六大行2025年AI相关投入超1300亿元，工商银行落地500余个AI场景、招商银行达856个——但核心业务场景仅占20%却贡献了80%的AI价值增量。百度智能云白皮书指出，金融大模型应用正从“模型能力竞争”升级为“任务交付能力竞争”，没有Harness工程，AI永远进不了生产系统。报告基于19个金融场景的系统分析，提出“专家顾问-总工程师-执行助理-通用助手”四象限分类框架，为金融机构从单点试点走向体系化落地提供方法论。
高渗透、低重构——当前阶段的典型特征
麦肯锡2025年报告显示，约88%的机构已在不同场景开展生成式AI试点，但真正进入核心业务流程、能够直接影响业务产出的应用比例仍不足30%。六大行2025年AI相关投入超1300亿元，聚焦模型研发、算力建设与数据治理，但多数机构仍停留在单点试用阶段，尚未形成规模化、核心化的应用体系。
报告提出三个关键观察。模型不再决定胜负，系统开始定义能力边界——金融AI正从“能力获取”阶段迈入“能力运营与交付”阶段，从“预定义流程驱动执行”转向“任务驱动的动态求解”。场景的爆发掩盖不了价值的稀缺——高价值场景结构性稀缺，核心业务场景仅占20%却贡献80%的AI价值增量。生成能力解决“说什么”，任务能力解决“把事做成”——AI真正的能力分水岭在于能否稳定、合规地完成核心业务任务的完整执行链路。
Harness工程——AI进入生产系统的必经之路
报告提出核心判断：没有Harness工程，AI永远进不了生产系统。Harness工程并非具体产品或平台，而是一种围绕“AI任务执行”构建的工程范式，其核心目标是将AI从“概率性能力”转化为“可控、合规、可审计的生产力”。
Harness工程是Agent Runtime、Context Engineering（上下文工程）、Tool Orchestration（工具编排）、评测体系（Eval）以及治理机制（Governance）的有机综合体。其核心价值在于解决AI进入金融生产系统面临的五大瓶颈：任务执行可靠性问题、状态一致性问题、工具调用确定性问题、结果可验证问题、系统可进化问题。
报告特别强调，金融行业相较于互联网或通用企业场景，对AI系统提出了更高的约束要求：强监管特征要求完整的可解释性与可审计性；强一致性与确定性要求错误容忍度极低；责任归属明确要求“不可控AI”难以进入核心业务流程。这也从根本上解释了为何Harness工程在金融行业具有更高的必要性。
四象限分类——指导场景选择的方法论
报告以“业务知识复杂度”为纵轴、“业务流程复杂度”为横轴构建四象限矩阵。专家顾问型（高知识、流程相对固化）——风险管理、监管报送、制度合规等，核心价值在于将稀缺专业知识转化为可规模化调用的能力模块。总工程师型（高知识、高流程）——财富管理、对公信贷、线上APP经营等，核心价值在于通过对复杂流程的重组与协同推动业务模式升级。执行助理型（流程复杂、知识门槛可控）——投资研究、保险理赔、IT运维等，核心价值在于“能力资产化”——将依赖个人经验的操作沉淀为可复用的数字能力。通用助手型（低知识、低流程）——客服问答、知识检索、办公处理等，核心价值在于“规模化效率提升”。
四象限之间不存在必须“由浅入深”的固定演进路线。不同机构的数据基础、知识沉淀与战略诉求各异，切入点与节奏应有所差异。基础能力薄弱的机构建议以通用助手与执行助理为主战场；业务痛点集中于专业决策环节的机构可优先聚焦专家顾问型场景的AI原生化突破；在数据治理、知识体系与AI工程化方面已有积累的机构可直接切入总工程师级战略场景。
