——专访中电金信副总经理、研究院副院长杜啸争

中央金融工作会议提出，金融要为经济社会发展提供高质量服务，做好“五篇大文章”，积极培育发展新质生产力。新一轮科技浪潮崛起，为数字经济发展提供了充沛动能，金融业积极拥抱趋势并直面挑战，数字化转型战略稳步推进。在这一深刻的变革进程中，电子银行网发起“数字金融访谈”活动，与行业同仁探寻数字金融航路的星辰大海。

2026年的银行业，AI已不再是锦上添花的“效率工具”，而是重新定义竞争规则的“新操作系统”。在刚刚开幕的2026中国国际金融展上，中电金信发布了两款数据智能新品——源启·智能决策操作系统与源启·知数平台，试图回应一个行业核心命题：当大模型浪潮退去，银行如何让数据真正“驱动决策”？

“当前行业数据平台普遍只做到了‘管好数据’，却没有做到‘用好数据’。”中电金信副总经理、研究院副院长杜啸争在接受访谈时直言。在他看来，金融行业正从“工具赋能”阶段迈向“智能体驱动”的新纪元，而数据智能已成为推动这场范式转移的核心动力。

从BI到DI：决策不能只做“事后诸葛亮”

Gartner预测，到2026年，75%的全球500强企业将采用决策智能（DecisionIntelligence,DI）实践；到2027年，50%的业务决策将通过用于决策智能的AI智能体得到增强或实现自动化。对这一趋势，杜啸争的判断是：方向没错，但落地远比想象中复杂。

“决策智能的核心变化，是从‘问数据、出报表、辅助人决策’，转变为‘整合数据给智能体去支持决策’。”杜啸争说。他特别强调一个关键差异——决策必须是“前置”的，而非“事后”的。“以前更多是事后统计，现在需要实时、准实时，而且要把决策结果嵌入到业务流程里去。”

这种从“事后”到“事中、事前”的跃迁，看似前途光明，实则挑战重重。一个很典型的场景是：大模型火了之后，大家都在谈“问数（ChatBI）”，但问到现在，准确率真正达到95%以上都很难。“这说明什么？说明虽然做了很多数据积累，但从数据到决策、从决策到影响业务，还有很长的路要走。”

杜啸争进一步指出，决策智能要真正落地，必须满足两个核心前提：一是构建真实世界的语义模型，也就是“本体层”，让智能体真正“懂业务”，而不是仅靠提示词工程让大模型去“猜”业务含义；二是决策结果必须能回写业务系统，形成“感知—分析—决策—执行—反馈”的完整闭环，而不是止步于聊天框里的一句回答。

数据“管好了”不等于“用好了”：“一湖两库”的新架构

为什么数据到决策之间，隔着那么远的距离？杜啸争给出的答案是：传统数据平台大部分只解决了“结构化数据”的问题，而金融行业大量的价值其实藏在非结构化和半结构化数据里——合同文本、信贷档案、合规制度、研报、客服录音等。“对于大模型来讲，非结构化、半结构化数据里蕴含的信息密度更高，因此变得前所未有的重要。”

针对这一痛点，中电金信提出了“一湖两库”的新一代数据架构：在传统的“数据湖＋数据仓库”之外，新增知识库，全面整合金融机构的全域数据资产。知识库的作用，是把原本沉睡在文档、制度、条款中的非结构化数据，加工成机器能直接理解和调用的“认知型数据资产”，包括向量、知识图谱、标签与事件。

这正是本次发布的源启·知数平台要解决的核心问题。杜啸争介绍，知数平台的核心在于“三类工业化流水线”，推动数据治理从“手工作坊”升级为“智能工厂”。

第一类流水线是解析与结构化。它解决的是“格式杂、质量差、内容散”的问题，通过多格式解析、OCR识别、版面分析、表格重构、清洗去噪和跨页拼接，将PDF、Word、扫描件等杂乱的原始文档，转化为统一格式的标准中间文本。

第二类流水线是认知化与资产构建。它把文本加工成可计算、可推理的知识：从文档中抽取融资方、金额、期限、担保方等原子事实，重构企业、人员、合同、担保关系等业务知识图谱，并将风险标签、预警事件、业务规则转化为结构化资产，最终形成向量库、知识图谱库和标签事件库。

第三类流水线是知识服务化。它将向量检索、图谱查询、标签事件查询、风险推理等能力封装为原子服务，再通过组合编排形成企业画像、担保链分析、贷后风险监控等复合服务，并通过RESTAPI面向业务系统、MCP协议面向AIAgent进行原生输出。

“传统知识库帮您‘找到信息’，知数平台帮您‘理解知识、发现风险、辅助决策’。”杜啸争总结道，“这是一场从‘可存、可搜、可看’到‘可计算、可推理’的范式革命。”

智能体不能“自由发挥”：本体是思维地图，六层约束防幻觉

如果说知数平台解决的是“读懂”问题，那么源启·智能决策操作系统解决的就是“做对”问题。

杜啸争坦言，大模型在金融行业推进并不顺利。“金融行业原有结构化数据基础很好，但对错误的容忍度极低，而大模型天然存在一定的幻觉风险。”此外，金融机构部门墙重、业务系统和管理系统割裂，也让全企业级的决策智能难以一步到位。

中电金信选择的落地路径是：从营销、风控等细分领域切入，以领域为基础构建“本体模型”。

“本体是什么？它是智能体的‘思维地图’。”杜啸争解释，“传统数据仓库的ER模型只关注‘实体-属性-关系’，而本体模型在此基础上，进一步显式建模了业务逻辑、流程关系、行为模式和约束条件，是数据模型的业务语义增强，能够实现结构化与非结构化数据的联合建模。”

有了本体作为业务语义蓝图，中电金信在智能决策操作系统中为AI应用构建了语义约束、上下文约束、口径约束、权限约束、流程约束、动作约束等“六层约束”机制，严格避免“AI说得像对的，但业务上不成立”这类问题。

“一个真正能上线的金融智能体，必须同时解决四件事：边界清晰、调用可靠、风险可控、过程可审计。”杜啸争总结道。

落地路径：从细分领域切入，不追求一步到位

对于资源有限的中小银行，杜啸争的建议相当务实——不要一上来就推全企业级的决策智能。

“从去年下半年到今年上半年，我们合作的客户基本上都是找细分领域切进去，比如远程银行营销提质、对公信贷风控、反洗钱监控，以这个领域为基础构建本体模型，建立智能体的闭环机制，形成决策后再跟业务系统打通。”杜啸争说。在他看来，这一波AI技术对中小银行其实是利好——技术壁垒不像以前那么大，大家站在相对接近的起跑线上。

但他也提醒，技术可以加速数据治理的进程，但该补的课——基本的数据标准、主数据管理、数据质量问题——仍然要补。“我们只能说加速了这个过程，但很多基础工作还是得做。”

目前，中电金信已与多家国有大行、股份制银行落地标杆实践。例如，某大型国有银行在远程银行场景中，通过本体建模优化代发工资客群的营销策略，显著缩短营销分析周期；某股份制银行构建了与数据中台平行的知识中台，实现多源数据融合与语义增强，支撑理财知识库与互联网贷款知识库建设；另一家国有大行在对公信贷场景中，通过知数平台实现海量非结构化数据的解析、向量存储与图谱存储，对外提供标准化的知识服务能力。

护城河与展望：数据智能体的“进化速度”定义未来银行

当被问及中电金信在数据智能领域连续9年位居IDC中国市场第一的“护城河”时，杜啸争的回答很平静：“我们对结构化数据非常熟悉，国内大型金融机构的数据平台70%以上我们都有参与。这一波，我们是在原来结构化数据基础上，帮助客户把半结构化和非结构化数据也纳入进来，构建知识中台。更重要的是——我们知道模型不能做什么，我们会加约束、加限制条件，让智能体的决策更加准确可靠。”

他还透露，中电金信已组建FDE（ForwardDeployedEngineer）团队，专门负责“产品+场景+业务效果”的闭环交付；同时持续沉淀金融数据治理与AI数据方法论，正在编撰金融领域AI的数据治理等专业书籍，并牵头“央国企金融数据产业共同体”，联合金融机构、高校与科研院所，共建高质量数据集与标准体系，推动“AI+金融”产业高质量发展。

从“管好数据”到“让业务理解数据”，再到“让数据驱动决策”，中电金信试图为银行业铺一条可落地的智能进化之路。正如杜啸争在采访结束时所说：“未来银行的竞争力，取决于其数据智能体的‘进化速度’——谁学得快、反应快、协同快，谁就能定义下一代金融服务。”

责任编辑：霍云昌