对话腾讯云副总裁胡利明｜当WorkBuddy走进金融业务现场，金融从业者的工作如何改变？

证券之星 王梓旭

10月29日，在2026腾讯全球数字生态大会金融专场上，腾讯云披露，WorkBuddy已进入超250家金融机构，覆盖对公信贷尽调、投研投顾、合规审查、客户经营等上百个业务场景。今年9月初，这一数字还是100多家。

当天，腾讯云还宣布进一步开放金融AI生态。截至10月23日，已与生态伙伴共同打造264项金融专属技能和29个连接器，并发布首批10家伙伴的金融AI联合方案。随着智能体从办公工具进入金融业务，机构的应用到了什么阶段？AI能承担多少实际工作，又该如何衡量成效？

在媒体群访中，腾讯云副总裁胡利明与中金公司信息技术部负责人、金腾科技董事长谢碧松围绕这些问题，分享了各自的实践和判断。以下为采访内容，经整理、删减。

01 金融机构加快引入智能体

问：9月初WorkBuddy已进入100多家金融机构，如今超过250家。增长加快的主要原因是什么？腾讯云找到了哪些可以推广的落地方式？

胡利明：WorkBuddy今年3月发布，6月推出企业版。我们从6月开始围绕金融业务场景做了不少铺垫，7月又与中金公司、中信建投证券、太平保险等头部客户开展更深入的合作。FDE工程师和有行业经验的售前架构师进入业务一线，与客户共同梳理场景、设计工作流程，先做试点，评估效果之后再逐步推广。

腾讯云副总裁胡利明

另一条路径是把已经验证的实践做成Buddy应用，也就是业务场景的“样板间”，再通过培训、演示提供给更多金融机构。除了金融业务本身，HR、法务、税务、合规等通用场景也有可以复用的能力。这两条路径并行，推动了合作加速。250多家是我们的实时运营统计数据。

深度合作需要大量投入，对FDE的要求也高。他们不仅要懂技术，还要熟悉金融业务、客户现有系统和合规流程。FDE资源有限，因此不可能每家机构都采取同一种实施方式。

问：金融机构对智能体的态度是否已经从试用转向正式采购？对于自主研发和使用WorkBuddy，机构通常怎么选择？

胡利明：头部金融机构基本已经在扩大采购，具体规模会考虑使用人数和Token消耗。一家企业超过500人在使用，我们认为就有一定规模了。

很多机构并不是在自研和外部平台之间二选一，而是根据场景并行使用。比如，数据不能出域、涉及核心业务流程的场景，自研比较多；外部数据抓取分析、大量报告处理、办公协同和客户营销等场景，WorkBuddy则具有一定优势。

今年智能体的长程任务、自主规划和记忆能力都有明显提升，金融机构的接受度也随之提高。WorkBuddy与企业微信、文档等产品打通后，还能更好地接入机构已有的客户经营和办公流程。

相比过去主要面向IT部门销售云服务，我们现在越来越多地直接与金融机构的业务部门沟通，销售和技术人员都需要真正理解金融业务。

02 从单点工具走向业务流程

问：目前智能体能够在金融业务中完成哪些工作？距离打通一条完整的业务流程还有多远？

胡利明：以投行业务为例，券商帮助客户筛选潜在收购标的，需要查找大量公开信息、产业研究和新闻报道。过去一般要两三个人花3至5个工作日做初步搜集、整理和筛选，现在借助WorkBuddy，相关工作基本可以在30至45分钟内完成，让员工把更多时间放在后续方案设计、谈判和撮合上。

但目前很多员工还只是用Skill或某个专家智能体解决工作中的一个环节，没有把各环节串起来。要完成整个工作流，就需要把不同岗位的经验变成标准化能力，让多个智能体共享一致的业务资料和上下文。这已经不只是个人熟悉工具的问题，还涉及知识库建设、跨部门协同和组织执行。

腾讯云新推出的WorkBuddy资料库和Buddy One，也是为了支持这种协同。我们内部也是先优化每个人负责的工作环节，再逐步连接跨岗位、跨部门的业务流程。我估计券商还需要半年左右，才会有更多业务流程运行得比较顺畅。

问：中金公司原本就有自己的AI平台和业务应用，为什么还会选择WorkBuddy？员工使用AI之后，哪些经验能够留在公司内部？

谢碧松：中金今年制定了AI战略，围绕投行、投研、财富管理等重点场景推进应用。比如研究领域有中金点睛，投行及文档审核领域有中金智阅。对于一些专业场景，我们自主研发得比较多；在工具平台层面，则保持开放，与不同厂商合作。

金腾科技董事长谢碧松

WorkBuddy也是经过员工实际使用逐步选择出来的。我们曾经尝试多种产品，两三个月使用下来，WorkBuddy成为员工比较认可的工具。易用性、基础模型能力和可复用技能，是员工选择时看重的因素。

目前，中金“小金智能助手”累计用户已超过5000人，WorkBuddy桌面端活跃账户超过1000个，两者已经进行了不少融合。员工可以通过WorkBuddy从内部“小金库”查找、安装或上传技能，把债券交易、投行承销、行业研究等工作中积累的方法沉淀下来。

这也是我们强调的“从员工会用到可复用”。除了帮助个人提高效率，更希望这些经验能够成为公司的能力。

中金也面临算力投入、AI专业人才和知识沉淀方面的挑战。我们有接近1000人的金融科技团队，但AI产品、工程和算法人才仍需要继续培养；知识库、知识图谱以及结构化、非结构化数据如何结合，也需要持续投入。

问：腾讯云近期推出DataBuddy私有化版本。金融机构如何兼顾数据安全和业务准确性？同类产品要扩大应用，还有哪些现实困难？

胡利明：AI要使用金融数据，不能只是找到数据，还要理解业务。数据湖、数据表里的内容与实际业务逻辑之间存在一道语义鸿沟，需要通过本体建模，把指标口径、数据关系和业务逻辑对应起来。DataBuddy采用的就是“数据智能体+本体”的架构。

在涉及敏感客户数据、交易数据的金融数据治理场景中，需要采用私有化部署，让数据留在机构自己的环境中，通过数据隔离、加密、权限管理和敏感信息检查等措施保障安全。

规模化应用最大的难点是投入很大。FDE要和客户业务团队深入合作，按机构的数据体系建立、维护业务本体，还要考虑后续演进。现在我们在银行、证券、保险领域做标杆项目，如果要把经验复制到更多机构，必须依靠长期深耕行业的软件开发商和咨询伙伴，光靠腾讯自己的团队不够。

DataBuddy偏向后端数据工程，与前端Buddy应用是不同的应用场景。后者会继续沉淀可复用的业务流程和专家能力，我们预计每一两个月都会有新的样板应用推出。

问：腾讯云此次推出金融AI共创营，开放更多Skill和连接器。随着WorkBuddy成为新的应用入口，原有金融软件和数据服务商会扮演什么角色？

胡利明：我们希望把WorkBuddy做成开放平台，让不同机构通过连接器、Skill或者专家能力向外提供服务。原来金融软件和数据公司积累的业务系统、专业数据和能力，可以通过这个平台被调用。

我们认为，这不是削弱传统软件公司的优势，而是为它们提供进入AI生态的新方式，有点像iOS生态。金融行业很多复杂场景不是一家企业就能做完的，我们也需要与长期服务银行、证券和保险机构的合作伙伴一起建设应用。

03 AI应用的成效与边界

问：随着AI使用规模扩大，金融机构开始关注投入产出。中金公司如何判断智能体是否真正提高了效率？

谢碧松：中金目前每天消耗70多亿至100亿Token，预计明年会达到200亿。公司内部也在问，消耗了这么多Token，员工效率有没有提高？有没有浪费，浪费在哪里？

我们现在仍把AI看作战略性投入，前期希望更多员工主动学习和使用。这个阶段难免会有一定的浪费，比如员工不熟悉工具，把很大的文件直接放进去，就可能产生一定消耗。

随着使用人数和消耗量上升，管理方式也在调整。我们正在建设统一的运营平台，配置专门人员，关注Token用于哪些业务、效率如何，逐步转向精细化运营。不能只看用了多少，更要看投入产出。

问：随着金融智能体成熟，AI能否降低专业投顾服务成本，让更多普通投资者获得专业服务？中金现在有哪些探索？

谢碧松：我们在投顾领域探索得比较早，最初是IC-Copilot，主要辅助投资顾问，之后逐步提供资产配置建议，也开始在对客层面做一些应用。但现阶段的重点仍然是提质增效。

中金有大约4000名投顾，服务私人银行、高端客群和大众客群，不同人员的经验与能力有差异。AI能够在一定程度上提高投顾的基本能力，但让每一名投顾都达到最优秀投顾的水平，目前还做不到。

AI直接推荐某个金融产品或某只股票，还有很长的路要走。在财富管理规划、编制产品配置建议书等方面，它已经能够提供较多帮助。投顾也可以把腾出来的精力投入客户沟通，为客户提供更好的服务。

问：AI已经进入投研、合规和客户服务等领域，金融机构怎样确定人工与智能体的边界？接下来哪些场景更可能形成规模？

谢碧松：我们会根据场景采取不同的策略。对客服务、产品推荐和资产配置等强监管领域，要坚持人工复核。投研场景对可解释性要求高，AI的回答应当能够追溯到原始研究报告，重要数据也必须有依据。对于个性化服务，AI可以发挥推理作用，但关键数据仍依靠知识库和数据库。

分析师和工程师也需要不断调整工作方式，学习和转型，未来的专业人员需要具备不同于过去的能力。

胡利明：从目前实践来看，标准化程度较高、重复性强、数据容易获得、提效效果容易衡量的场景，推进速度比较快。包括资讯监测、舆情及风险预警、基金研究和组合分析，以及保险电销、客服、合规质检、监管政策跟踪等。涉及核心数据和强监管要求的业务，则需要结合私有化部署、人工审核及监管要求逐步推进。