德勤中國創新及數字化服務主管合夥人金科：未來三到五年，財富管理將向全業務場景AI融合與全球化資產配置演進

由北京市通州區人民政府指導，《財經》雜誌、財經網、《財經智庫》主辦的「《財經》年會2026：預測與戰略·年度對話暨2025全球財富管理論壇」於12月18日至20日在北京舉行，主題為「變局中的中國定力」。

12月20日，德勤中國創新及數字化服務主管合夥人金科在會上表示：「面向全業務場景、全鏈路的AI，更廣泛、更深入的應用，毫無疑問是未來三到五年行業非常重要的發展趨勢。」

德勤中國創新及數字化服務主管合夥人金科

從信息化建設的角度來看，大家往往容易忽視數字化轉型的底層要素。今年以來，在推動以大模型和智能體為代表的新一代數智化技術應用的過程中，ROI變得愈發重要。因此，建議財富管理行業相關機構應更加體系化地理解數智化轉型的方法、規律與趨勢，全面把握成功的關鍵要素。

從未來企業組織與流程演進的角度觀察，今年業內討論較多的是「AI組織」的概念。過去，企業組織多基於線下運作，流程線上化后，仍主要圍繞「人」來設計組織結構和業務流程。然而，隨着大模型和智能體在感知、理解、規劃與行動等方面形成閉環能力，越來越多的企業正向「AI組織」演進，人在其中扮演的角色也正發生深刻變化。因此，未來在組織架構與流程設計方面，需要引入新的方法，重新構想組織與流程的未來形態。

在財富管理行業的數智化轉型落地過程中，金科指出，不同規模的機構由於資源稟賦不同，呈現出較大差異。許多規模較小的財富管理機構缺乏對行業未來發展的前瞻性認知，對AI潛在的應用場景尚未形成深刻理解。此外，一個關鍵問題是，非頭部機構由於自身條件所限，在數字化轉型能力方面普遍存在短板。

另一個共性問題在於數據分析和應用能力薄弱。當前，處理多模態數據需要依賴新的方法和工具，而大多數機構在這一領域仍處於空白狀態。在數智化新時代，企業亟需建立從數據底座到數據治理及分析應用的全棧能力。

展望未來三到五年，他表示，包括財富管理行業在內的整個金融行業，將從目前圍繞業務流程、職能部門和崗位進行的架構設計和安排，升級為智能化的流程編排與自主化的價值實現。這一轉變將對所有機構的未來工作模式產生深遠影響，特別是在覈心運營、風險控制以及客户交互等關鍵領域，變化將尤為顯著。

以下為部分發言實錄：

張威：感謝陳總。我們今天的圓桌論壇主題是數智轉型賦能財富管理新生態，換一種説法就是財富管理的數字化轉型，聽陳總講完之后，我終於理解為什麼數智化要放在前面。陳總提到幾個非常亮的亮點，大模型不是工具是生產關係，金融AI進入了生產的場景，還有就是技術夥伴的選擇，相當於方法論。最后有請金老師。

金科：大家好，我是德勤合夥人金科。名字巧合，今天談「金科」——金融科技。過去十年，我們陪跑財富管理行業從數字化走向智能化，發現它的底色是「專業+信任」的服務業。臺上兩位嘉賓來自阿里雲和神州信息，正好也都是我們的生態夥伴，德勤既熟悉行業特性，也沉澱了一套從戰略到落地的數智化轉型方法論。

2016 年，我們推出國內首款 RPA「小勤人」，在銀行、保險、券商等 60 余家機構落地 200+ 流程自動化場景，成為業內數智化轉型的里程碑。十年技術迭代，今年大模型、智能體開始滲透財富管理，但行業生態複雜：銀行系、券商、基金公司、第三方理財、互聯網科創公司同台競技，路徑與成功要素各不相同。

春節后 DeepSeek 爆火，大部分機構的一把手都把 AI 寫進 KPI，大家很迫切擁抱人工智能。可歷史總在重複：信息化時代砸錢建系統，卻忽視數據底座的連通質量；智能化時代再上大數據、大模型， ROI 立刻變成關鍵詞。沒有高質量數據投喂，就沒有高質量洞察；沒有系統級互通，數據就無法順暢流轉。我們強烈建議機構先體系化吃透轉型的方法、規律與成功要素，再談投資。

先看組織。高管層的認知如果還停留在信息化時代，沒玩過豆包、元寶，就很難判斷大模型怎麼投、怎麼訓。跨專業融合人才缺位，決策風險陡升。再看流程。線下搬到線上，仍圍繞「人」設計；如今大模型、智能體已實現「感知-理解-規劃-行動」的閉環，組織形態正向「AI 組織」演進，人機協同成為發展趨勢。未來架構與流程必須引入「智能體編排+人監督」的新範式，崗位拆解到任務級，用數字員工 SLA 衡量協同。

AI 三要素里，目前看來數據是最大短板。機構缺的不是算力，而是高質量數據資產與治理體系。只有把數據、算力、算法同時升級，才能讓大模型持續產生業務價值。

一句話，數智化轉型不是買系統、煉模型，而是系統性重塑數據、組織與流程。德勤願做長期陪跑員，把技術熱度轉化為客户體驗、員工效能與股東回報。我的分享先到這兒，謝謝。

張威：感謝金老師，剛剛聽金老師説2016年的時候就有相關創新的產品出來，這個領域的涉足已經有將近十年了，從您這邊開始我們進入互動環節。第一個問題是財富管理的數智化轉型最核心的落地痛點是什麼？怎樣去平衡技術落地成本和業務提質增效的實際效果？

金科：當前財富管理生態主要包含銀行、券商、基金以及第三方理財等機構。銀行系資源最厚，人、財俱足，今年上半年多家大行已搶跑大模型、智能體。它們的核心矛盾是「舊業務+舊系統」如何與「新技術+快迭代」同頻，遺留架構不拆，新能力就長不進去，轉型升級容易卡在「嫁接層」。

頭部公募今年把火力集中在前端獲客、智能投顧、客服機器人等場景，成效初顯；但腰部以下公司仍在外圍打轉。上周我們在杭州與一家中等規模基金公司覆盤，CIO 拋出26年 AI行動計劃，領導一句「沒有新意」直接打回。癥結是對AI應用場景缺乏前瞻性分析：量子計算做風控、隱私計算做合規，這些頭部公募已悄悄跑通 PoC，非頭部機構若缺少對前沿技術、解決方案的「雷達系統」，就只能重複造輪子。

更關鍵的是能力缺失。信息化部≠數字化部，傳統金融機構若缺少數據工程、算法科學家、大模型專家等「新工種」，內生動力起不來，就必須通過生態補位：與科技廠商共建聯合實驗室、共用行業雲算力、分享合規沙箱，把能力「外包」變「內嵌」，否則AI項目永遠停在 PPT 階段。

共性問題還是數據。大家都知道數據值錢，卻缺「高純度礦石」。大部分機構仍然使用 Excel+SQL 的「冷兵器」，面對語音、圖像、研報、輿情多模態數據束手無策；建垂域大模型要先完成「數據原子化+向量可計算」，大部分機構這塊目前仍處在空白階段。新技術有新規律：儘管數據多多益善，但「可計算、可反饋、可沉澱」才能產生複利。

去年我們做了跨行業 AI 應用指數，TMT、高端製造業領跑，金融落在 45°線中段——有試點、有預算，但成效尚未衝到第一梯隊。如何把「金融場景」翻譯成「AI 語言」，仍是傳統財富管理機構共同的功課。先分享到這兒。

張威：感謝金老師，業務模式和技術的結合需要時間，有些機構對於AI的理解包括對數字化能力都是需要一個時間的積累和沉澱，包括對數據分析。

張威：感謝楊主任，主任講到特別重要的是數據和風險的，數智化轉型的過程中，客户的數據安全和隱私保護是核心底線，主任提到了監管的一些思路，行業應該如何兼顧數據應用效率與合規管控呢？

金科：我補充一下，在數智化轉型過程中，兼顧數據應用效率與合規管控，需以合規框架為基礎、技術創新為核心、管理優化為保障，結合行業政策要求與自身業務特性來落地，具體策略可從以下四個方面考慮：

1. 錨定合規底線，搭建適配的合規管理體系

◦ 緊跟政策完善制度：對標《數據二十條》《推動數字金融高質量發展行動方案》等政策要求，建立覆蓋數據採集、存儲、處理到應用全流程的合規制度。明確各環節的數據責任主體，比如在數據採集環節要獲取客户明確授權，跨境數據傳輸需滿足監管備案等要求，從源頭規避合規風險。

◦ 分級分類精準管控：按照數據敏感程度，將客户數據劃分不同等級，像核心的身份信息、資產信息為高敏感數據，普通諮詢記錄爲低敏感數據。針對高敏感數據採取最高級別防護與嚴格使用審批流程，低敏感數據簡化流通與應用流程，在合規基礎上提升應用效率。

◦ 搭建合規審查機制：設立專門的數據合規審查部門，在數據應用相關項目落地前開展合規評估，項目運行中進行定期巡檢，出現違規風險時及時預警並整改，讓合規管控貫穿數據應用全周期。

2. 依託技術創新，實現安全與效率的雙向賦能

◦ 運用隱私計算等安全技術：採用聯邦學習、差分隱私、可信執行環境等隱私計算技術，可在不泄露原始客户數據的前提下，開展數據建模與分析。比如金融機構可通過該技術聯合多方數據做風控模型訓練，既提升風控模型精準度，又避免數據外泄，兼顧數據共享應用與隱私保護。

◦ 落地本地化技術部署模式：參考券商大模型應用的主流模式，對核心數據相關的數智化系統進行本地化部署，所有客户數據均在機構內部系統處理，杜絕數據流出風險。同時搭配RAG技術、向量數據庫等提升模型輸出精準度，讓本地化的數據處理既安全又高效。

◦ 搭建智能風控與安全防護系統：搭建AI驅動的智能風控系統，實時監測數據使用行為與異常交易，快速識別非法數據調取、數據泄露等風險並自動攔截；還可藉助區塊鏈技術搭建數據交易平臺，實現數據交易全流程可追溯、不可篡改，提升數據流通的安全性與可信度，同時提高數據交易效率。

3. 優化數據治理，夯實高效合規應用的基礎

◦ 統一數據標準與治理規範：解決數據格式、標準不統一的問題，搭建企業級統一數據中臺，整合分散在各業務板塊的數據，建立標準化的數據處理流程，提升數據質量與互操作性，讓數據能快速被調取與應用，提升應用效率。就如頭部券商搭建高安全、高可靠的統一數據存儲系統，為數據高效應用提供支撐。

◦ 合理分配治理投入佔比：提升數據治理在整體IT投入中的佔比，改變當前部分金融機構數據治理投入佔比過低的現狀，加大對數據治理技術、人才的投入，完善數據治理體系，從根源上保障數據在合規範圍內高效流轉。

◦ 建立數據全生命周期管理：從數據產生到銷燬全流程進行規範化管理，對數據存儲期限、流轉路徑、使用權限進行明確限定，通過數字化手段實時監控數據狀態，既避免數據冗余影響應用效率，又能防止數據違規使用。

4. 聯動多方力量，構建行業合規高效應用生態

◦ 強化跨部門協同監管：推動金融監管機構、網信部門、公安機關等多方協作，構建跨部門執法體系，加大對非法買賣、竊取客户數據等行為的打擊力度，為行業數據合規應用營造良好環境。

◦ 參與行業數據交易體系建設：積極接入合規的行業數據交易所，依託交易所明確的數據交易規則與定價機制，開展合法的數據交易與共享。藉助交易所的資源整合能力，快速獲取合規數據資源，提升數據應用效率。

◦ 探索行業數據共享機制：在監管牽頭下，行業內機構共建安全可信的數據共享體系，在客户授權前提下，實現特定場景如信貸審批、風險覈查的數據共享，提升行業整體數據應用效率與服務能力。

張威：感謝金老師跟徐總從行業的視角聊了一下我們怎麼規避風險。

張威：感謝陳總，時間還有六分鍾，最后提一個問題，三到五年財富管理數智化轉型的核心趨勢以及未來的格局，包括機構和從業者應該如何提前佈局。有請金老師和徐總準備一下。

金科：3-5 年其實已算「長周期」。德勤亞太區剛做完「2030 數字化」暢想，我們內部已經在思考：AI 之后是什麼？答案清單里出現具身智能、量子計算、空間技術。技術換擋提速，財富管理行業的數智化卻仍征途漫漫：獲客、投研、風控、運營全鏈路，截至今年底仍 80% 處在 POC 階段，成功樣本稀疏，失敗覆盤扎堆。下一程，誰能把單點 POC 拼成「全場景、全鏈路」的 AI 流水線，誰就能拿到 3-5 年里的優先通行卡。

運行邏輯也將被重寫：從「流程-部門-崗位」三級樹，升級為「智能編排+自主價值交付」的立體網絡。核心運營、風控、客户交互將最先被「算法值班、數據跑路」顛覆，崗位顆粒度細化到任務級，人機協同 KPI 寫進 SLA。

再看全球配置。境外市場，美國、香港、新加坡等已把數字貨幣、穩定幣打包進高淨值組合，催生新的行業生態和數字化場景；國內監管雖呈現差異，但隨着新一輪的中企出海，客户全球資產配置的需求外溢，反向倒逼機構提前搭建「可跨境、可擴展、可合規」的數字底座。未來3-5 年，誰能把境外新資產、新風險、新合規要求翻譯為 AI 可執行的「場景腳本」，誰就能在下一輪競爭中提前撞線。

張威：感謝金老師。

張威：本場討論到此結束，感謝各位嘉賓的精彩發言，也感謝各位的聆聽。