DeepSeek 解決不了 KPI，那些被「卷」到失眠的金融人

在金融業被 AI「煥然一新」之前，金融人可能已經先被「卷」翻了。

——馨金融

洪偌馨/文

「最近不管是上班開會，還是同業聚會，AI 都是一個繞不開的話題。各家都推進了本地化部署，也在探索更多應用場景，有的人很興奮，但更多人在焦慮。」林勇（化名）如是感嘆道。

作為一家銀行技術部門的負責人，他深刻地感受到了這次AI沖擊波來得比以往更快、更猛。

「假期結束一回來，行領導就召集高管們開了幾次會，專門討論AI對銀行的影響，還要求大家都去用一用DeepSeek。各個部門也在研究如何與業務結合，報告材料都寫了好幾輪。」

另一位券商的朋友感嘆，現在賣方分析師和研究員都不夠用了，天天都在給機構客戶做有關DeepSeek、AI 有關的培訓和分享，檔期約都約不上，好久沒有這么火爆了。

事實上，春節以來，DeepSeek 掀起的這場 AI 風暴席卷了各行各業。作為一個信息和數據密集型行業，金融業一直走在數字化浪潮的前沿，也是每一輪科技進化的受益者。

在過去的一個月里，至少已經有 20 多家銀行、40 多家券商和數十家保險公司、基金公司公開宣布接入或已本地部署了DeepSeek，也有機構披露了更多推進 AI 與具體業務和場景融合的信息。

其中，以財富管理領域最為活躍。畢竟，過往用戶們在投資理財上的「體驗不佳」，一部分原因被歸咎于財富管理機構的服務能力，比如，服務半徑有限、理財經理不夠專業；而另一部分壓力則給到了資管機構的投研能力上。

技術的進化被認為是緩解這一矛盾的重要力量，而DeepSeek的橫空出世更讓 AI 投顧有了「白衣騎士」的意味。

只是，AI 能不能拯救財富管理行業于水火，尚待觀望，但理財經理們已經先行一步被「卷」到失眠。

1、AI 可以提升效率，卻解決不了KPI

「萬萬沒想到，還沒被同業卷死，要先被 AI 干掉了」，葉子（化名）感慨道。這種危機感，讓她失眠了好幾晚。

作為一名銀行理財經理，晨會夕會、接待客戶、社區營銷、歸檔信息……這是她每天的固定日程。

在此之外，她必須保持超長待機，以便及時回應來自線上的理財咨詢。

當理財凈值化之后，客戶不再是閉眼入產品，從售前的產品介紹，到售后的陪伴安撫，理財經理與客戶的交互頻率大大提升，這極大地增加了理財經理的工作難度和強度。

因為產品越來越多，葉子每天不僅要學習并消化大量行內提供的「物料」，還要主動給自己「加課」——密切關注市場動態、熱點新聞和行情分析、參與各種培訓以持續提升自己的專業認知和服務能力。

相較于一些年輕稍長的同事，剛剛 30 歲的葉子還算對新事物比較敏感。她是同事里最早開始使用 AI 工具的人，起初主要用來整理一些產品資料、溝通話術和匯報材料，今年也嘗試用DeepSeek 生成過客戶的配置方案。

優點是，文案類工作的效率被極大地提升，跟客戶溝通的響應速度快了很多。但缺點是，她并不能完全放手交給 AI，要反復核實和驗證對外發出的信息。

「幻覺問題依然嚴重，比如數據錯誤、偷換概念的情況時有發生。」

盡管已經非常努力，但葉子的焦慮感仍在加劇，「畢竟人腦拼不過AI。」

近日，據媒體報道，易方達基金投顧團隊用AI大模型進行了一次試驗，讓本地部署的DeepSeek-R1參與了一場專業的顧問知識「考試」，所取得的成績和經歷過系統性培訓的從業者相當，明顯優于新手。

「這只是一個開始，AI在客觀知識、簡單邏輯方面優勢明顯，盡管在復雜問題的回答上還有待加強，但這已經超越了目前大多數理財經理。」

一名財富管理機構負責人認為，AI 拔高了對理財經理的專業要求，當基礎能力可以被機器替代后，理財經理們需要進一步提升自己的價值。

「做了這么多不一定對銷售有提升，但不做肯定完成不了 KPI。」葉子有些無奈，除了存款、基金/保險/理財銷售等各種定量的指標，還有維護客戶、過程管理、綜合能力等定性的指標。

「KPI變得越來越細、越來越重。」

最近看到過一個數據，某區域的銀行基層員工的考核指標在五年里增加了217%，雖然這可能無法反映銀行業的全貌，但足以說明一定問題。

縱然，AI可以提升效率，但卻解決不了 KPI，只會帶來更激烈的行業內卷。

巴菲特在1985年致股東的信中就曾分享過一個經典案例：

克希爾哈撒韋旗下紡織業務在技術升級之后，并沒有如預想中那樣，提升競爭力然后增加營收。反而因為推動了全行業產能提升，導致競爭愈發激烈、產品價格不斷壓低，最終行業利潤被攤薄而帶來了生存危機。

理財經理們的處境只是這輪AI浪潮下的一個縮影。面對技術變革的宏大敘事，個體價值被重構。

2、從口號到落地，還有多遠的距離？

AI 引爆產業變革的序幕才剛剛拉開，市場上洶涌的情緒讓人振奮，也讓人不安。

更重要的是，并不是所有的理財經理都有這個意識和能力像葉子一樣主動地去擁抱 AI、擁抱變化。

另一位40+的理財經理朋友就向我表示出了更多的困惑和質疑。周遭的同事都在討論 AI，行里似乎也很重視，但他并不太相信AI可以取代人的角色，尤其是與「錢」相關的事情上。

他與自己的老客戶們關系緊密，大家找他買理財產品、給投資建議，更多是出于十幾年交往下來的信任。「都是幾十、幾百萬的資金，不是機器給出專業建議就可以托付的」。

「中國是人情社會，這在一二線以外的城市體現的更為明顯。理財經理往往拼的是資源、是關系，專業能力只是加分項，這也是為什么很多一線員工對于AI 的熱情并不高，甚至還會有些抗拒。」一位券商財富管理部副總如是總結到。

這也是他對金融機構接下來的AI變革并沒有那么樂觀的原因。

在他看來，金融業務的鏈條太長，與AI技術的融合本身就很復雜。再加上，不同城市和地區、不同客群，對于理財的需求和理解差異巨大，理財經理對于AI工具的掌握程度也有高低，這些都是待解的問題。

事實上，他的觀點也代表了相當一部分金融人對于 AI+金融的態度。

中信建投非銀及金融科技的首席分析師總結了傳統金融機構的數字化轉型面臨三大核心矛盾：

一是頂層設計層面自上而下「以客戶中心+數字化轉型」的長期戰略目標，與一線人員層面自下而上短期業績KPI考核的矛盾；

二是公司數字化戰略轉型的長期價值，與短期財報壓力的矛盾；

三是成熟金融機構優勢業務體量巨大但增速放緩，與創新業務增速雖快但占比太小的結構性矛盾。

顯然，在后DeepSeek時代，這些矛盾會愈發凸顯。

3、金融業的「DeepSeek時刻」何時到來？

如果說移動互聯網時代，金融科技的廣泛應用是極大地提升了金融業的運行效率、優化了作業流程和用戶體驗，那么此番 AI 帶來的則是對金融機構自上而下生產方式和邏輯的顛覆，以及由此引發一系列的組織變革和業務重構。

毫無疑問，DeepSeek 加速了這個進程的發生。

DeepSeek不僅降低了 AI 大模型的部署和使用成本，更是在短短時間里，完成了一場全民的 AI 科普。用戶側的使用激增又倒過來推動了產業的爆發，形成了正向循環。

但在金融業，這個「DeepSeek時刻」還遠未發生。

「由于接入大模型的門檻本身并不高，所以幾乎頭部的金融機構都已經行動，這更多是一種姿態。」

一位銀行業高管認為，真正的挑戰在于本地部署之后，如何訓練、如何使用、如何跟業務結合，而現實是大多數金融機構都還沒有摸清門道。

據了解，目前金融機構對于 AI 大模型最普遍的應用仍是在信息處理方面，部署DeepSeek 也是開放給員工查詢資料、輔助工作。

在他看來，不管是算力成本的降低，還是「技術平權」，都意味著掌握或者獲取 AI 通用能力不再是門檻，但如何導入自己的數據以「投喂」和訓練模型，并結合不同的業務場景和需求點，最終形成一個可以直接使用的產品、工具才是門檻。

這位銀行業高管提到的痛點，其實在 AI 與產業融合的過程中并不鮮見。

據一位AI專家介紹，從部署模型到產出工具大概可以簡單分為三個環節：輸入、執行和輸出。

金融機構接入通用大模型只是第一步，還需要跟內部數據庫和文檔整合；然后結合不同的業務場景和具體需求，往往需要調用多個模型去執行多個指令，這都是需要本地化解決，最后才是輸出使用。

比如，通用大模型的輸出形式，典型如，豆包、kimi、DeepSeek 這樣的聊天機器人。

但在金融業務的鏈條中，基于不同環節和需求，輸出的產品和工具，形式就很多樣了，可能是不同的 AI Agent。

所謂AI Agent（人工智能代理），是一種具備自主性、環境感知能力和持續學習能力的人工智能系統。其核心特征是通過與環境互動收集數據，獨立規劃任務路徑、調用工具并執行決策，最終在無需人工干預的情況下實現預設目標。

「簡單來說就是把 AI 能力、對應的數據、具體的需求及解決方案封裝在一起，對于使用者來說，他只需要給出指令便可以得到結果。」前述 AI 專家認為，只有到了這個階段，金融業的「DeepSeek時刻」才有可能真正到來。

只是，金融機構有其特殊性，不管是訓練模型還是生成產品，很難完全交付給外部機構去完成，但如果依靠體系內的員工要想在短期內實現這一系列復雜的工作，并不現實。

因此，也有一些業內人士認為，跟海外市場，或其他垂直行業一樣，未來也會有一些針對金融業的AI Agent 平臺或技術服務商出現，以推動金融業與 AI 加速融合。

但就目前來看，「在相當長一段時間里，AI 之于金融業更多還是助手的角色，對內不對外、輔助不決策」，前述某財富管理機構負責人如是總結到。