今天上午，珠海，湿热。本人有幸受邀参加"2026金融行业交流会"。台上换了好几拨人，多是几家国有大行、头部城商行科技部的专家。说起把AI用在研发上——写代码、做工程、提效率，个个意气风发，卯足了劲要大展拳脚；可一谈到把AI真正用进业务、持续创造业务价值，话就软了下来，总有点隔靴搔痒、力不从心。

这个落差，整场都在。

科技在自己的地盘如鱼得水，
一碰到业务就使不上劲——

科技和业务，还没真正站到一起。

这句话，今天上午我听了不止一回。不同的机构、不同的切入，讲到业务落地的真问题，都坦白绕回它。能把这道坎当众摊开来讲，本身就说明这个行业在认真往前走。

散会翻开近半年的客户访谈笔记。我们跟六十多家金融机构深度交流过，九成以上，记的都是同一句。

—— 两个"对称"的误会

这锅，甩给科技不合适，甩给业务也不合适。两边都很拼，本事也都硬，只是劲儿没往一处使。再往下看，根子上藏着两个对称的误会——这两个坑，几乎家家都得趟一遍。

先说业务这边。现在流行一个词叫vibe coding——把你想做什么告诉大模型，它分分钟就能给你写出一个能点、能跳的界面？瓷先ナ裁炊加，甚至比很多正式产品还好看？醋畔衽芡，产品不就成了?

可跑通的只是个demo。从一个demo，到一套银行敢用、经得起审计的系统，中间还隔着十几层工程：权限、安全、行级权限、限流、监控、回滚、审计合规。这些，在业务那份漂亮PPT上看不到全貌，全靠科技在底下一层层默默撑着：监管来查，AI给的每一笔判断，都得说得清楚依据是什么、凭什么这么定；不同岗位能看到哪些客户信息，得卡得死死的，半点越不了权；几万人同一时间涌进来，系统不能卡、不能崩。一个能点的原型背后，藏着这么多看不见的活。

再说科技这边。不少人觉得，不懂业务也没关系——我跟大模型多聊几轮，把业务怎么做的讲清楚，它就能帮我生成一个agent，看着挺像回事。

还有一种更危险的想法：把老系统的代码丢给大模型，让它逆向学一遍，业务逻辑不就还原出来了?听着很美，但想想就知道有多不靠谱——如果老系统里真把业务全装下了，那过去这些年，银行为什么还需要业务人员?太多"业务判断"，别说不在系统里，连文档里都找不到，还装在老专家脑子里：哪些客户催得、哪些不能催，这笔贷款表面合规但感觉不对劲，那个产品组合看着没问题但上次出过事——这些东西，代码里一行都没有。

可"看着挺像回事"和"真能做业务"之间，差着十万八千里。举个例子：一个理财经理给客户推产品，真正靠的不是话术模板，而是他知道这个客户上次买了什么亏了、这次心态偏保守、这个月刚还完房贷手头紧——这些判断，没有一条写在文档里，全是在一线磨出来的。技能要真有这种判断力，底下压着十几层，全得慢慢"养"：真实场景里那些没写进文档的边界、客户嘴上不说的偏好、过去踩过的坑、流程里业务最在意的例外。这些东西，问不出来，也逆向不出来，只在业务把技能真用起来、用坏、又用顺的过程里，一点点长出来。

两个误会长得不一样，错的是同一处：把好做的那一成，当成了全部。

技能没在真实业务里用过、磨过，再漂亮也只是玩具；原型没经过认真工程化，再好看也上不了线。两边各干各的，做出来的就是这两样东西。这跟谁努不努力没关系——这条路，本来就得两边一块儿走才走得通。

—— 连最能打的AI，进金融也没单干

看看美国刚发生的两件事。

Anthropic，做出Claude的那家公司，全球最顶尖的AI公司之一。五月四日，它没有自己去做金融产品，而是跟FIS（一家服务全球12%银行的金融科技巨头）合作，一起做了个反金融犯罪的agent——把银行反洗钱调查从几个钟头压到几分钟。加拿大蒙特利尔银行和美国Amalgamated银行，第一批参与共建。

十天后，OpenAI也没自己上，而是跟另一家金融科技巨头Fiserv联手，发布了一套给银行用的智能体操作系统agentOS，六家银行一块儿共创。

论模型，Anthropic和OpenAI是全世界最强的两家？伤墙鹑诘氖焙，都没自己上。为什么?因为光有聪明的大脑不够——银行的数据在哪、监管怎么查、客户信不信、出了事谁负责，这些全在FIS和Fiserv手里。模型公司再强，自己搞不定这些。

说白了就是：FIS的CEO讲，银行要的AI，得能干活，不能光出主意。谁来管数据?谁来盯着AI别犯错?谁在客户和AI之间把关?这些脏活累活，模型公司干不了，得银行自己信任的人来。OpenAI那边也认了同一件事：AI真正有用，是嵌进银行已经天天在用、天天在信的那些老系统里，而不是另起炉灶搞一套新的。

更值得看的是Anthropic怎么干的。它没有卖个模型就走。它把自己最懂应用的工程师，直接派到FIS的办公室里，跟FIS的人坐在一起干。一边干，一边教——目的是让FIS学会了以后，自己能接着做。你想想，全球最顶尖的AI公司，都觉得"我光给你一个模型，你用不起来"——得派人驻场，手把手一起养。连它们都这么干，说明什么?说明模型只是原料，真正的活儿，在"一起养"这三个字上。

—— 那我们怎么办

这两件事，跟我们这半年在一线看到的是同一个道理：模型只是原料，最多占一成。剩下九成呢?一半靠业务把自己的判断一点点喂进去——这叫"养"；一半靠科技把养出来的东西稳稳地工程化上线。两边缺一边都转不起来。

懂业务的、懂工程的，常坐到一起，就形成了一个越转越快的飞轮：业务把真实场景里的判断一点点喂进去，科技把它稳稳地工程化上线；上线了用起来，业务又能看到哪里判断不对、哪里还不够好，再喂一轮。越转，agent越懂业务、也越经得起真实生产的考验。

转出来的有三样：一个既懂判断、又能稳稳跑在真实业务里的agent；一套越用越准、越跑越稳的复利；还有最要紧的——这条闭环本身。

买来的模型谁都能买，生成的技能谁都能生成。养过、工程化过的那条闭环，别人抄不走。

珠海这句"还没站到一起"，是这一轮AI落地最扎心的一句。模型够不够强?早就够了？ㄔ谀?卡在科技和业务各干各的。业务自己搞，做出好看但经不起生产的原型；科技自己搞，养出聪明但不懂业务的技能。两边都在使劲，劲儿没拧到一处。

五月那两笔合作，把这事说得再明白不过：全世界最强的两家AI公司进金融，都没单干——
一家派工程师驻场，一家联合六家银行共创。
连它们都得跟懂业务的人绑在一起，我们凭什么觉得自己能单干?

办法说穿了就一句：懂业务的和懂技术的，别再各干各的，坐到一起干。

可"坐到一起"说起来容易，靠什么真坐到一起?PP电子模拟器做法，是把技能(Skill)养成一层两边都够得着的能力基建：业务看得懂，能用大白话自己写、自己验、自己改——不用等科技排期，自己就能动手迭代。这样一来，业务不再只是提需求、等交付，而是真正坐进来一起做，参与的意愿和底气都足了？萍颊馔纺?透过这些技能，第一次能真正读懂业务在想什么、要什么，工程化的时候挑的方案也更准、更对路。

一次合作，做出一个agent；
一直合作，长出一条护城河。

这事急不来，也省不掉。模型还会越来越强——这反倒说明，谁能把模型真正用进核心业务、还让它在真实生产里稳稳跑住，谁就越来越值钱。一个能点的原型、几轮聊出来的技能——这些谁都做得出，本就不值钱。值钱的，是那条业务一直养、科技一直工程化、两边咬着转的闭环。这条闭环转起来了，别人想抄都没得抄。

这些是我们在客户一线看下来的一点观察，摆出来跟同行交流，未必都对。AI真用进业务，大家都还在趟，能一起少踩点坑就好。