金融领域的代理人工智能-印度尼西亚的机会与挑战
金融领域的代理人工智能：印度尼西亚的机会与挑战
原文：
towardsdatascience.com/agentic-ai-in-finance-opportunities-and-challenges-for-indonesia/
然而，随着当前围绕大型语言模型（LLMs）和代理人工智能的炒作，我开始质疑：这个行业如何真正利用这项新技术？与许多其他行业不同，金融行业在严格的监管、数据隐私规则和治理结构下运营——这些条件对我来说似乎与代理人工智能的自主性概念有些矛盾。
为了满足我的好奇心，我参加了于 2025 年 10 月 16 日在印度尼西亚雅加达举行的代理金融会议[1]。该活动由 Algoritma 数据科学学校[2]组织，汇集了来自银行、保险公司、金融科技公司、政府机构和人工智能初创公司的领先实践者，探讨代理人工智能如何可能重塑金融行业。
虽然讨论主要集中在了印度尼西亚，但许多见解反映了更广泛领域所面临的挑战和机遇——从东南亚乃至全球金融行业。在这篇文章中，我将分享我从活动中获得的关键要点、见解和反思。
免责声明：我与此文中提到的任何公司或组织都没有关联。它们仅用于清晰和说明。有关更多信息，请参阅文章末尾的参考文献部分。
1. 人工智能的回报率
每当一家公司计划启动一个新项目或采用新技术时，投资回报率（ROI）的问题不可避免地会出现。这是自然的，因为要开始新事物——尤其是使用人工智能——构建或集成此类系统所需的投资并不小。衡量公司为投资所获得的财务回报是至关重要的。
然而，在人工智能采用的情况下，准确衡量回报率可能具有挑战性。这是因为，大多数时候，当一家公司将人工智能解决方案集成到现有运营中时，往往很难孤立出纯粹由人工智能产生的价值。影响通常分布在多个团队和技术中，使得归因远非简单。
我从演讲者那里学到的理解这一点的其中一个方法，就是观察组织在不同成熟度级别上如何采用人工智能：
-
提高生产力
-
实现技术卓越
-
增强或创造收入来源
通过查看这些级别，我们知道 ROI 并不总是能够全面反映人工智能的影响。现在，许多组织开始用*价值回报率（ROV）[3]来补充 ROI，这是一种更全面的方法，它不仅衡量财务回报，还旨在回答诸如以下问题：
-
人工智能是否提高了决策质量？
-
它是否提升了客户满意度？
-
它是否提高了内部生产力？
另一个同样重要的视角是不采取行动的成本（COI）。这代表了公司因不采用或延迟采用*人工智能而可能遭受的潜在损失。根据《福布斯》[4]的报道，如果公司选择“观望”，将面临四个关键挑战：知识差距扩大、难以吸引顶级人工智能人才、错失学习机会，以及与已经实现人工智能化的竞争对手相比，运营效率低下。
总结来说，尽管投资回报率（ROI）在人工智能应用决策过程中始终是一个基本组成部分，但公司需要用其他视角来补充它，例如价值回报率（ROV）和不采取行动的成本（COI），以全面了解人工智能的影响和战略重要性。
2. 作为受监管部门的挑战
我接下来要讨论的第二个关键要点是安全性。
如我之前提到的，金融和其他部门之间的一大区别在于严格的监管和高度的数据保护。例如，印度尼西亚金融服务管理局（OJK）要求银行将其数据中心和灾难恢复中心保留在印度尼西亚境内[5]。
由于这项法规，金融机构不能自由采用基于云的系统。他们必须确保所有数据都保持安全并遵循当地法规。这就是为什么许多组织更愿意在本地或混合****基础设施上运行他们的 AI 系统，而不是完全依赖云。
此外，随着数据泄露和钓鱼攻击的数量增加，金融部门必须进一步加强其网络安全框架。一位演讲者强调，在集成人工智能之前，一切必须安全且符合规定——否则最好不要部署。在这个领域的失败成本，无论是财务上的还是声誉上的，都可能远大于延迟的成本。
3. 付诸实践的代理式人工智能
我们在组织实施人工智能之前讨论了两个最重要的方面。现在，让我们看看活动中演讲者提到的代理式人工智能的一些用例。
无人工财务报告
传统上，金融分析师依赖于大量和多样化的输入——例如市场价格、公司报告和新闻情绪——来构建他们的分析。这个过程需要速度和准确性，因为金融市场变化迅速。
使用 Agentic AI，这个工作流程可以被重新构想。通过连接到可靠和实时的数据源，不同专业化的 AI 代理（例如，市场研究、公司报告和新闻、历史数据分析以及报告设计）自主协作，生成简洁且数据驱动的报告。
决策者或分析师可以简单地用自然语言提问，然后多代理系统协调这些专门的代理在几秒钟内以 PDF 或幻灯片格式提供报告。
此外，对于重复的汇报任务（如每日或每周更新），用户可以安排系统使用最新的市场数据生成报告。
在我看来，在这个用例中，数据源的可靠性是最关键的因素。为了使报告可信，我们不能让专门的代理生成数据——我们称之为幻觉。因此，我们不需要使用他们自己的训练数据，而是需要给他们提供精心挑选、经过验证的数据集。
尤其是在市场分析方面，像Sectors.app这样的平台提供了一系列API 端点，AI 代理可以通过这些端点检索实际市场数据。使用这样的可信来源——或任何其他经过验证的来源——有助于最小化幻觉，确保准确性同时提高分析师的生产力。
几个月前，我开始使用Sectors.app API和OpenAI Agents SDK在Agentic AI上展开我的旅程。我创建了一个简单的Streamlit 应用，允许用户与 AI 代理互动并询问与在印度尼西亚证券交易所（IDX）上市的公司相关的问题。
我已经在我的GitHub上发布了这个项目，仓库链接可以在本文末尾找到。
AI 驱动的审计流程
令我惊讶的一次讨论来自印度尼西亚审计委员会（BPK）——负责审计国家财政管理和问责制的政府机构。引起我注意的是，他们在运营中采用 AI 解决方案已经走了多远，这是我从一个政府机构那里没有预料到的。
与Supertype合作，BPK 将其 AI 解决方案集成到其BIDICS 平台中，将大量审计文件转化为可查询的知识库，以支持审计过程——从搜索、分析到可视化报告中的关键数据[7]。
他们利用 LLM 对文档进行数据提取和分类，以及生成初步的分析见解。AI 驱动的见解帮助 BPK 审计员在开展详细现场审计之前进行规划、风险评估和决策[8]。
演讲者提到的关键挑战之一是确保数据访问仅限于授权审计员，以防止任何潜在的滥用。这尤其重要，因为 BPK 有权收集和管理大量敏感的财务数据和文件。
此外，BPK 还保持人机协作的方法，意味着所有最终决策都必须涉及人工监督——鉴于机构采取的每一个行动的影响，这是一个至关重要的保障措施。
从 BPK 学习，作为印度尼西亚高度监管的机构之一，看到他们如何与第三方如 Supertype 和几所大学合作采用人工智能，使我意识到监管不一定是创新的障碍。相反，它可以作为一个框架，引导负责任且具有影响力的新技术采用。
人工智能如何帮助公证人
人工智能的另一个有趣用例来自NOTAPOS [9]，这是一个开发用于管理端到端法律文件并协助公证人及法律专业人士的平台。
法律程序——尤其是在印度尼西亚——通常是手动且耗时的，包括手动数据录入、验证文件上传等。
驱动这一事实，NOTAPOS利用人工智能来简化和自动化这些工作流程。据他们所说，该平台可以将通常需要 18 小时到几天才能完成的过程缩短到仅仅 30 分钟。
听起来很神奇，对吧？
但这并不是我想在这里强调的主要观点。在下一节中，我想回顾创始人分享的他们在开发过程中遇到的挑战——我认为这些经验教训对我们探索是有价值的。
4. 当人工智能发展过快时
这可能是我从专家分享 AI 的另一面兴奋之处所收集到的我最喜欢的见解。
所以，让我们继续之前关于 NOTAPOS 的讨论。在他们发展的早期阶段，构建一个能够理解特定领域知识——在这种情况下是印度尼西亚的法律环境——的定制模型需要手动微调。他们必须向模型提供数百份法律文件，以便它能够学习必要的上下文和术语。
现在，随着大型和多样化训练数据的 LLM 的快速进步，许多上下文已经作为它们知识的一部分存在。以前需要大量手动微调的任务现在可以立即完成，无需额外的培训和设置，使开发变得更快且成本效益更高。
由于人工智能的快速进步，这种情况和其他类似案例的出现引发了一个新的困境：
我们应该继续现在建设，还是等待可能使今天的努力变得过时的下一个重大飞跃？
在个人反思中，这个问题将我们带回到了这篇文章早期讨论的主题——不采取行动的成本。在这样一个快速发展的领域，等待可能看似避免“不必要的”成本的一种方式，但真正的风险在于落后于时代——错失学习、实验和适应技术发展的机会。
我们不能只是等待。正如演讲者明智地指出，“关键在于能够预测未来六个月技术将处于何种状态”。“这并不总是关于追逐每一个新的趋势，而是关于保持适应性，并定位自己以抓住每一个到来的机会。”
5. 最重要的提问：人工智能会取代人类吗？
我非常欣赏这次会议的一点是，它将来自不同背景的人们聚集在一起。这种多样性体现在他们对同一个大问题的反应上有所不同——人工智能会取代人类吗？
当然，这个问题不能简单地用是或否来回答。大多数公司相信人工智能并不一定是为了取代人类，而是为了赋予他们力量。为了确保这一点，组织需要大量投资于有针对性的培训计划，以帮助员工利用人工智能——至少是提高生产力。
然而，仅仅培训并不能保证人们能够有效地采用人工智能，尤其是在拥有多元代际和文化背景的公司中。总会有一些群体抵制变革，将人工智能视为威胁，或者认为它过于复杂而难以使用。这就是领导力变得至关重要的地方——引导和转变思维模式。
尽管如此，如果人工智能能够执行某些重复性或文书工作——可能比人类做得更好——那么那些主要角色由这种工作定义的人会怎样呢？一家公司分享说，随着人工智能接管了行政任务，他们已经将一些后台角色转向了更多面向客户的位置。（不幸的是，我没有机会更清楚地了解为什么从后台到面向客户角色的转变。）
最终，公司和员工都有责任确保持续的再培训和技能提升，以保持在工作场所持续的人工智能转型中的相关性。
结论
代理人工智能开辟了许多机会；提高生产力，实现技术卓越，甚至创造全新的商业领域。然而，所有这一切都离不开在法规、数据安全、基础设施和人类准备方面的坚实基础。
在这篇文章中，我们讨论了我在会议中的一些主要收获。我很感激有机会看到不同的组织如何应对这个新时代的转型。
当然，这并不是这段旅程的终点。实际上，我们在这里讨论的部分内容很快就会变得不再相关。然而，这正是人工智能快速发展的现实。然而，我们不能简单地等待观望。
参考文献
[1] Supertype — 代理金融会议 supertype.ai/agentic-finance
[2] Algoritma 数据科学学校 algorit.ma/
[3] Yedda Stancil — 投资回报率（ROI）与价值回报率（ROV）：理解关键差异 www.linkedin.com/pulse/title-roi-return-investment-vs-rov-value-key-yedda-stancil/
[4] 福布斯 — 对 AI 不采取行动的隐性成本：为什么你不能坐等观望 www.forbes.com/councils/forbestechcouncil/2025/06/26/the-hidden-cost-of-inaction-on-ai-why-you-cant-afford-to-wait-and-see/
[5] OJK 法规 No. 11/POJK.03/2022 — 商业银行的信息技术应用 ojk.go.id/en/regulasi/Documents/Pages/Implementation-of-Information-Technology-by-Commercial-Banks/OJK%20Regulation%2011%202022%20concerning%20Implementation%20of%20Information%20Technology%20by%20Commercial%20Banks.pdf
[6] Sectors.app — 领域金融 API sectors.app/api
[7] Supertype.ai — 与 BPK 合作的 LLM 开发和协作 supertype.ai/llm-development
[8] INTOSAI 期刊 — BPK BIDICS：从一个无答案的问题出发 intosaijournal.org/journal-entry/bpk-big-data-analytics-bidics-from-a-question-that-has-no-answer/
[9] NOTAPOS — 由 AI 驱动的法律文档管理平台 notapos.co/
您可以在本GitHub 仓库中找到源代码和我的早期学习里程碑。在这个项目中，我使用了OpenAI Agents SDK、Sectors.app API和Streamlit来构建一个简单的交互式金融应用，允许用户与 AI 代理互动并询问与印尼证券交易所（IDX）上市的公司相关的问题。
最后，让我们在LinkedIn上建立联系！
浙公网安备 33010602011771号