AI 究竟在银行业的哪些领域发挥作用：它并不是你想的那样

每个人都想利用 AI 加快金融业务。你经常会听到：“让我们用语言模型来自动化这个过程。”但是，如果你正在受监管的贷款领域构建任何东西，这种直觉会将你引向歧途。

今天——2026 年 7 月 4 日——随着越来越多的团队争相将 AI 添加到他们的财务工作流中，值得退一步问一问：AI 到底属于哪里？答案可能会让你感到惊讶，尤其是如果你一直认为语言模型应该成为主角的话。

根据最近对真实贷款工作流的分析，一个曾经耗时 2 到 3 周、产出一份 40 页文档的流程，正是公司希望用 AI 自动化的。但大多数团队都搞错了：他们首先选择了语言模型。实际上，语言模型是 最后 且 最小的 流水线的一部分。困难的部分在这之前。

真正的瓶颈

当你真正绘制出一个贷款工作流时，工作会分解为可预测的几个阶段。大多数复杂性不在于起草文本——而在于这之前的所有事情。

困难的部分是：

• 可靠地提取杂乱的文档。 财务文档形式各异：PDF、电子邮件、图像扫描件，有时甚至是手写笔记。在不丢失信息的情况下从中提取数据确实非常困难。
• 将数据提取到规范模型中。 一旦你解析了一份文档，你需要将其内容放入你的系统能够理解的标准结构中。这个映射过程是不平凡的，尤其是当文档使用不一致的术语时。
• 验证和交叉核对数据。 财务准确性意味着检查数字是否加总、日期是否合理、冲突信息是否被标记。这非常费力。
• 进行实际的财务计算。 利息、费用、比率、合规阈值——这些必须精确计算。错误位置上的一个舍入数字可能会毁掉一个贷款决策。

为什么代码处理金钱，而不是模型

关键的见解是：财务计算必须用确定性代码完成，而绝不能由语言模型来完成。模型可能会悄悄地把数字四舍五入错了，不一致地应用公式，或者做出一个看似合理但违反规定的决定。

一个精心设计的系统中的操作顺序是：

1. 代码提取并验证。 确定性软件处理数据解析、提取和验证。
2. 代码进行数学运算。 所有的财务计算都发生在你能够审计和测试的代码中。
3. LLM 起草文章。 一旦数字确定下来，模型就会撰写贷款摘要、风险解释或面向客户的说明。
4. 人类拥有风险决策权。 有真正责任感的人会审查输出并做出最终决定。

这个顺序并不是限制——在诸如 OSFI E-21 等金融法规下，它是唯一允许存在的设计。监管机构不允许 AI 模型拥有决策权；必须由人类来决定。

10% 法则

在银行业真正利用 AI 取得成功的团队并不是使用最大模型的团队。而是那些知道模型应该接触问题的哪 10% 的团队。

如果你的工作流是文档提取、数据提取、验证、计算和报告，那么语言模型可能只负责报告部分。如果你的文档变化很大且模型能够学习模式，那么它也许可以负责数据提取部分。但是关键路径——验证和计算——这些仍然要留在代码中。

这感觉像是一个限制，但实际上这是一种超能力。理解了这个界限的团队会把精力花在困难的基础设施工作上：构建强大的文档管道、设计干净的数据模型、为财务计算编写测试。然后，在最后，LLM 会使输出更具可读性和自然。

不理解这个界限的团队会试图让模型做所有事情，看着它犯错，最后还是得用代码重写——通常是在紧迫的期限内，通常是在错误已经进入生产环境之后。

为什么这在现在很重要

随着 2026 年 AI 炒作的持续，将一切“AI 化”的压力是真实存在的。竞争对手在宣传 AI 功能。高管希望有更快的周转时间。但在金融领域，快速而错误比缓慢而正确更糟糕。

制胜策略并不是通过使用 AI 来加快速度——而是要弄清楚 AI 在你的工作流中真正擅长什么，并正确地完成其他所有事情。这意味着在数据基础设施、验证和合规性方面的投资要与你对语言模型本身的投资一样多（甚至更多）。

结论

AI 在金融领域的吸引力是可以理解的：想象一下将原本 3 周的流程缩短到几个小时。但是，现实的回报来自于了解 AI 真正有帮助的地方，以及需要确定性代码的地方。语言模型在起草文章和从杂乱的输入中寻找模式方面非常强大。对于其他一切——尤其是计算和合规性——它只是一个庞大系统中的脚注。

优点

• 准确性得到保证。 将计算保留在确定性代码中意味着财务决策不会依赖于 LLM 的运气。
• 内置了监管合规性。 OSFI E-21 和类似的框架要求人类拥有决策权；这种架构满足了这一要求。
• 真正的问题得到了解决。 数据提取和验证很难；将工程精力集中在那里可以解决实际的瓶颈问题。
• LLM 输出的质量更高。 当模型只处理文章时，测试、审查和审计其输出会更容易。
• 系统更容易调试。 当发生故障时，代码和模型之间边界清晰的流水线更容易进行故障排除。

缺点

• 需要架构纪律。 习惯于端到端应用模型的团队将需要重构他们的思维。
• 更复杂的流水线。 分离关注点意味着有更多的组件需要构建、集成和维护。
• 仍然需要领域专业知识。 你不能把整个工作流交给一个机器学习团队；金融领域专业知识是必不可少的。
• 不是“完全自动化”。 最终决定仍然需要人类审查——你无法消除人类审查员。
• LLM 似乎并没有在“做工作”。 模型感觉只是一个大型系统的一小部分，如果领导层期望 AI 成为主要事件，这可能很难推销。

注意事项

本文具有教育意义，总结了一篇 DEV 社区文章的分析。在使用示例中的任何占位符值之前，都应该用真实的、经过验证的信息替换。在设计金融系统之前，读者应该对照官方监管来源，核实关于 OSFI E-21、监管要求和贷款合规性的声明，并咨询法律和合规专家。财务计算和合规性不是试验领域；一定要与合格的专业人士合作。

常见问题

• 什么是 OSFI E-21，为什么它对于贷款中的 AI 如此重要？
• 你如何为财务数据设计文档提取流水线？
• 在贷款工作流中，数据验证步骤有哪些？
• 语言模型能准确处理财务计算吗？
• 为什么一些团队试图用 AI 进行计算而不是用代码？
• 贷款工作流中有多大比例应该由 LLM 来处理？
• 将数据提取到“规范模型”中意味着什么？
• 你如何核对财务文档中相互冲突的信息？

标签

#banking #ai #finance #lending #automation #fintech #regulation #LLM