数字经济时代，发展数字金融已成为金融机构融入时代大变革、构建核心竞争力、实现高质量发展的必然路径。大模型技术作为人工智能的代表性技术，能够为资管企业带来前所未有的效率提升，有着巨大的应用潜力。然而，推进大模型在保险资管领域的应用目前尚面临着多方面的问题和挑战，如何理性看待大模型的能力与局限，找到适合大模型发挥作用的业务场景，以及如何在众多的大模型方案中选择最适合自身发展的路径和方法，都是资管机构在实际应用中需要深入思考和解决的问题。

  一、大模型技术在保险资管领域的应用潜力

  近年来，大模型的对话能力实现了质的飞跃，过去的机器在回答问题时往往缺乏对上下文的理解，而大模型能够理解更长的上下文并进行拟人化思考和回答，具备智慧涌现的特征。这种能力使得人与机器的沟通更加自然流畅，提升了用户体验。在创造能力方面，生成式人工智能不仅能够自动生成自洽的图形、文本甚至代码，还具备优秀的内容创作能力，能够为资管行业提供多样化、高质量的内容创作支持。这种能力极大地降低了AI技术的应用门槛，推动资管行业向智能化、自动化方向发展。

  1.大模型技术发展和应用的政策支持

  当前，大模型技术作为人工智能的重要分支，除算力、算法、数据等条件的日益成熟外，政策支持也成为其快速发展和应用的驱动力。《新一代人工智能发展规划》提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施，明确了到2030年，人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。国家互联网信息办公室联合国家发展改革委等部门发布的《生成式人工智能服务管理暂行办法》是我国首个针对生成式人工智能服务的管理办法，体现了“科学监管、促进发展”的态度，鼓励生成式人工智能技术在各行业、各领域的创新应用，生成积极健康、向上向善的优质内容，探索优化应用场景，构建应用生态体系。

  地方政府也积极出台政策，推动大模型技术的发展。例如，北京、上海、深圳等地纷纷出台政策措施，围绕人工智能大模型加快创新步伐，开展创新算法及关键技术研究，探索通用人工智能新路径。这些政策为大模型技术在资管行业的应用提供了有力支持和保障。

  2.资管行业数智化转型的需求

  资管行业面临着全球金融市场波动性增强、长期资产回报率下行和货币政策持续收紧等挑战，保险资产管理公司寻求优质资产的难度逐渐增大，同时市场竞争日益激烈，对监管响应能力、运营服务能力和投资判断能力等提出更高的要求。

  现代信息技术的快速发展使得数字化建设成为资管行业竞争的新高地。金融科技的发展不仅促进了金融创新，还在提高收益和规避风险等方面产生了实际效果。随着大模型等技术的广泛应用，资管行业的数字化转型进一步加速，推动行业迈向智能化和高效化新时代。

  3.大模型技术的应用目标

  以大模型技术为代表的人工智能应用是保险资管机构开展业务创新、提升核心业务能力的必然选择，当前头部资管机构已基本完成第一代信息化建设，强化创新科技对产品化转型的支持，提升产品设计、产品运营和产品风控等全流程能力，初步实现了业务的线上化和数字化。下一阶段，探索利用最新的人工智能技术，以业务场景的价值赋能为目标，贯穿募、投、管、退全流程，实现低成本、高效率的智能化发展，将成为保险资管行业提升核心竞争力的重要手段。

  一是提升运作效率和承载能力。应用大模型技术，保险资管机构可以提升整体运作效率，实现降本增效。智能化技术的应用能够在业务量增长且不增加人力的情况下，显著提升机构的承载能力。

  二是提升财富管理和客户服务效率。智能技术的支持，使资管机构可以快速进行产品创新，扩大资金流入，为客户提供更优质的服务。

  三是提升投研分析效率和投资管理能力。大模型技术具备强大的数据处理能力，能够提升投研数据的处理效率和投资管理能力。通过智能化分析和决策，保险资管机构可以更准确地把握市场动向，提高投资回报率。

  二、大模型技术在保险资管领域的应用思路

  目前，通用大模型的底层能力还有很大提升空间，大模型技术并不是万能钥匙，再小的场景可能都需要结合多个不同的优化手段来实现，但是随着大模型通用能力的不断提升、垂直领域数据的持续丰富以及企业侧管理机制的不断完善，其在公司客户服务、智能投研、辅助办公等场景中的应用也会越来越广泛。

  1.大模型落地思路

  一是由内到外，先易后难。建议企业先落地对内使用场景，可以从让员工快速体验到大模型特色能力的场景开始，如文稿润色、框架生成、知识问答、摘要总结等，循序渐进地探索大模型的落地，然后再针对更复杂的业务场景搭建人工智能体(AIAgent)或者进行模型的微调。

  二是中台建设，快速验证。目前，大模型产品层出不穷，保险资管机构可以通过中台化能力，快速对接外部不同模型，保证底层模型端和上层应用端的灵活开放，并基于真实业务场景快速验证，持续寻找场景与模型之间的最佳适配组合。

  三是多措并举，强强联合。大模型与原有系统和传统AI技术之间应该是强强联合，大模型作为解决问题的中枢大脑，可以灵活组合不同工具来完成业务目标。这也对企业自身的数字化建设能力提出了更高的要求，企业内部首先要实现多系统间的流程和数据互通，对内部数据和文档进行整合与治理，这样才能让大模型理解并使用企业的工具和数据，与业务流程深度融合。

  四是业技融合，场景共创。大模型技术的落地和推广绝不只是一个技术问题，而是与企业管理机制的转型息息相关，需要业技融合的模式创新。所以，场景共创也是企业内部用好大模型的关键策略之一。企业需要有长远的眼光，开展体系化的顶层规划，建立相应的操作行为规范，形成反馈机制。同时，推动科技与业务部门联合共创，科技部门提供大模型相关的工具和基础设施，并开展培训提升员工对新技术的认知;业务部门基于自身知识和要求，自主进行助手设计和效果评测。通过科技、业务两端的不断积累，企业可持续在应用落地中解决问题，推动规模化应用的落地。

  2.大模型中台设计方案

  企业可以基于大模型应用中台能力，快速选择不同的大模型，设计不同的提示词，配置不同的知识库，连接不同的插件，定制专属人工智能体，快速把底层大模型通用能力传递给上层各个应用，不断试点大模型在企业各场景中的落地。大模型应用中台设计方案如图1所示。

图1 大模型应用中台设计方案

  一是统一大模型接入。大模型应用中台可以屏蔽不同底层大模型接口的差异，实现各种内外部大模型的快速接入，同时通过灵活的模型切换，快速满足业务场景的数据安全要求。

  二是任务可视化编排。通过工作流编排可以保证大模型执行的可控性，同时通过“拖拉拽”式的图形化界面可以轻松构建包含知识库搜索、AI对话、关键词提取、问题分类、工具调用等模块的复杂工作流，扩展构建人工智能体。

  三是智能知识库分析。“大模型+向量数据库”的方式为让大模型应用中台具备领域级知识理解能力提供了可能性。大模型应用中台通过多种知识录入方式，可以在通识域问答的基础上，与公司内部文档和数据充分融合，并通过“向量+全文+重排”的方式进一步提高答案的召回率和准确性。

  四是多渠道快速接入。大模型应用中台支持通过对话窗口、API等方式与企业微信、钉钉以及各业务系统快速集成，方便员工随时随地使用，且其不仅能提供文字响应服务，还支持以图片、文档、音视频、链接等多种形式进行信息反馈，为客户提供全面的知识解答服务。

  三、TXAL大模型成熟度评估模型

  在完成大模型基础能力体系的构建后，国寿投资保险资产管理有限公司(以下简称“国寿投资公司”)开始着手进行不同场景的探索与落地。由于大模型的投入成本较高，对各业务场景效率的提升程度也较大，为针对不同场景进行落地方案的设计，国寿投资公司提出了一套大模型成熟度评估模型(Transformer.X Asset management Likertscale,TXAL)。该模型能够对业务应用侧的各个场景进行大模型成熟度的评判，从而判断该场景的属性和技术路线。

  1.模型设计

  笔者团队认为，大模型落地应用时需要考虑应用收益和应用成本两个维度，其中，应用收益维度用来衡量大模型建设前后的总体收益，包括大模型必要性(解决问题所需大模型相较于传统数字化手段的必要性)、应用重要性(该场景应用的频率、迫切性、重要程度)和预估收益(该场景预期收益在总场景收益中的占比)三个子项，应用收益是上述三项的结合;应用成本维度用来衡量大模型建设所需要付出的成本和风险，包括不可控性(当前公司在该场景下对大模型内容、安全的掌控能力)、技术难度(大模型、技术侧框架本身的不成熟度、落地实施的难度)、预估成本(该场景预期成本在总场景成本中的占比)三个子项，应用成本则是上述三项的结合。通过衡量不同场景甚至具体需求的两个维度，企业可以对该需求进行初步定性，从而确定该需求或场景的具体落地路径。

  2.评分设计

  通过对大模型必要性、应用重要性、不可控性和技术难度四个子项进行专家评分，并结合企业实际调整预估收益和预估成本的比例，即可以得到应用收益和应用成本两个维度的评分，从而在一定程度上体现企业对该场景的重视程度和期望。在完成具体评分后，即可通过0～1标准化将各评分均匀分布在正方形区间内。

  以应用成本维度为横轴，应用收益维度为纵轴，将各个场景需求的坐标量化到坐标系中。以两个维度的中位数为分割线，得到基于成本需求与收益风险因素考量的大模型落地四象限矩阵，从第一到第四象限分别对应着重点建设场景、优先建设场景、优先支持场景、长期建设场景。

  3.结果分析

  参考阿拉丁资管系统的分类维度，笔者团队将利用大模型进行转型的需求分为18个子场景，通过专家打分评估和公司实际情况判断得到一份基于TXAL大模型场景的分布图(如图2所示)。

图2 基于TXAL大模型场景的分布图

  优先建设场景以客户支持、知识分析场景为主，可以以较低的投入博取较高的质效提升。建议企业优先考虑建设相关场景。企业可以在这类场景中使用检索增强生成(RAG)工程，通过智能检索大大拓宽大模型的能力边界，进一步降低成本，提高整体收益。

  优先支持场景分布较广，通常涉及虽不直接促进业务收益但存在显著痛点的场景，可利用提示词工程，根据大模型的快速迭代进行小步探索，从而实现快速响应、大面积覆盖，有效提升组织的灵活性。

  重点建设场景对业务数字化、系统智能化的基础要求均较高，需要业技融合的深度沉淀与反馈方可实现有效建设，但收效巨大。可以预见，未来AI Agent工程技术将连通各个业务和系统，在各机构中进一步提高整体生产效率，实现可观的收益增长。

  长期建设场景属于需要长期投入，但是受技术限制短期收益有限的场景，一般为主观性、灵活性均较强的任务。一旦实现便可以在市场中极大增强竞争力，为企业长期发展提供战略性支持。建议大型机构可以利用微调训练工程进行企业级乃至行业级大模型的研究，从根本上解决场景痛点问题。

  四、大模型技术在保险资管领域的应用场景

  国寿投资公司在2017年成立了内部的金融科技创新实验室，长期跟踪和研究人工智能等创新技术，于2023年完成了大模型应用中台的搭建并不断创新迭代。结合TXAL模型对各业务场景成熟度的判断，国寿投资公司在以下三个典型应用场景持续探索大模型技术的落地应用。

  1.投资研究场景

  大模型技术可以帮助投研人员从海量、分散、庞杂的报告中挖掘关键信息，自动抓取财经、债市、信用等多个市场板块的资讯报告内容，快速获取报告的核心观点、关键数据和市场趋势，分析预测市场交易情况，智能生成资讯报告和投研简报，辅助投研人员进行投资、风控等决策。企业可围绕资管专业知识和相关工具，利用AI Agent实现智能投顾或智能决策，实时检测市场动态，及时调整投资决策，甚至根据风险偏好和收益目标进行组合优化和智能选股，从而获取超额收益。

  国寿投资公司利用大模型中台对投研平台进行了智能化升级，利用大模型的语义分析、智能识别等多种技术，对多源、异构的研究资料进行智能化解析与融合，快速识别热点信息，提高投资研究工作质效;同时从客户维度进行内外部数据的归集和融合，通过中台实现客户行业、评级、舆情、商机、合作等数据的穿透式管理和智能化分析，持续提高客户研究洞察力。

  2.风险合规场景

  风险合规是整个资管行业的核心要务，大模型能够处理大量数据，识别复杂的模式和趋势，从而帮助企业在风险管理、合规检查和反洗钱等方面提升效率。企业可在大模型的通用能力基础上通过使用资管垂直领域的知识和数据用于真伪核验、舆情分析等环节，结合风控数据模型，进行风险模拟与压力测试，对可能发生的风险事件作出预警，实现投前、投中、投后的全流程风控管理。

  国寿投资公司构建了另类投资风险预警分析平台，支持7×24小时不间断监控分析全媒体舆情信息，利用大模型技术自动进行情感分析和风险分类;同时，利用AI技术赋能文档智能比对和要素智能提取，对各类投资报告和投资合同进行相似段落识别和关键要素信息提取，支持标注训练和大模型抽取两种方式，降低人为疏忽带来的操作风险。

  3.协同管理场景

  大模型作为办公助手，具有出色的文本生成能力，可辅助完成报告和文案生成、邮件起草、公文润色、纪要撰写、内容审核、辅助纠错等工作，为员工提供更加便利、快捷的智能办公工具及个性化的智能办公解决方案，大幅提升工作效率。通过AI Agent技术可以使大模型成为中枢大脑，负责收集信息以及根据已有信息进行智能决策，并最终发送相关指令给具体的AI Agent，AI Agent则根据大模型的命令对相应系统进行操作。这也是未来国寿投资公司乃至保险资管行业的应用场景拓展趋势。

  顺应上述趋势，国寿投资公司依托大模型应用中台的灵活能力，在引入通识域问答功能的基础上，将其与公司内部文档和数据充分融合，构建领域级知识理解能力，服务于公司内部员工。目前，智能办公助理场景已上线客户全景洞察、文档智能问答、智能通讯录、翻译专家、多模型体验官、AI搜索等多个办公助手，为员工带来人工智能加持下的全新体验。

  综上所述，大模型技术在保险资管领域的应用潜力巨大，能够极大提升保险资管机构的运营效率，推动业务创新发展。然而，要让这种潜力得以充分发挥，落地场景的选择有时往往比技术本身更为关键，合适的场景能够确保技术的有效运用，实现最大的业务价值。大模型技术与传统技术相比，具有其自身的特殊性，这也要求企业在应用过程中要有全新的认知和视角，开展体系化的顶层规划，进行业技融合的模式创新，通过场景共创进一步推动大模型的深度应用。与此同时，企业在推进技术应用的过程中，也不能忽视大模型技术的安全治理问题，需要加强对网络安全、内容安全以及数据安全等领域的研究，实现大模型技术的可持续发展。

作者：国寿投资“人工智能+”应用工作组