银行业如何借助AI智能体实现智能自动化跃迁
AI智能体正在引领银行业的AI变革之路，但要实现其在银行业的全面部署，可能需要全新的思维方式及对现有流程和工作机制的根本性重构。
AI智能体革命正当时
科技巨头如Amazon¹、Google²、Microsoft³、Nvidia⁴和Salesforce⁵正在将AI智能体融入其产品和解决方案中，或许预示着智能自动化领域的一次重大变革。
AI智能体可自主推理、执行复杂任务并达成预设目标，能够在包括信贷审批、资金管理及欺诈检测⁶等多个银行业务流程中释放更高效能。这一转变是银行自动化发展的自然进阶。在本质上，AI智能体是对机器学习、传统AI模型和生成式AI基础的扩展与提升。
不过，AI智能体在银行业的真实应用仍处于初期阶段，尚不普遍。面临的核心挑战包括：监管合规问题、模型相关风险、访问及控制要求、隐私复杂性、伦理风险以及系统性偏差⁷。此外，当前AI智能体工具与通信的标准尚不成熟，银行的传统系统和薄弱的数据集成机制也可能增加部署难度。为将AI智能体嵌入流程，尤其是在那些自动化历史较短的工作流程中，往往需要进行大刀阔斧的重塑。
尽管如此，银行已难以忽视AI智能体所带来的潜力。为了深入了解银行应如何把握这一转型机遇，德勤采访了多位科技专家及德勤自身的专业人士（详见研究方法）。要真正释放这项技术的价值，银行或需运用全新的战略思维。优先选取高影响、低风险的应用场景，将是验证其潜力的关键一步。
新一代“变革智能体”的崛起
AI智能体系统的核心是具备“行为能力”（agency）的自主AI智能体，即能够主动采取行动、以实现目标为导向的AI实体⁸。这类系统通常基于大语言模型（LLMs）构建，并结合检索增强生成（RAG）等技术9 10，具备在最小甚至无需人为干预的情况下主动执行任务的能力。与其他类型的AI模型相比，它们能够权衡利弊、制定计划、采取行动并实时调整策略（详见图1）。
当前，大多数AI智能体仍集中在搜索、信息检索和洞察生成等相对简单的任务上，因为这些应用易于部署（详见图2）11。而完全自主、可管理复杂工作流程的高级智能体仍处于探索阶段，通常需要定制化解决方案，甚至涉及流程重构。
例如，在了解你的客户（KYC）方面，一个多智能体系统可实现持续的自动化维护：一个智能体负责拉取公开数据，另一个进行风险评分，第三个则提交监管更新——整个过程无需人工接手，但内置审计追踪和干预检查机制。Fulcrum Digital12和Google13等企业已推出相关解决方案，助力编排多智能体KYC流程。
不过，要实现多智能体系统间的无缝协作，可能需采用更适合智能体环境的新通信协议。开放标准“模型上下文协议”（Model Context Protocol，MCP）就是其中一例，它定义了多个智能体在特定环境中如何与数据、工具及其他智能体交互14。基于此，Intesa Sanpaolo正在开发“HenRY”多智能体系统框架，以优化资源管理并增强在不同银行业务场景下的适应性15。
解锁AI智能体在银行业的巨大潜能
部分银行已率先尝试将AI智能体应用于实际业务。例如，BNY正在让AI智能体在代码编写与支付指令验证等领域自主作业16。Mastercard17、PayPal18和Visa19等信用卡公司和支付服务商也在试水“智能体型商务”——AI智能体代表客户完成交易。此外，摩根大通近期推出了“LAW”（Custody and Fund Services Contracts的法律智能体型工作流），这是一个构建于语言模型基础之上的AI智能体解决方案20。LAW由多个专业智能体和领域工具组成，协助法务团队处理复杂法律文件，在多项查询中实现了92.9%的准确率21。
越来越多金融机构正在扩充团队以把握AI智能体的机遇22，银行对AI智能体专业人才的需求也在持续增长23。AI智能体的潜力贯穿银行价值链的各个环节，部分领域如账户服务因已有自动化基础将更易受益；而在如客户开户等需大量人际互动的流程中，影响可能相对有限。
打击洗钱：AI智能体的典型用例
当前的AI机器人虽然已能识别可疑的反洗钱（AML）行为，但通常仍需人工介入。AI智能体有望彻底革新这一流程：它能够独立分析数据集，从新兴的欺诈模式中学习，并基于实时市场动态做出明智判断。
试想一个应用于AML调查的多智能体系统（见图3）：智能体A审查监控系统生成的警报，识别违反的规则；智能体B分析当前与历史交易记录；在二者分析基础上，智能体C撰写调查报告并提出行动建议。随后，人工可进行验证，并指派另一智能体自动将可疑活动报告（SAR）和货币交易报告（CTR）提交至相关监管机构。
这些智能体之间可实现自主沟通与协作，几乎无需人工干预，直到最终报告完成并交由人工签署为止。某一智能体可利用RAG和模型上下文协议（MCP）技术进行尽职调查，自动接入与分析金融数据的同时，其他智能体也可并行完成各自任务。
这种方式不仅节省时间，还能揭示人工可能遗漏的隐匿非法活动。
银行如何实现“智能体化”转型？
并非所有AI智能体的应用场景都能带来相同的价值，因此银行应根据业务范围、复杂性、实施难度及监管要求，谨慎选择试点领域24。虽然银行可借助既有的AI转型经验作为良好基础，但要想取得实质成效，还需制定与自身运营实际和战略目标相契合的落地路径。目前，银行可通过以下三种方式将AI智能体引入现有工作流程或更广泛的职能中：
1. 智能叠加（Smart Overlay）
在早期阶段，一个高效的做法是将AI智能体“包裹”在现有定义明确的流程及底层技术之上。无需对系统进行复杂且昂贵的重构，银行便可引入一个智能对话层——由AI智能体驱动的响应式界面，可无缝运行于传统系统之上25。其通过API与系统交换信息，借助如MCP等协议执行任务。例如，对照已有的标准操作流程（SOP），可部署一个执行特定指令的AI智能体，按照SOP“剧本”操作，确保一致性与合规性。
在既有的机器人流程自动化（RPA）框架上构建AI智能体也是一种可行方式。RPA通常用于处理高频重复任务，是AI智能体良好的起步平台。例如在资金管理中，原有RPA或许只执行日常清算，而AI智能体则可将其升级为动态流动性优化器，能自主进行定价与对冲决策，从而提升运营效率与战略价值。
该方法可帮助银行在不更换核心系统的前提下实现近期生产力提升，尤其适用于重复性强、数据量大、任务复杂或风险较低的高影响工作流程（见图4）。
2. 原生设计（Agentic by Design）
在某些情况下，仅靠智能体叠加并不足以实现预期效果——传统系统可能限制了AI智能体的自主性与适应能力。此时，“原生设计”方法便显得尤为关键：即从零开始为特定银行职能或流程构建全新的自主智能体应用系统。
与简单叠加智能层不同，原生设计通过重构流程本身来实现深层次变革，其架构类似于微服务体系，使银行可逐步引入小型、专一的智能体服务。这些智能体虽可独立运作，但又能无缝整合至现有IT架构中。通过逐步用定制化、自主系统替代原有软件，银行可在核心业务中深度嵌入智能体型能力。
第三方解决方案如Akka的Agentic平台26、Microsoft的微型智能体27及Nvidia的NeMo服务28，皆可助力银行构建具备规模性、鲁棒性、确定性的智能体系统29。
3. 流程重构（Process Redesign）
尽管前两种方法具有高度的实用性，但银行若想进一步挖掘AI智能体的潜力，最终仍需重构整体业务流程。这一方式尤适用于当前自动化难度高、实施风险大的战略性核心流程。
流程重构方法通常包括评估现有流程、识别并优先处理“智能体化”潜力高的环节，再以AI智能体嵌入式设计为核心进行再造。通过跳出传统自动化（如RPA）的边界，银行可重新构思更具智能性、适应性和可扩展性的工作流。这种从“渐进式改进”迈向“AI驱动的流程重塑”的转变，将有助于银行实现创新、开拓新营收来源、降低运营风险，并提供更个性化的客户服务。
最终，这三种方式都可推动“隐性智能”的形成，即AI智能体在银行软件及软件即服务（SaaS）平台背后无声运转。通过这种深度集成，银行可打破技术应用壁垒，将预测分析能力自然融入日常业务中，从而增强客户关系并实现即时的战略价值。
需要强调的是，这三种方法彼此并不冲突，可灵活组合应用。管理者应结合自身情况，评估并制定最适合的组合策略（见图5）。
一旦确定AI应用方向，银行应将现有核心系统与新兴AI架构整合30，使AI智能体与传统核心（如COBOL系统）实现协同运行。
当AI智能体架构与数据架构共同植入应用层后，智能体可访问交易历史、客户画像、合规规则等信息，从而实现更流畅的数据流动，并做出更具情境感知的自主决策。
第三方力量将加速智能体化进程
构建AI智能体系统可能需要大量资源与基础设施，远超传统AI项目所需。银行可借助具备成熟工具与经验的第三方技术供应商，从而聚焦于治理、合规与业务成效。
多家科技公司已推出平台，助力大规模部署AI智能体。例如，Amazon已在其Amazon Bedrock平台上推出多智能体协作功能31；Salesforce亦于2024年9月发布了Agentforce，并于2025年5月发布其2dx版本，支持通过API将AI智能体嵌入其他系统32。该公司还计划为银行业推出预构建的角色型AI智能体33。Google推出的Agentspace工具，则整合多个AI智能体、搜索与企业数据于一体，帮助员工在统一平台上完成研究、规划、内容生成及自动化操作34。
此外，一些公司已推出适用于银行业的垂直行业AI智能体解决方案，如Anthropic的Claude35、Stripe用于安全交易的智能体工具包36，以及Arcee专用于信贷备忘单自动化的智能体37。银行亦可借助Agentflow、CrewAI、LangChain、LangGraph等框架构建复杂推理引擎38，或利用n8n39、Zapier40等平台进行工作流自动化设计。
目前尚无单一供应商可提供覆盖所有应用场景的完整智能体套件，银行或需与多家技术提供商建立合作。例如，在支付领域，Mastercard正联合IBM与Microsoft构建智能体型商务能力41；而在平台层，部分厂商正推出支持跨智能体协同的整合平台，ServiceNow则已发布一站式平台，支持多技术供应商的AI智能体统一管理42。
不过，第三方AI智能体也带来挑战，例如系统间互操作性差、标准不一，以及攻击面扩大所引发的系统性风险。因此，银行可考虑构建内部“超级智能体”来统一监管与保护数据，但这往往需对现有系统进行大幅升级。
AI自主能力的高风险领域
尽管AI智能体为银行业带来诸多潜力，但其部署也伴随多重风险：包括运营风险、网络安全、数据隐私、声誉风险、合规风险及法律风险。德勤将在后续报告中深入探讨这些风险。
以网络安全为例，AI智能体高度依赖于通过API访问的各种内部与外部数据。这类系统可能遭遇数据投毒、数据泄露、网络入侵或系统操控等攻击。此外，模型风险同样不可忽视，模型缺陷或误用可能导致不准确行为，包括违规操作或偏见结果，进而引发交易失败、客户信任缺失甚至安全事件。
更进一步，AI智能体还可能引发新的风险类型，例如无限反馈循环、计算复杂性、与恶意行为体交互等问题。有研究指出，AI智能体在现实环境中可能利用程序漏洞、误用既有学习内容，甚至展现与预期不一致的目标43。在大型复杂系统中，AI智能体之间的交互可能产生不可预测的行为，甚至误用API，造成系统性风险。某些情况下，AI智能体可能“失控”，对金融系统造成严重破坏44。
随着AI智能体在银行中的应用不断扩展，监管机构也可能加强审查，要求更严格的数据可追溯性与审计机制，从而推高合规成本与操作规范要求。
因此，银行应制定专门的AI智能体风险管理框架，引入权限边界、合规审查与伦理控制等多层控制机制，甚至借助“数字钱包”等方式限制智能体行为45。
银行接下来应该怎么做？
首先，AI智能体不应被视为独立于银行AI战略之外的项目。它适用于需要主动执行与自主决策的复杂任务，而传统AI则更适合模式识别与预测性任务。两者应各展所长，协同部署。
其次，合规应内嵌于AI智能体的核心逻辑中，而非事后补救。银行应在设计与部署阶段，主动将监管要求嵌入智能体操作逻辑、工作流与监督机制中。通过内置合规护栏、自动风险评估与持续监控，可提升安全性、透明度与问责机制。这也要求合规团队与AI开发团队在设计阶段密切协作，才能打造出可解释、可追溯、可控的AI智能体系统。
支持AI智能体还需强大、可扩展的基础架构。云平台可为智能体系统提供所需的灵活性与算力。此外，随着智能体数量增加，多智能体系统的编排能力也将变得至关重要。
数据质量与可访问性是AI智能体成功的关键。银行应强化数据治理，统一数据标准、质量控制与元数据管理，构建稳定的数据管道，并将数据集中至数据湖或数据网格，确保智能体能顺畅访问与分析。数据溯源能力同样重要——追踪数据来源及其变更路径有助于提升智能体决策的透明度与准确性。
随着AI智能体数量增长，银行还应建立完整的智能体登记系统，记录每个智能体的所有者、使用范围、调用数据集与风险敞口等信息。
推动“人机协作文化”将有助于AI智能体的编排与执行落地。与传统AI或LLM相比，AI智能体的转型更依赖企业文化的变革。银行应逐步转向“AI智能体主导、人工监督”的模式（见图6），培养员工AI素养、增强信任，提升人与智能体的协同效率。
保持“人为干预机制”仍至关重要。尽管AI智能体可带来更高程度的自主性，但在关键决策节点仍应保留人工参与，以提升问责性、降低风险并增强组织韧性。完全自动化在当前监管、伦理及操作环境下仍不现实，因此“人在回路”（human-in-the-loop）机制不可或缺。
有效部署AI智能体还需前瞻性的变革管理措施，涵盖技术实施与组织准备两方面。领导者应积极传达其价值，稳妥管理转型过程，并持续推动企业文化与工作方式向AI智能体模式演进。更进一步，AI智能体的全面整合可能催生组织架构的重构——信息流、决策权与控制机制可能由垂直转向扁平化，使跨职能团队能更高效地与AI智能体协作。
向前迈进
许多银行已在生成式AI和RPA的早期应用中积累了宝贵经验，这些经验可作为AI智能体部署的蓝本。在短期内，银行应聚焦于能带来即时价值的领域。本文提出了三种可行的部署路径，具体选择应结合组织特征、业务背景与战略目标灵活制定。
AI智能体的回报或许需要时间显现，其成效亦取决于银行在数据、云平台及AI基础能力方面的成熟度。在享受速度与效率带来的优势同时，也要充分审视其潜在风险，如隐私保护、伦理问题与合规挑战。通过稳健的治理机制与有序的战略推进，AI智能体有望彻底重塑银行运营，推动卓越运营与业务增长。
作者： Prakul Sharma（美国）、Val Srinivas（美国）、Abhinav Chauhan（印度）
附录
1. Amazon Web Services, “Amazon Bedrock Agents,” accessed June 18, 2025.
2. Sundar Pichai, Demis Hassabis, and Koray Kavukcuoglu, “Introducing Gemini 2.0: Our new AI model for the agentic era,” Google, Dec. 11, 2024.
3. Frank X. Shaw, “Microsoft Build 2025: The age of AI agents and building the open agentic web,” Microsoft, May 19, 2025.
4. Justin Boitano, “NVIDIA and partners launch agentic AI blueprints to automate work for every enterprise,” Nvidia, Jan. 6, 2025.
5. Salesforce, “Agentforce,” accessed June 18, 2025.
6. See research methodology.
7. Based on multiple discussions with experienced Deloitte professionals and external AI experts.
8. Jim Rowan et al., “Now decides next: Generating a new future,” Deloitte AI Institute, January 2025.
9. Jeff Loucks et al., “Autonomous generative AI agents: Under development,” Deloitte Insights, Nov. 19, 2024.
10. Rick Merritt, “What is retrieval-augmented generation, aka RAG?” Nvidia, Jan. 31, 2025.
11. Insights from Deloitte Consulting LLP.
12. Fulcrum Digital, “AI-powered KYC orchestration: Combining LLMs and agent workflows to slash onboarding times,” May 27, 2025.
13. Salomone D and Aishwarya Prabhat, “Build a multi-agent KYC workflow in three steps using Google’s Agent Development Kit and Gemini,” Google, June 17, 2025.
14. Anthropic, “Introducing the Model Context Protocol,” Nov. 25, 2024.
15. Emmanuele Lacavalla et al., “HEnRY: A multi-agent system framework for multi-domain contexts,” arxiv (2024).
16. Isabelle Bousquette, “Digital workers have arrived in banking,” The Wall Street Journal, June 30, 2025.
17. Mastercard, “Mastercard unveils Agent Pay, pioneering agentic payments technology to power commerce in the age of AI,” press release, April 29, 2025.
18. Asish Mohanty, “PayPal releases agent toolkit to accelerate commerce,” PayPal, April 14, 2025.
19. Visa, “Enabling AI agents to buy securely and seamlessly,” accessed June 18, 2025.
20. William Watson et al., “LAW: Legal agentic workflows for custody and fund services contracts,” Proceedings of the 31st International Conference on Computational Linguistics: Industry Track (Abu Dhabi, Association for Computational Linguistics, 2025), pp. 583–594.
21. Ibid.
22. Wells Fargo equity research, “5 key takeaways from CEO presentation, JPMorgan,” May 29, 2024.
23. Evident Insights, “Banks go agentic,” April 17, 2025.
24. Ibid.
25. Based on multiple discussions with experienced Deloitte professionals and external AI experts.
26. Akka, “Agentic AI system,” accessed June 17, 2025.
27. Alex Chris, “MicroAgents: Exploring agentic architecture with microservices,” Microsoft, Jan. 22, 2024.
28. Belle Lin, “Nvidia thinks it has a better way of building AI agents,” The Wall Street Journal, April 23, 2025.
29. Ibid.
30. Based on Deloitte subject matter expert inputs.
31. Sri Koneru, “Amazon Bedrock announces general availability of multi-agent collaboration,” Amazon Web Services, March 10, 2025.
32. Deloitte Digital, “Agent Advantage™ for Salesforce: Integrate AI agents into your teams,” accessed Aug. 1, 2025.
33. Salesforce, “Agentforce for financial services,” accessed July 21, 2025.
34. Google Agentspace, “Transform your workforce with AI agents,” accessed May 18, 2025.
35. Anthropic, “Claude for financial services,” July 15, 2025.
36. Deeplearning, “Agents open the wallet,” Dec. 4, 2024.
37. Ronit Ghose, et.al., “Agentic AI: Finance & the ‘do it for me’ economy,” Citigroup, Jan. 17, 2025.
38. Ankur A. Patel, “AgentFlow vs Crew AI vs Autogen vs LangChain for building AI agents,” Substack, Feb. 27, 2025.
39. N8n, “Flexible AI workflow automation for technical teams,” accessed May 18, 2025.
40. Zapier, “The most connected AI orchestration platform,” accessed May 18, 2025.
41. Mastercard, “Mastercard unveils Agent Pay, pioneering agentic payments technology to power commerce in the age of AI,” press release, April 29, 2025.
42. ServiceNow, “ServiceNow unveils the new ServiceNow AI platform to put any AI, any agent, any model to work across the enterprise,” May 6, 2025.
43. Iason Gabriel et al., “The ethics of advanced AI assistants,” arxiv (2024).
44. Josh Clymer, et al., “The rogue replication threat model,” METR, Nov. 12, 2024.
45. Maxwell Zeff, “Skyfire lets AI agents spend your money,” TechCrunch, Aug. 21, 2024.
