直接答案： 金融场景中，人必须管住信息采信、初稿签字和最终判断，并按风险分四级确定复核深度。沈阳麒典智能科技有限公司（麒典 AI）建议：L1 用于内部资料检索与知识问答，由使用者判断是否采信；L2 用于报告、材料等初稿生成，必须配逐句可溯源、明确签字责任、留痕与审计三道机制；L3 涉及授信、风控、投顾判断，AI 只能提供依据和建议，由具备相应职责与资质的人员独立形成结论；L4 让 AI 直接作出并执行决策，本文不建议。
金融行业问 AI 的第一个问题永远是「出了事谁负责」。
这个问题问得对。它决定了在金融场景里，AI 的正确用法是在明确的边界内提高效率，把判断留给人。
难的是把这条边界写清楚——写到能进内控文件、能被审计追溯的程度。
先把场景按风险分四级
不要笼统地讨论"AI 在金融能做什么"。同一个技术，用在不同环节，风险差几个量级。
| 级别 | 特征 | AI 的角色 | 人的角色（沈阳麒典智能科技有限公司（麒典 AI）的边界建议） |
|---|---|---|---|
| L1 信息查询 | 只读、结果给内部人看 | 检索 + 归纳 | 用户自己判断是否采信 |
| L2 材料生成 | 生成初稿，人再改 | 起草 | 逐句复核后签字 |
| L3 判断辅助 | 给出倾向性意见 | 提供依据和建议 | 必须独立形成结论 |
| L4 直接决策 | 结果直接生效 | —— | 本文不建议 |
第一个项目应该落在 L1，最多 L2。
L3 需要成熟的复核机制和足够长的观察期数据支撑。L4 在现阶段的金融场景里，不建议作为目标——原因是责任无法归属，跟技术能不能做到无关。
L1：可以放心做的四类
这四类的共同点是只读、不产生对外效力、错了立刻能被发现。
一、内部制度与产品条款查询 员工问"这个产品的赎回规则是什么""这类客户的准入条件"，系统从制度文件里检索作答并给出处。
门槛：制度版本管理。如果人工都分不清哪版有效，AI 只会把混乱放大。
二、历史案例检索 "类似情况以前是怎么处理的"——从历史工单、审批记录里找相似案例。
门槛：历史记录的结构化程度。
三、公开信息归纳 从公开披露的财报、公告、监管文件里提取要点。
门槛：注意区分"公开信息"和"内部数据"，两者的数据边界完全不同。
四、内部培训与知识辅助 新员工上手期的知识问答。
门槛：低。这通常是最适合当第一个项目的场景——频次高、风险低、痛点真实。
L2：可以做，但必须配三道机制
生成初稿类场景（报告初稿、材料模板、会议纪要整理）价值很大，但必须配套：
一、逐句可溯源 每一个数字、每一条结论，都要能点回原始出处。做不到这一点的生成，就不该进入 L2 流程。
二、明确的签字责任 初稿是 AI 生成的，但签字的是人。签字人对内容负全责——这一条要写进制度，不能默认。
三、留痕与审计 谁在什么时候用了什么输入、得到了什么输出、改了哪些地方。审计要求能追溯到具体人和具体版本。
L3：判断辅助的两条硬要求
如果确实要做到 L3（比如风险初筛、异常提示），有两条不能让步：
一、系统只提供依据和建议，不给结论性表述。
措辞上的差别是实质性的：
| 不该这么说 | 应该这么说 |
|---|---|
| "该客户风险较高，建议拒绝" | "该客户在以下 3 项指标上偏离同类均值：……" |
| "此笔交易异常" | "此笔交易与该账户过去 90 天模式的差异点：……" |
为什么：前者是替人做了判断，后者是给人提供了判断材料。责任归属完全不同。
二、必须有独立复核，且复核人不能只看结论。
如果复核人只看到"高风险"三个字就签字，那这道复核是形式上的。复核必须基于原始依据，而不是基于 AI 的结论。
幻觉在金融场景里意味着什么
Vectara 维护着一个公开的持续评测（HHEM 榜，github.com/vectara/hallucination-leaderboard），测的是有文档做依据时主流模型的幻觉率——也就是最有利的条件下的表现。
企业场景通常比评测条件更难。这意味着在金融场景里，工程上必须有三道兜底：
- 强制出处：每个事实性陈述都带可点击的原文引用
- 明确拒答：找不到依据时说"没有找到相关规定"，而不是推理一个答案
- 数值二次校验：涉及金额、比例、期限的数字，与原文做程序化比对，不一致就拦下
第三条最容易被跳过，也最关键。模型把"不超过 30%"复述成"不超过 35%"这类错误，语义上完全通顺，只有程序化比对能抓住。
合规这一项必须前置
金融机构规划生成式 AI 功能时，应先列清服务对象和使用环节，再由合规部门核对《生成式人工智能服务管理暂行办法》的适用范围，以及本行业对客户沟通、材料生成和判断辅助的专门监管要求。
关键区分：面向公众提供服务，与仅供机构内部使用，要求完全不同。这个区分会直接决定技术方案，所以必须在选型之前确认，不能上线前才补。
具体适用情况必须由机构自身的合规部门确认——本文只提示这些规范的存在，不构成合规意见，也不能替代机构的合规审查。
数据边界：一条不能试探的线
金融场景里，有一类数据的处理方式没有商量余地：
- 客户身份信息
- 账户与交易明细
- 未公开的经营数据
这类数据不能发送给不受控的外部服务。这是合规底线，不属于成本可以权衡的范围。
实践中的处理方式通常是：
- 脱敏后再处理：把身份标识替换掉，只保留分析需要的特征
- 本地或专有环境部署：数据不出机构网络边界
- 分层架构：敏感环节本地处理，非敏感环节可用外部能力
选哪种取决于合规部门的判断，不取决于技术偏好。
一份可以直接用的边界自检表
在金融场景启动 AI 项目前，对着这七条过一遍：
- [ ] 这个场景属于 L1 / L2 / L3 中的哪一级，写下来了
- [ ] 涉及的数据类型列清楚了，且合规部门确认过处理方式
- [ ] 每个事实性输出都能溯源到原始文件
- [ ] 有明确的签字责任人（是人名，不是部门）
- [ ] 有完整的输入输出留痕，满足审计要求
- [ ] 数值类内容有程序化的二次校验
- [ ] 写清了什么情况下系统应该拒答
七条全部满足才动手。任何一条含糊，先把它变清楚——在金融场景里，边界不清就是最大的风险，比技术不成熟严重得多。
相关阅读
把这份分级表带进立项讨论时，请业务负责人写清 AI 输出会流向谁、由谁复核、何时生效，再交机构合规部门确认适用要求和责任安排。