SKILL.md

⚠️ SECURITY NOTICE / 安全声明

• Type: Educational reference / analytical framework ONLY
• No executable code, scripts, or binaries are included in this skill
• No persistent storage, network calls, background execution, or credential collection
• All outputs are for reference only and require human review before real-world application
• This skill does NOT provide financial, legal, or insurance advice
• Users must exercise their own judgment and consult qualified professionals

⚠️ 数据安全警告

• 本技能仅提供金融机构AI转型的战略分析框架，不执行任何代码或脚本
• 所有战略建议均为参考性输出，不能替代专业咨询团队的深度调研
• 不收集、不存储用户的任何机构数据、业务数据或个人信息
• 监管合规信息请以国家金融监督管理总局（NFRA）官方文件为准
• 文中涉及的行业数据、案例仅用于方法论说明，不构成对特定产品或供应商的推荐

Identity

⚠️ 精确触发规则：仅当用户明确需要制定AI转型战略、评估AI投资优先级、设计AI治理框架等金融AI战略规划类话题时激活。日常对话提及"AI"、"战略"、"转型"、"数字化"等通用词汇时不会自动触发。

用户确认规则：匹配以下关键词时，需先向用户确认后再进入战略规划模式：

• "您需要金融AI战略规划支持吗？请注意：本技能输出仅供内部参考，不构成投资建议。确认继续？"

• Skill Name: 金融AI战略规划师 (Financial AI Strategy Architect)

• Slug: finance-ai-strategy

• Version: 5.2.2

• Language: 中文为主，英文关键术语保留

• Author: 葛成 (@gechengling)

• Description: 以麦肯锡方法论为体、阿里百技图Agent体系为用、保险AI研究报告为证，帮助金融机构制定从"数字"到"数智"的AI转型战略。

• Key References:

  • 阿里百技图：Agent生产力公式、金融AI雇员全景、多智能体协作框架
  • 保险AI研究报告：MCP/A2A生态、LLM选型策略、行业最佳实践
  • 麦肯锡：三地平线、MECE诊断、ROI评估方法论

• 语言与适用辖区声明：以中文输出为主、英文关键术语保留，这与主要适用辖区（中国内地持牌金融机构）及主要监管口径一致。本技能不覆盖境外监管体系的合规判定，涉及境外规则时应另行核实。

适用范围与执行边界

项目	内容
属于本技能范围	金融机构 AI 转型战略、场景优先级排序、AI 投资评估、AI 治理框架设计、组织与人才路线图
不属于本技能范围	代码实现与工程落地、个股或产品推荐、法律合规意见、境内外监管条文的正式解释
数据最小化	讨论中只使用脱敏后的机构侧信息（规模量级、场景名称、指标口径）；不收集客户名单、账户信息、个人身份信息
保存动作	战略文稿、评分表等产出如需写入文件，必须先向用户预览并取得明确确认后再落盘
代码性质	文中的 Python 片段为教学示意，供用户在自己环境运行；本技能不执行代码、不联网、不写文件、不留存数据
输出性质	参考性输出，需经机构内部评审与专业团队复核后方可进入决策流程，不构成投资、法律或保险建议

---

Core Thinking Models

模型一：金融AI三大视界（麦肯锡三地平线框架）

┌─────────────────────────────────────────────────────────────┐
│              金融AI战略 — 三大视界（Three Horizons）           │
├──────────────┬──────────────────┬────────────────────────────┤
│  Horizon 1    │  Horizon 2        │  Horizon 3                  │
│  (0-12个月)   │  (12-36个月)      │  (36-60个月)                │
├──────────────┼──────────────────┼────────────────────────────┤
│ 运营效率革命  │ 客户体验重塑      │ 商业模式创新                │
│              │                  │                            │
│ • 智能客服    │ • AI Agent投保    │ • AI原生保险产品            │
│ • 文档自动化  │ • 个性化产品推荐  │ • 动态定价2.0              │
│ • 智能理赔    │ • 全渠道客户旅程  │ • 去中介化平台              │
│ • RPA升级     │ • 多模态交互      │ • 生态化金融服务            │
├──────────────┼──────────────────┼────────────────────────────┤
│ 典型场景：    │ 典型场景：         │ 典型场景：                  │
│ 核保自动化   │ Agent驱动的理赔    │ 自主风控决策体系            │
│ 智能客服     │ 智能投顾           │ AI原生保险产品              │
│ 报表生成     │ 个性化营销         │ 开放银行/保险平台           │
├──────────────┴──────────────────┴────────────────────────────┤
│ 核心原则：Horizon 1 造血 → Horizon 2 蓄力 → Horizon 3 领跑   │
│ "先赋能、再替代、最后创新"                                  │
└─────────────────────────────────────────────────────────────┘

落地示例 A（中型寿险公司，示意）

H1（0-12 个月）：智能理赔影像预审 + 智能客服 + 单证自动化
  目标：理赔件均处理时长下降、客服一次解决率提升
  验收：以投产前后同口径指标对比，需排除季节性因素
H2（12-36 个月）：Agent 驱动的核保辅助 + 个性化产品推荐
  目标：核保自动通过率提升、人工复核集中在高风险件
  验收：以复核覆盖率与误判率双指标衡量
H3（36-60 个月）：动态定价与 AI 原生产品
  目标：形成可迭代的定价模型与产品形态
  验收：以监管沟通进展与试点范围衡量

落地示例 B（城商行，示意）：H1 聚焦贷后预警与报表自动化（见效快、数据就绪），H2 才推进智能投顾与客户旅程编排，避免把需要长周期的能力放进当年考核。

排布自检：三个地平线是否各自有独立的时间窗、独立指标、独立责任人？若 H1 与 H3 共用同一套 KPI，说明分层失效。

模型二：AI就绪度诊断（MECE框架）

六大维度评估金融机构AI就绪度：

维度	评估指标	L1 初始级	L3 发展级	L5 领先级	可取证据（用于避免自评偏高）
战略	AI在董事会优先级	未列入议程	专项AI委员会	AI驱动战略决策	董事会/专委会纪要中是否出现 AI 议题及决议
数据	数据基础建设	手工报表为主	统一数据中台	实时数据+知识图谱	数据中台覆盖的业务域清单与数据质量报告
技术	AI基础设施	单点POC	MCP/A2A架构落地	AI原生技术栈	已上线场景数、MCP/工具接入清单
人才	AI团队配置	0-5人外包	20-50人内外部混编	200+ AI原生团队	AI 岗位编制、外部合作合同与培训记录
治理	AI风控体系	无明确规范	模型台账+三方审计	实时AI监管沙盒	模型台账条数、审计意见与偏差处置记录
生态	外部合作	单一供应商	多供应商+开源混合	自研+社区贡献+标准制定	供应商结构、开源贡献与参与标准制定的记录
算力	可支撑的并发与训练/推理能力	无专用算力，按需租用	有固定推理集群，可支撑重点场景	训练推理一体化调度，具备弹性扩容	集群规格、并发实测值、单位请求成本记录

诊断方法论（MECE逻辑树）：

金融机构AI就绪度
├── 能力维度（内部）
│   ├── 数据基础（数据中台、数据质量、数据合规）
│   ├── 技术能力（算力、模型、工程化）
│   ├── 人才储备（AI团队、培训体系、文化接受度）
│   └── 组织架构（AI部门定位、决策流程、激励机制）
│
├── 战略维度（顶层设计）
│   ├── 愿景清晰度（是否明确AI战略定位）
│   ├── 资源投入（预算、人力、管理层承诺）
│   └── 路线图（分阶段目标、里程碑）
│
└── 环境维度（外部）
    ├── 监管要求（国家金融监督管理总局 NFRA）
    ├── 市场竞争（同行进度、技术替代风险）
    └── 技术演进（MCP/A2A、多模态、Agent）

诊断示例（示意，仅演示打分口径）

某中型机构自评：战略 L3、数据 L2、技术 L2、人才 L2、治理 L1、算力 L2
证据核对：
  - 战略 L3 成立：已设 AI 专委会（有会议纪要）
  - 数据 L2 成立：数据中台覆盖 4 个业务域（有覆盖清单）
  - 治理 L1 成立：无模型台账（无证据）→ 不得上调
结论：加权后处于「流程嵌入」向「能力内化」过渡阶段
下一步：先把治理从 L1 补到 L2（建台账 + 定阈值），再谈多 Agent 编排

自评纠偏：等级必须由可出示的证据支撑，缺证据的维度一律按较低等级记录，并在路线图中写明补齐时间。

模型三：Agent生产力公式（阿里百技图精华）

AI Agent = 大模型(LLM) × 工具生态(MCP/A2A) × 业务流程(RPA/Workflow)

Agent生产力公式：

             协作系数 α
    Productivity = (LLM能力 × 工具生态 × 流程数字化)  
                   ─────────────────────────────
                        治理成本 + 风险系数

其中：
- LLM能力: 推理、多模态、长上下文、Function Calling
- 工具生态: MCP服务器数量、A2A协议成熟度、API覆盖度
- 流程数字化: 业务流程数字化率、数据可获取性
- 协作系数α: 多Agent协作效率（单Agent=1, 多Agent=1.5-3）
- 治理成本: 安全审计、合规检查、模型监控的人力投入

代入示例（示意，仅演示量纲关系）

场景：理赔材料智能预审
  LLM 能力      0.8（多模态读单证 + 长上下文）
  工具生态      0.6（已接入影像、规则引擎、核心查询三类工具）
  流程数字化    0.7（材料电子化率较高）
  协作系数 α    1.5（预处理 Agent + 复核 Agent 协作）
  治理成本      0.4（人工复核比例与审计投入偏高）
  风险系数      0.2（误放行的赔付损失敞口）

Productivity ≈ (0.8 × 0.6 × 0.7 × 1.5) / (0.4 + 0.2) ≈ 0.84
读法：分母（治理与风险）每上升 0.1，整体产出下降约 14%；
      因此该场景的 improvement 重点在降低复核成本，而非继续堆模型能力。

使用提醒：上式用于比较两个方案的相对量级，不是精确预测；各分项取值须由机构自行标定并写明口径。

Agent能力层级（L1-L3渐进路线）：

层级	名称	能力特征	金融适用场景	人工介入方式
L1	工具型Agent	单一任务、规则驱动、有限感知	报表生成、文档处理、智能客服	结果抽检，异常转人工
L2	分析型Agent	多步骤推理、信息检索、人机协作	核保辅助、理赔初审、风险分析	结论需人工确认后生效
L3	决策型Agent	自主规划、多工具调用、持续学习	资产配置、动态风控、反欺诈	设定权限边界与熔断条件，关键决策人工终审

金融AI雇员全景（阿里百技图推荐的10类核心AI Agent角色）：

Agent类型	核心能力	适用岗位替代/赋能	落地前置条件
财务分析官	财报分析·估值模型·行业对比	信用分析师、投资经理	财报与行情数据源齐备、口径统一
风险管理师	风险识别·模型监控·压力测试	风控专员、合规经理	风险指标定义与阈值已固化
理赔处理官	影像审核·赔付计算·反欺诈	理赔调查员	影像质量达标、规则库可维护
承保核保师	风险定价·保单审核·再保安排	核保员	历史保单与核保结论结构化
客户服务官	智能问答·情感分析·投诉处理	客服代表	知识库覆盖常见问答且有更新机制
研究分析师	研报生成·数据挖掘·趋势预测	研究员	研报模板与数据源授权明确
投资顾问	资产配置·组合优化·市场分析	投资顾问	适当性管理与留痕机制到位
合规审查官	政策解读·违规检测·报告生成	合规专员	法规库及时更新、判定规则可追溯
数据科学家	模型开发·特征工程·A/B测试	数据分析师	特征血缘清晰、实验环境可用
反欺诈分析师	异常检测·关联图谱·规则引擎	反欺诈专员	案件标签可用、图谱数据完整

模型四：场景优先级矩阵（价值×可行性）

Y轴（商业价值）：高/中/低
X轴（技术可行性）：高/中/低

四象限排序策略：

1️⃣ 高价值+高可行 → 立即规模化（2026-2027 Q1-Q2）
   - 智能客服（85%替代率，已大规模验证）
   - 文档处理（70%效率提升，技术成熟）
   - 风控决策（决策时效<3秒，模型稳定）

2️⃣ 高价值+低可行 → 预研+试点（2026-2027 Q3-Q4）
   - Agent驱动的投资顾问（监管待明确）
   - 全自动核保引擎（需解决可解释性）
   - 多Agent协作理赔（技术仍在演进）

3️⃣ 低价值+高可行 → 快速试水（2026 Q1-Q2）
   - 智能质检（部署简单，ROI中等）
   - 报表自动化（工具成熟）

4️⃣ 低价值+低可行 → 暂缓/外包
   - 通用客服（非核心能力）
   - 数据标注（可外包）

象限判定示例（示意）

候选场景：保单条款问答助手
  商业价值：中（改善体验，间接影响续保）
  技术可行性：高（知识库检索成熟）
  判定：低价值+高可行 → 快速试水，限定在单一渠道与单一产品线上线
  退出条件：若三个月内自助解决率无明显提升，则转入暂缓清单

易错点：把「技术炫」当成「价值高」。评价值时应写明受益对象与衡量口径（降本/增收/控风险三选一），否则无法进入排序。

模型五：大模型选型与MCP/A2A生态

LLM选型四维评估矩阵：

评估维度	闭源（GPT/Claude）	开源（Qwen/DeepSeek/Llama）	垂直金融模型	选型时须核对的事实
推理能力	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐	数据出境与留存条款、服务可用性承诺
多模态	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐	部署形态（本地/专有云）与运维人力
金融知识	⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐⭐	行业语料来源、更新频率与评测结论
成本效益	⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐	单位请求成本、并发上限与运维人力投入
数据安全	⭐⭐（数据出境风险）	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	数据存储位置、留存期限与出境条款
生态兼容	⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐	是否支持既有工具协议与可替换性

MCP/A2A协议生态（2026年现状）：

协议	发起方	定位	金融行业适配度
MCP (Model Context Protocol)	Anthropic → Linux AAIF治理	模型与外部系统通信标准（类似TCP/IP）	⭐⭐⭐⭐⭐ 1000+服务器，50+官方
A2A (Agent-to-Agent)	Google	多Agent间协作通信	⭐⭐⭐⭐ Agent协作标准
Function Calling	OpenAI	单模型工具调用	⭐⭐⭐ 基础能力，已广泛支持

选型推荐（麦肯锡式决策树）：

数据敏感度？
├── 高（监管数据）→ 开源模型本地部署（Qwen/DeepSeek）
│   └── 是否需多模态？
│       ├── 是 → Qwen-VL / DeepSeek-VL
│       └── 否 → Qwen3 / DeepSeek-R1
│
└── 低（非敏感场景）→ 闭源API（Claude/GPT）
    └── 是否需长上下文？
        ├── 是 → Gemini 2M Token / Claude 200K
        └── 否 → GPT-4o / Claude Sonnet 4

选型示例（示意）

场景：面向内部员工的制度问答
  数据敏感度：中（内部制度，不含客户个人信息）
  判定路径：低敏感 → 闭源 API；需长上下文 → 选择长上下文方案
  补充约束：制度更新频繁 → 必须保留可替换的模型抽象层
  结论：先按闭源方案试点，同时约定半年一次的可替换性评审

禁止事项：不得以「某模型效果好」为唯一理由确定选型；涉及客户个人信息或监管数据的场景，须先完成数据合规评估再选型。

模型六：AI治理金字塔（合规框架）

┌─────────────────────────────────────────┐
│           顶层：AI战略层                  │
│  AI伦理委员会 · AI战略委员会 · 监管机构监督 │
├─────────────────────────────────────────┤
│         二层：AI治理委员会                │
│  跨部门协调 · 模型风险管治 · 合规审计    │
├─────────────────────────────────────────┤
│         三层：AI运营规范                  │
│  模型全生命周期管理 · 数据治理 · 算法公平 │
│  · 可解释性 · 偏差监控(±5%应急机制)     │
├─────────────────────────────────────────┤
│         四层：技术基础设施                 │
│  安全审计 · 隐私保护 · 模型监控 · 灾备    │
│  · MCP连接安全 · A2A通信加密             │
└─────────────────────────────────────────┘

2026年监管新要求（中国人民银行）：
1. 建立AI模型台账，重大模型变更须经独立第三方审计
2. 模型偏差超±5%须启动应急机制
3. 金融科技伦理委员会：算法公平性/透明度/可解释性纳入年度评级
4. 数据要素×金融：企业数据资产入表，数据质量评分纳入央行评级

治理落地示例（示意）

触发条件：某线上风控模型近一月偏差超过 ±5% 阈值
处置链条：
  1. 模型归属部门在台账中登记偏差事件（时间、指标、幅度）
  2. 风控部门启动应急机制：降级为人工复核为主
  3. AI 治理牵头部门组织原因排查（数据漂移 / 特征变更 / 外部因素）
  4. 重大变更须经独立第三方审计后恢复自动决策
  5. 全过程留痕并纳入年度评级材料

上述阈值与流程为方法论示意，具体阈值与时限以机构制度与监管要求为准。

模型七：AI项目ROI评估（麦肯锡方法论）

三层次ROI评估：

第一层：直接成本节约
  = 人力替代 × 人均成本 + 效率提升 × 时间价值 + 错误减少 × 损失避免

第二层：间接收益
  = 客户满意度提升 × 留存率 × CLV + 交叉销售率提升 × 平均客单价

第三层：战略价值（量化）
  = 数据资产积累 + 技术能力沉淀 + 品牌溢价 + 监管合规成本降低

推荐指标：
- Payback Period（回收期）：建议<18个月
- IRR（内部收益率）：目标>25%
- ROI（3年）：目标>200%

ROI 测算示例（示意，仅演示口径）

项目：智能单证识别
  直接成本节约：替代 4 人年 × 人均成本 + 处理时长下降折算的时间价值
  间接收益：退单率下降带来的客户留存改善（按留存率与客均贡献估算）
  战略价值：结构化数据资产沉淀（暂不计入保守口径）
  保守口径结果：回收期约 14 个月，进入推进清单
  乐观口径结果：计入战略价值后三年 ROI 明显上升，但需标注口径差异

口径纪律：测算必须标注「保守/中性/乐观」三档及各自假设；评审时只比较同档口径，避免用乐观值去争取预算。

模型八：组织变革曲线（从"工具化"到"AI原生"）

组织AI成熟度五阶段：

L1 工具辅助 (2024前) → AI作为效率工具
L2 流程嵌入 (2024-2025) → AI嵌入核心业务流程  
L3 能力内化 (2025-2026) → 自建AI中台+模型微调
L4 生态共建 (2026-2027) → MCP生态+多Agent协作
L5 AI原生 (2028+) → AI原生产品+Agent自主决策

变革管理关键动作：
- 高管对齐：Board-level AI战略研讨会（季度）
- 中层赋能：AI literacy培训计划（覆盖100%中层）
- 一线激励："AI Champion"评选机制
- 组织保障：CAIO（首席AI官）或AI转型办

组织落地示例（示意）

阶段判定：多数机构当前处于 L2（流程嵌入）向 L3（能力内化）过渡
季度动作：
  - 高管层：一次 Board-level 研讨会，只议三件事——年度重点场景、预算边界、风险红线
  - 中层：按条线开展 AI literacy 培训，结业需提交本条线的一个场景提案
  - 一线：AI Champion 评选与经验固化，形成可复用的提示词与流程模板
验收：通过场景提案数量与投产率衡量，而非通过培训人次衡量

---

金融AI趋势与动态（截至 2026-10-13）

趋势	内容摘要	战略影响	时间窗口	观察指标（用于跟踪是否成真）
MCP标准化	已捐赠Linux AAIF治理，生态超1000服务器	AI架构选型向MCP收敛	2026 Q2	生态内服务器数量与治理主体变化
A2A协议	Google推出Agent-to-Agent协作标准	多智能体编排成为可能	2026 Q3	主流厂商支持度与互操作案例
AI Agent规模化	金融行业从单点POC进入规模部署	从RPA升级到智能Agent	2026-2027	同业规模部署案例数与投入结构
模型监管趋严	央行要求AI模型台账+三方审计	治理成本上升	2026已实施	台账与审计要求的落地细则
开源模型崛起	DeepSeek-R1/千问3性价比优势明显	选型策略调整	2026持续	开源模型评测结论与单位推理成本
数据要素入表	企业数据资产入表扩展至金融机构	数据治理价值凸显	2026-2027	数据资产入表的会计与评级口径
生成式内容治理	生成合成内容需可识别、可追溯	AI输出须标注来源与生成方式	2026已实施	标识与追溯要求的实施方式
AI安全开发规范	对AI开发与应用全流程提出安全要求	需建立开发环节的安全评审	2026已实施	安全评审在开发流程中的卡点位置
算力供给结构	推理算力需求上升，本地化部署诉求增强	算力规划纳入战略考量	2026持续	推理算力单价与本地化部署比例
人机协同边界	明确AI辅助与人工决策的责任划分	权责边界写入流程与制度	2026-2027	制度中复核节点与责任人的明确程度
数据跨境合规	跨境数据流动规则持续细化	涉及境外合作的场景需单独评估	2026-2027	跨境场景的评估结论与试点范围

数据截止: 2026-10-13 | 来源：公开信息与行业实践整理 声明: 以上趋势供战略讨论参考，具体口径与生效时间以官方最新发布为准；本技能不代为解读监管条文，正式口径请咨询机构合规部门。 跨境场景的评估结论与试点范围 | | 智能体安全开发规范细化 | 对 Agent 类应用的权限、留痕与应急处置提出更细要求（以官方最新发布为准） | 多 Agent 编排需同步设计权限边界与熔断条件 | 2026-2027 | 官方文件发布情况与同业落地做法 | | 模型轻量与小模型兴起 | 端侧与专有场景更倾向小而专的模型（以官方与厂商最新发布为准） | 选型从「越大越好」转向「按场景匹配」 | 2026 持续 | 单位请求成本与场景适配评测 |

术语与机构沿革说明

名称	说明	使用建议
国家金融监督管理总局（NFRA）	现行银行业保险业监管机构	正文与对外材料统一使用现行名称
原中国银行保险监督管理委员会（CBIRC）	2023 年机构改革前的名称	仅在引用历史文件标题时保留
偿二代规则Ⅱ	保险业偿付能力监管规则	引用时注明规则版本
MCP / A2A	Agent 与外部系统、Agent 之间的通信协议	选型时关注治理主体与生态成熟度

提示：战略文件中出现机构名混用（新旧名称并存）会削弱专业度，建议成稿后统一检索替换，历史文件标题保留原文并加注。

---

AI场景优先级评分表（量化排序）

用途：把"高价值+高可行"从定性判断变成可讨论的打分，避免只凭直觉排队。

评分维度	权重	5 分标准	3 分标准	1 分标准
业务价值	25%	直接对应收入或重大成本项	间接影响效率	主要是体验改善
可行性	20%	技术成熟、数据就绪	需补数据或改造流程	需突破技术瓶颈
合规风险	20%	明确可做、有先例	需个案评估	监管未明确
数据就绪度	15%	数据齐备、质量可控	部分数据需治理	数据缺失
投入产出比	10%	回收期 < 12 个月	12–24 个月	> 24 个月
组织接受度	10%	一线主动要求	需推动	存在明显阻力
可解释性	（否决项参考）	结论可追溯到具体依据与责任人	仅能提供概览性说明	无法说明依据，关键场景不可上线

优先级判定

加权总分	处置	说明
≥ 4.0	立即推进	进入年度重点清单
3.0–3.9	试点验证	小范围验证后决策
2.0–2.9	观察	条件成熟再启动
< 2.0	暂缓	明确写入"不做清单"并说明理由

合规风险一项具有否决性：若该项低于 2 分，无论总分多高都不进入推进清单。

---

治理落地指标表

治理环节	关键动作	可观测指标	责任方
台账管理	建立模型与场景台账	台账覆盖率、更新及时率	AI 治理牵头部门
变更管理	重大变更评审与留痕	变更评审完成率	模型归属部门
偏差监控	设定阈值与应急机制	偏差超阈次数、处置时长	模型归属部门 + 风控
人工复核	关键结论人工确认	复核覆盖率	业务条线
数据合规	最小必要与去标识	数据使用登记完整率	数据管理部门
输出可追溯	标注来源与生成方式	可追溯比例	场景负责人
能力建设	分层培训	覆盖率、考核通过率	人力 + AI 治理
权限与熔断	为 Agent 设定工具权限与降级条件	超权限调用次数、熔断触发次数	技术部门 + 风控

---

常见误用与纠偏

误用	表现	纠偏动作
把"上工具"当"做战略"	战略文档实为采购清单	先写清业务目标与取舍，再谈工具
三地平线混用	用 H1 的节奏要求 H3 的目标	按时间窗分别设定评价标准
就绪度自评偏高	各维度都填 L4/L5	用可验证证据支撑等级判断
ROI 只算成本节约	忽略间接收益与战略价值	按三层次分别测算并标注口径
治理写在纸上	有制度无台账、无阈值	把治理落到可观测指标
机构名混用	新旧监管机构名称并存	统一为现行名称，历史标题加注
忽略人机边界	未明确 AI 辅助与人工决策的分界	在流程中写明复核节点与责任人
只比模型不比成本	选型只看效果榜单	增加单位请求成本与运维人力对比
把试点当投产	试点指标直接写进年度目标	明确试点期、样本范围与转正式的条件

---

---

When to Use

可直接激活（精确匹配AI战略规划场景）：

• "我要制定金融机构的3-5年AI转型战略"
• "AI场景那么多，先做哪个后做哪个？"
• "怎么建立AI治理体系，满足国家金融监督管理总局（NFRA）要求？"
• "AI能力是自己开发还是外面采购？"

需用户确认（可能与其他场景重叠）：

• "金融机构怎么做数字化转型"
• "AI在保险行业的应用"
• "怎么评估一个AI项目的ROI？"
• "AI Agent怎么在金融落地"

不适用场景：

• 具体代码实现（请使用开发类技能）
• 投资建议/个股推荐（请使用投资分析技能）
• 法律合规意见（应咨询法务团队）

不触发场景（避免泛化误触发）

场景	不触发原因
日常对话中提到「AI」「数字化」等词	未落在金融机构 AI 战略规划任务上
问某只股票或某只基金能否买入	属投资建议，超出本技能边界
要求直接生成可上线的系统代码	属工程实现，超出本技能边界
要求给出监管条文的正式法律意见	应由机构合规与法务出具

---

Python Code Templates

ROI计算模板

示例代码（仅供学习参考，非本技能自动执行）：

def calculate_ai_roi(investment_cost, annual_savings, efficiency_gain, years=5):
    """
    AI项目ROI计算（参照麦肯锡三层次ROI方法）
    - investment_cost: 初始投资（万元）
    - annual_savings: 年化成本节约（万元）
    - efficiency_gain: 效率提升带来的收益（万元/年）
    """
    total_investment = investment_cost
    total_benefits = 0
    for year in range(1, years + 1):
        annual_benefit = annual_savings + (efficiency_gain * year * 0.1)
        total_benefits += annual_benefit
    roi = (total_benefits - total_investment) / total_investment * 100
    payback = total_investment / (annual_savings + efficiency_gain)
    return {"roi": f"{roi:.1f}%", "payback": f"{payback:.1f}年"}

AI成熟度评估框架

示例代码（仅供学习参考，非本技能自动执行）：

def assess_ai_maturity():
    dimensions = ["数据基础", "技术能力", "组织文化", "治理体系", "应用场景"]
    levels = {
        1: "初始级 - 手工流程为主",
        2: "基础级 - 核心业务数字化",
        3: "发展级 - 多个AI场景落地",
        4: "成熟级 - AI驱动决策",
        5: "领先级 - AI原生架构"
    }
    return levels

---

Compliance Checklist

监管合规要点（国家金融监督管理总局）

• 建立数据治理框架（数据分类分级、数据质量管控）
• 明确AI应用场景的权责边界（AI辅助≠AI决策）
• 建立模型风险管理制度（模型台账、三方审计）
• 定期进行AI系统审计（偏差监控±5%）
• 保障消费者权益和隐私（PIPL合规）

PIPL合规检查

• 数据收集最小必要原则
• 用户知情同意
• 数据本地化存储
• 个人信息删除权保障

2026年新增合规要求

• AI伦理委员会设立（持牌机构必备）
• 算法公平性/透明度/可解释性纳入年度评级
• 重大模型变更须独立第三方审计
• 跨境数据流动合规（跨境金融沙盒试点）

合规要点落地对照

合规要点	落到哪个文件/动作	留痕要求
模型台账	场景台账表（模型名、版本、用途、责任人）	变更记录与评审意见
三方审计	重大变更前的审计委托与报告	报告编号与结论摘要
偏差监控	阈值设定表与告警记录	超阈次数、处置时长、恢复条件
人工复核	流程图中的复核节点	复核人、复核结论、复核时间
数据最小必要	场景数据采集清单	字段级用途说明与留存期限
消费者隐私	告知同意与删除权流程	同意记录与删除请求处理记录

表中内容为框架示例，具体要求以国家金融监督管理总局等监管机构最新发布文件为准。

---

Source Notes

• 阿里百技图 · 金融行业Agent百技图（2026）
• 保险科技专委会《大模型AI Agent在保险行业的应用研究报告》（2025）
• 麦肯锡《Three Horizons of Growth》
• 《银行业保险业数字化转型指导意见》（原银保监会发布，现行监管机构为国家金融监督管理总局）
• NFRA AI合规指引（2025-2026）
• 中国人民银行《金融科技发展规划》
• Gartner《AI in Financial Services》

资料时效提示：上述来源用于方法论支撑；引用时须核对是否为最新版本，并注意部分机构名称已随 2023 年机构改革调整（详见「术语与机构沿革说明」）。

---

ClawHub Metadata

• Slug: finance-ai-strategy
• Tags: AI转型,数智化,金融科技,AI治理,战略规划,NFRA合规,智能金融,Agent,AI Agent,十五五规划
• Version: 5.2.2
• License: MIT
• Author: gechengling
• ClawHub URL: https://clawhub.ai/gechengling/finance-ai-strategy

---

README (English)

Financial AI Strategy Architect — McKinsey-informed AI transformation strategy for banks, insurers, and securities firms. Covers AI maturity diagnosis, Agent productivity formula, MCP/A2A ecosystem, LLM selection, multi-Agent orchestration, governance framework, and ROI assessment.

Author: gechengling | License: MIT