在人工智能深度渗透金融业务全链条的同时，监管新规已锚定治理方向，开启可信智能金融建设新阶段。

2026年6月，国家金融监督管理总局发布《关于银行业保险业人工智能安全开发应用的指导意见》（以下简称《意见》），从治理架构、开发应用、数据治理、算力建设、风险管理等方面提出32项具体要求。

这份文件的关键意义在于，首次将银行业保险业人工智能（AI）应用从单纯的“技术命题”上升为系统性的“治理命题”。在“十五五”规划纲要明确部署人工智能等科技战略、数字金融助力金融强国建设的背景下，《意见》为银行业保险业的智能化转型划定了清晰的路径。其核心要义是构建一套以责任为基石、以能力为支撑、以风险为边界的“可信智能金融”体系。

一、AI金融治理迈入制度规范新阶段

近年来，AI大模型在金融机构加速落地。从智能客服到信贷审批，从理赔定损到投资顾问，AI应用正渗透金融服务的各个环节。例如，部分大型银行AI应用场景已覆盖数十个核心业务环节，保险机构也在核保、定价、反欺诈等领域深度试水。与此同时，相关风险挑战也如影随形，如模型黑箱导致的决策不可解释性、训练数据偏差引发的算法歧视、数据跨境流动引发的隐私泄露风险，以及智能投顾策略趋同可能放大的市场顺周期效应。这些问题早已超越信息技术治理范畴，直接触及金融稳定与消费者权益保护的底线。

有些问题更值得探讨。当算法开始参与信贷审批、保险定价时，传统金融监管运行所依赖的责任分担与追责链条是否依然有效？当模型的一次参数更新就可能改变数万笔交易结果时，以事前审批为主的监管工具体系是否仍然适用？可以说，现实暴露的风险已经为金融行业敲响了警钟。如果AI辅助审批的结果无法向监管部门和客户解释清楚，金融机构面临的将不仅是技术挑战，更是声誉和合规的双重风险。有鉴于此，《意见》及时出台，致力于破解上述深层矛盾。

《意见》是全球范围内首个由金融监管部门发布的全行业AI应用指导文件。相较于欧盟《人工智能法案》的跨行业通用立法并侧重技术性分级监管的模式，以及美国以行政令的原则性框架指引的做法，《意见》更聚焦金融场景的落地可操作性，以金融机构为主体、以业务流程为线索、以风险为导向，将治理要求嵌入日常管理之中，而非单独搭建独立于现有管理体系之外的监管框架。这种选择的底层逻辑在于，AI金融应用的风险主要不在技术本身，而在技术嵌入具体场景后的“叠加效应”。一个在测试环境中表现优异的模型，进入真实金融场景后，可能因为数据环境变化、用户行为存在不确定性而产生完全不同的风险表现。因此，脱离具体场景谈AI金融应用安全，缺乏实际监管指导价值。

二、三维构建可信智能金融治理体系

《意见》以治理、能力、风控为三大核心支柱，构建了覆盖顶层设计、技术底座、风险约束的完整治理框架，形成“治理为纲、能力为基、风险为界”的三维体系。

治理为纲，即确立“负责任创新”的顶层规则。《意见》最鲜明的特征，是将治理提升到“统领”地位，率先回答“谁对AI负责”这一根本问题。《意见》明确要求董事会设立专门委员会统筹负责，将AI治理从技术执行层面提升至战略决策层面。对金融机构而言，这意味着AI不再是技术部门的单一职责，而是需要业务、风险、合规、数据等多条线协同作战的系统工程。这也是从技术驱动到战略驱动的范式转换，确立了“先有治理框架，再启动开发应用”的原则。

同时，“谁使用谁负责”原则的确立更具深意。无论是自主研发还是外部采购的模型，最终责任主体都是金融机构本身。这背后是一个关键的治理判断：AI金融应用不是标准化产品，而是深度嵌入业务流程的决策工具，外部厂商无法为具体场景中的风险兜底，责任必须由最理解业务场景的机构来承担。

此外，《意见》要求建立覆盖需求分析、数据准备、训练开发、部署运行、维护迭代、评估退出的全生命周期管理体系。特别值得注意的是“评估退出”环节，它要求模型须有明确的退出标准与流程，并非上线后就万事大吉。配合绩效评估与责任追溯机制的建立，《意见》实质上是在构建一种“算法问责制”，让每一个自动化决策都有据可查，每一个模型迭代都有迹可循，每一项责任都能落实到人。

另外，文件还特别提出完善人机协同的业务管理流程，科学设定AI的功能边界和权限。这意味着，在相当长一段时期内，金融AI的应用形态不是“机器替代人”，而是“人驾驭机器”。明确这一点，对于防止技术乐观主义导致的过度信任、盲目放权，具有重要的现实约束意义。

能力为基，即夯实模型、数据、算力三大技术底座。在治理框架搭建之后，金融机构核心能力建设便是决定AI应用能走多远的基础。《意见》从模型、数据、算力三大支柱入手，系统勾勒了能力体系的建设路线图。

在模型开发层面，鼓励建立一站式开发平台，推动AI能力模块化与标准化，避免各业务条线的重复建设，同时将安全合规要求嵌入开发全流程的约束规则中。对生成式AI模型实施准入管理：外部引入生成式AI模型需经网信部门备案。这一安排既为创新保留了通道，也在入口处设置了安全门槛。

在数据治理层面，要求推进高质量数据集建设。传统数据治理侧重结构化管理，AI应用则对多样性、标注质量、分布均衡性提出更高要求。数据偏差是算法歧视的重要源头，而金融领域的歧视性决策可能引发严重的公平性问题。《意见》明确将个人信息保护作为数据治理的红线，要求不得将姓名、身份证件号码、手机号码等个人敏感信息用于生成式AI模型训练。同时，《意见》提出支持金融机构开展知识工程建设，推动从“数据囤积”向“知识萃取”的跨越。因为只有将沉睡在数据库中的信息资产，转化为人机共享、可调用、可复用的“智慧资本”，才能体现出数据治理的真正价值。

在算力建设层面，《意见》明确按需布局、自主可控、云化管理的要求，并鼓励大型机构向中小机构输出算力服务。这表明监管层已敏锐观察到，智能算力正成为一种新型关键基础设施，其分布格局将直接影响行业竞争生态。监管层通过倡导共建共享，可以防止“算力鸿沟”加剧金融服务供给的“马太效应”，推动形成普惠、高效、安全可控的行业算力底座。

风控为界，即建立分类分级的安全管控机制。《意见》最核心的创新在于风险分类分级管理，依据场景重要性、应用规模、对客影响度等指标进行差异化管控。其价值不在于给技术本身贴标签，而是给“技术+场景”的组合划定风险等级。同一个模型，用于客服问答和用于信贷审批，风险截然不同。监管层没有对AI金融应用进行“一刀切”，而是承认技术中性，要求审慎确定使用场景。

《意见》明确界定，涉及资金交易、信贷审批、承保理赔等核心决策环节的应用为高风险。此类应用须经风险管理委员会批准，须建立人工监督与干预机制，明确紧急停用条件，准备备用系统或人工替代流程。这一机制为高风险场景的“黑箱”模型装上“紧急制动阀”，确保极端情况下人的最终决策权不被技术替代，核心金融决策的“方向盘”必须握在人手里：AI可以辅助导航，但不能取代驾驶员。

同时，分级管理思维进一步延伸，形成对供应链与外包风险的系统管控，要求对外部合作开展穿透式风险评估，防范过度依赖单一服务商的集中度风险。当前不少金融机构在AI领域与科技企业深度合作，一旦核心供应商出现技术故障或服务中断，影响面将远超传统信息技术外包。《意见》的这一要求，既是对供应链安全的未雨绸缪，也是对行业生态健康的长期考量。

《意见》提出的增强稳健性、提高透明度、促进可解释性、保障伦理公平等要求，表面看是技术规范，实质上是重塑用户信任的价值准则，其核心关切在于保障金融消费者的知情权、公平交易权和自主选择权。《意见》要求对AI生成内容进行显著标识，并主动向消费者说明；明确规定可解释性不足的AI技术在高风险场景下仅能作为辅助工具，须由人工进行最终决策；当AI决策涉及用户权益或有实质性财务影响时，必须设置人工复核节点，完整保留原始数据、推理路径及阈值触发记录。这些内容直指算法黑箱对公平性的潜在侵蚀，旨在对算法决策权力形成透明化、可追溯的约束机制，让技术决策的过程经得起监管审查与用户质询。

尤其值得关注的，是《意见》对伦理道德与公平性的规定。《意见》禁止滥用AI技术生成虚假信息、操纵市场价格，要求建立伦理审查评估制度，审查数据集以防范针对特定群体的算法歧视。这表明，在金融领域应用AI，不仅要计算效率与风险，更要评估其伦理成本与社会外部性。只有稳健、可解释、符合伦理的模型，才是真正契合金融安全要求的可信模型。

三、行业转型趋势与监管展望

《意见》要求金融机构在应用面向公众服务或高风险场景的生成式AI前须向监管部门报备，并建立年度评估与持续监测机制。这事实上反映出，面对快速迭代的AI技术，传统监管的“立法、检查、处罚”的静态监管模式已难以适配技术迭代节奏。监管部门本身也需要成为学习型组织，在动态监测中不断校准尺度。

同时，《意见》强调加强监管人才队伍建设，着力培养兼具金融业务理解力与技术洞察力的复合型监管人才。这也直面了智能时代金融监管最根本的矛盾：无论监管工具如何先进，最终的执行主体仍是人。只有监管队伍的能力与AI技术的复杂度同步提升，才能真正做到“看得懂、管得住、用得活”，既防止监管真空酿成风险事件，也避免监管过度而影响创新活力。

归纳来看，对金融机构而言，《意见》落地意味着更高的合规要求和更重的管理责任。但从长远看，清晰的规则比模糊的空间更有利于行业发展。AI在金融领域能走多远，不仅取决于算力有多强、模型有多大，更取决于能否在效率与安全之间找到动态平衡。可以说，《意见》以治理为纲确立方向，以能力建设夯实根基，以风险分级划定边界，以透明可信重塑信任，以动态监管保驾护航，旨在建设负责任、可信任、高效率的智能金融新生态。

原文载于《英大金融》2026年8月