背后还有一层更深的逻辑：随着Agent从‘查资料’走向‘执行任务’，权限管理会成为新的竞争壁垒。谁能调用哪些数据、能写入哪些系统、操作如何留痕——这些问题的答案，决定了Agent在金融现场能走多远。短期内，这恰恰是大厂相对创业公司的优势所在：它们有云、有办公协同底座、有企业服务经验的积累。

🔭 共识未至：要不要为金融单开一个版本

最微妙的问题，反而是‘要不要单独做’本身。

目前大厂之间对‘金融是否值得单独做一个Agent版本’仍未形成共识。百度的做法是把金融作为库库AI从通用办公走向专业办公的第一个重点场景——金融嵌在通用产品里；字节的扣子用技能商店模式承接金融能力，产品本身仍是通用平台；只有腾讯真正为金融单独切了一个‘WorkBuddy金融版’，并且由中金公司、平安银行、中国太平等100多家机构的落地支撑。

这个分歧不是产品形态之争，而是商业模式判断之争：

• 如果金融只是高频场景之一，那通用Agent+行业技能包就够了，单独开版本是浪费研发资源
• 如果金融是行业Know-how的深水区，那通用版本永远做不进机构的业务流程，必须单独打造

从三家已经公开的动作看，腾讯明显押注后者。而押注背后的算盘也不难猜：B端金融客户一旦完成流程级嵌入，切换成本极高——尽调模板、合规规则、内部系统对接都是沉没投入，这和C端‘换个App只要三秒钟’完全是两种粘性。摩根大通的LLM Suite在一年内铺到20万员工、且成为其科技战略的核心叙事，正是这条路径跑通的一个现成注脚。

下一个观察窗口并不遥远：大模型备案名单的更新、各家公司财报中对AI收入的披露口径、以及WorkBuddy金融版能否把100多家机构从‘接入’推进到‘深度流程改造’，都会给出可核实的信号。扣子和库库AI能不能在C端跑出规模化付费、两条路线谁先交出收入答卷，届时‘要不要单独做’的分歧自然会收敛。

一个月、三家大厂、三条路径，Agent进入金融的剧本已经写完第一幕。

短期看，C端入口战和B端驻场战会并行——扣子、库库AI争夺个人投资者的专业入口，WorkBuddy金融版深耕机构业务流程；中期看，合规能力会成为分水岭——数据不出域、结论可溯源、操作可审计这三条监管底线，决定谁能拿到金融机构的采购准入证；中长期看，胜负手不在模型聪明程度，而在数据准确度、结论可溯源与执行权限三道可靠性门槛上，谁先让金融机构‘敢让它签字’，谁就拿到了行业Agent商业化的通行证。

通用Agent下沉行业的战争才刚刚开始，金融只是第一个被选中的战场——但绝不会是最后一个。