你究竟在解决什么问题?
我们在 SF Fintech Week Agentic Finance Summit 上的关键要点

剧情反转:本周的文章有些不同。我们通常聚焦于信号和市场分析,但在举办了一场 Agentic Finance Summit、并与 150 位正在金融服务领域积极部署 AI 的从业者交流之后,我们必须分享一下我们真正学到了什么。
最终浮现出一个清晰的模式,与市场上的许多噪音相矛盾:在企业 AI 领域胜出的公司,都是在解决基础设施数据问题的公司。而大多数供应商甚至都不知道这个问题究竟是什么。以下是我们从这些对话中总结出的一些关键要点。
供应商经常弄错的地方
“很多这类供应商,尤其是年轻的初创公司,往往过于关注把自己想解决的问题铺得太宽,而且看起来并没有真正聚焦于他们想解决的具体问题。”——某大型金融机构的一位 AI 负责人
大多数供应商都在兜售转型,但企业实际面对的是复杂性。一个典型的金融机构往往经历了数十年的收购、迁移、遗留系统,以及 mainframe 与云基础设施并行运行。API 返回的数据表面上看起来很干净,但其中可能隐藏着欺诈代码、遗留错误信息,以及一些字段所表达的含义与其名称暗示的内容完全不同。
难点不在于部署 AI,而在于理解那些阻碍 AI 发挥作用的数据质量问题。为理想化企业构建方案的供应商会立刻失败。真正获得市场牵引的公司,带来的是一种规定性很强的主张:“以下是我们在财富管理中的 KYC 或 AML 场景下,专门为你解决的三个具体问题。”
真正的护城河:三个层次
第 1 层:流程智能 在部署 AI 去改变工作方式之前,先观察工作实际是如何发生的。为核心运营创建一个“数字孪生”。只有这样,才能可靠地部署 agents。
第 2 层:合规优先架构 从第一天起就为治理而设计,而不是事后补救。当你从一开始就为可审计性和可解释性构建 AI 时,合规就会成为基础,而不是阻力。你将获得这样的系统:每一次交互都受到监控,策略变更可以离线测试,并且你可以对不同方法进行 A/B 测试。
第 3 层:系统现代化 使用 AI 加速 legacy systems 的现代化。将通常需要数年的工作压缩到数周内完成。
这三层解决的是同一个问题:你不是部署了 AI 然后寄希望于它奏效,而是先修复基础设施,让 AI 能够可靠运行。
滩头阵地策略手册
成功需要先在一个楔子切入点上做深,再做广。先从一个具体问题入手,构建可扩展的解决方案,并尊重治理要求。
让试点成功的关键:
-
使用真实的生产数据,而不是沙盒数据
-
进入 UAT 环境,达到可用于生产的就绪状态
-
选定一个用例,并在该领域证明你的精通能力
需要勾选的三个框:证明这项技术在他们的数据和他们的环境中能够运行。以对双方都具备资源效率的方式完成。确保有真正的高管支持——这个人会因为试点成功而让职业发展受益,而不是某个为了应对董事会压力而走流程打勾的人。
错误的打法:从简单开始。传统观点认为应当从低垂的果实入手。这是本末倒置。证明你能解决简单问题,并不能证明你能处理复杂问题。应从真正复杂的流程开始。构建能够应对复杂性的基础设施。容易的胜利会在后面到来。
当试点真正进入更广泛的部署时,成功的往往是那些攻克了真正棘手场景的人。他们证明了某些真实有效的东西。
每个人都搞错了什么
误区 #1:一次性部署 AI 部署是一个迭代过程。第一个月可能达到 30%,第二个月达到 60%,随着时间推移逐步接近 100%。如果你以第一个月的表现来评判,或者从第一天起就要求达到 100%,你就会失败。
误区 #2:把准确率当作成功标准 对 99% 准确率的执念会让部署过早停滞。真正应该问的问题是:你学到了什么?哪些经验可以应用到其他地方?在有人参与审核的情况下,90% 的准确率通常已经足以投入生产。
误区 #3:Agents 对受监管工作来说风险太高 合规团队担心幻觉和漂移风险。这些担心是真实存在的。它们不是阻碍,而是设计问题。只要有适当的护栏和监控机制,你就可以管理这些风险。
这意味着什么
对于创始人:选择企业 AI 问题中的一个环节,并把它彻底解决。理解客户所处的混乱现实。为这种现实而构建,而不是为理想状态而构建。用真实数据和真实利害关系,把一个切入点真正做好。
对于企业:你寻找的不是最好的 AI。你寻找的是对你的基础设施问题最深刻的理解。这个供应商是否理解你的遗留系统?你的治理要求?你的实际工作流?他们是否为像你这样的公司解决过这个问题,还是只是在套用一种通用方案?
真正实现部署的供应商,是那些理解基础设施的供应商。其他所有人都只能停留在试点沙盒中。