1987年，经济学家罗伯特·索洛注意到了一个反差：计算机正在越来越广泛地进入经济活动，但技术进步带来的红利尚未充分反映在生产率统计中。后来，这一现象被概括为“索洛悖论”或“生产率悖论”。

技术的扩散并不会自动转化为生产率。随着信息技术进一步渗透，企业同步调整流程、组织和管理方式，技术红利才逐步释放。

那时计算机刚刚普及，许多企业还不知道该拿它做什么，提高生产率不见起色，期待中的技术红利也迟迟没有出现。后来，信息技术进一步扩散，企业在流程、组织和管理上也做了配套调整，生产率的提升才慢慢显现出来。

近四十年后，相似的命题再次出现在AI时代。

个人和团队已经越来越会用AI，写报告、做纪要、生成代码，效率的提升清晰可见，但整个金融机构的生产率，并不会因此自动同步提升。在对安全、可靠和确定性要求极高的金融业，这一矛盾尤为突出。

在9月19日举行的媒体圆桌上，华为数字金融军团CEO曹冲把这个问题进一步指向“组织生产力”：当前更关键的问题，已经不只是模型能力会不会继续增强，而是金融机构能否把快速增长的智能能力，真正转化为组织生产力。

要实现这种转化并非更换一个更强的模型即可完成，它牵涉架构、工程、知识、治理、安全和价值度量等一整套企业级能力。

生产力的断层怎么补，平台开源之后安全怎么办，答案要到组织与工程的层面去找。

9月17日，在华为全联接大会2026期间举办的全球金融峰会上，华为发布金融启元Agentic AI解决方案，提出开放架构、开放资产、开放算力，回应智能体（能够理解意图、自主执行任务的AI程序）从试点走向规模化的共性难题。

智能为何没有自动变成生产力？

AI技术本身具有一定的不确定性，而金融业务强调确定性。一个场景在实验环境中跑通，与真正进入大规模生产，是两件不同的事。

个人层面的AI使用，任务边界通常相对有限，当智能体真正进入金融机构的生产系统，问题就会从个人效率上升为组织级治理问题。权限要管理，知识要沉淀为组织资产，在大规模、反复调用中，输出质量还要保持稳定、可控、可复核。

评测的标准也随之变化。传统应用开发以功能为中心，重点验证功能是否满足需求；进入智能时代，还要持续评测体验、准确性、可靠性和安全性。在实验验证阶段，一些安全、跨部门共享、权限管理、可用性和资源约束问题往往尚未被完整暴露；进入生产之后，这些问题必须放在同一个系统中解决。

类似的命题，在技术史上出现过。电气化带来的生产率提升，并不只是用电动机替换旧动力，更重要的是企业围绕新的技术条件重新设计生产流程、设备布局和组织方式。新技术真正释放价值，往往需要与之匹配的组织创新。

今天，一些金融机构的不同部门各自建设智能体平台，短期看各自效率都在提升，规模一扩大就形成新的“烟囱”，能力无法共享复用，与当年在旧车间里安装电动机的处境相似。

这种断层具有行业共性，但不同金融机构所处的阶段并不完全相同。

从多家金融机构的落地实践里，一些先行机构已经进入规模化应用的“深水区”，不仅要解决当下的生产问题，也开始提前思考下一阶段的架构演进和企业级治理。

从试点到生产、从生产到规模化、再到超大规模化，三个阶段分别要解决可用、可复制、可经营的问题。随着智能体从规模化走向超大规模化，架构演进和企业级治理的重要性进一步凸显。

华为把三个阶段的共性问题系统梳理成《金融九问——生产级智能体规模化落地行动指南》，围绕智能体从规划、建设到运营治理全流程中的九类关键问题形成系统化行动路径，为金融机构推进智能体规模化落地提供参考。

未来一家机构可能运行几千、几万甚至更多Agent，相当于一支持续扩编的数字员工队伍，从构建、训练、运行到权限、安全、协同、持续演进，需要一整套管理机制。“企业管理一万名员工已经很复杂，未来管理大规模Agent，本质上也是企业级治理问题。”曹冲说。

上线也远非终点，传统IT时代强调“上线即交付”，智能时代强调“上线即运营”，智能体需要持续评测、优化和迭代，在真实使用中不断提升。

不少金融机构的管理者还带着另一重困惑，工具已经具备，组织为什么没有充分用好。这既有工具本身的原因，也有业务人员理解和使用AI能力的原因。AI转型最终带来的是组织能力的变化，技术平台只是基础，更重要的是通过平台、工程、资产和人才体系，让组织真正形成使用和运营AI的能力。

要把这道断层真正补起来，工程能力是关键一环，但不是唯一一环。平台架构、AI资产、工程工艺、知识、安全治理和算力必须协同，工程体系则承担着把模型能力转化为稳定生产能力的重要作用。曹冲把它列为金融AI从试点走向规模化的关键能力之一，也是华为长期积累的优势，通过深度参与多家金融机构的AI规模化实践，华为在模型工程、算力工程、智能体工程、安全工程等方面积累了丰富经验，并将这些经验沉淀到金融智能体加速器FAB中，转化为可复用的工程工艺和工具，帮助金融机构更快速、高效、安全、可靠地推进Agent规模化落地。

2025年9月发布的FAB 1.0沉淀了5阶13步标准工艺，帮助智能体加速上线；今年升级的FAB 2.0，进一步把建设重心从加速上线延伸到生产环境中的可靠运行、专业认知和安全治理，同时增强知识工程与本体工程能力，把隐性经验转化为可复用、可调用的知识和技能，并对业务对象、关系和规则建模，让智能体更好地理解金融业务。一年之间的版本演进，与行业从试点期走向生产期的节奏一致。

“金融AI的价值衡量，一定要从做了多少Agent转向产生了多少业务价值。”曹冲强调，价值的衡量从立项之前就要开始规划，战略上坚定拥抱AI，战术上坚持价值导向、量化评估。

面对大量前台、中台、后台场景，曹冲在圆桌交流中举例称，有金融机构以“三多”作为寻找高价值场景的思路——用人多、用时多、用钱多。远程银行的营销外呼曾长期依赖第三方服务，成本高，能力也沉淀在外部；引入AI之后，单次服务成本下降，营销能力留在了机构自身，还可以通过统一平台复用既有能力、加快上线速度。

许多银行正在把价值指标进一步做成可持续监控的度量系统，业务侧关注增长、风险与人均效率，例如营销转化率、反欺诈指标、人均处理时长；客户侧关注体验与全生命周期经营，例如净推荐值、留存率和活跃率。

全行口径的度量也已经出现。

招商银行首席信息官周天虹此前在股东沟通中透露，该行用“AI贡献比”衡量AI处理业务对应工时与人工实际投入工时之比，该指标从2025年底的1:13.5提升至2026年5月底接近1:9。

度量的对象，正在从单个项目扩展到整个组织。

组织生产力的另一半问题，在能力的边界上，哪些必须自己长期沉淀，哪些不必家家重建。

开源开放，走深走实

对于银行等金融机构而言，随着AI进入核心生产，一个越来越重要的问题是：哪些能力必须持续沉淀在自己手中，哪些行业共性能力适合开放共建。

与自身经营直接相关的数据、知识、业务规则、场景经验和风控能力，需要长期沉淀为机构自身的核心资产，不宜简单外包或完全依赖外部建设；生产级智能体系统内核、通用工程工艺、工具链和算力运营等行业共性能力，则更适合通过开放共建减少重复建设。

华为提出的开放架构、开放资产、开放算力，本质上正是在机构自主能力与行业共建之间形成更清晰的分工。

业务知识、规则和风控经验，必须沉淀为银行自身的核心资产，银行对业务逻辑理解得越深，竞争力就越强，这些资产不能外包，也无法由别人代建；智能体平台等部分共性能力，可以通过开放共建减少重复建设；工程资产和算力优化，则可以共享、复用与协同。

曹冲提到的开放架构、开放资产、开放算力，“三个开放”对应的正是后两层。

华为的定位，是发挥ICT基础设施、平台和工程能力优势，通过开放的软件、平台与生态能力，帮助金融机构把AI真正运行起来、规模化用起来，同时把自身的业务知识、规则和经营经验持续沉淀为企业核心资产。

坚定走开源开放、共建共享之路，通过开放架构、开放资产、开放算力，贯穿业务、架构与工程全链路，共同解决行业智能化的共性难题。，既要能把存储、计算、网络、智能体平台各层技术贯通，也要有大量从0到1、从1到N的实践积累。这两项能力很难速成，也正是华为过去几年在金融行业沉淀下来的核心优势。

全球金融峰会上发布的金融启元，沿三个开放展开。开放架构的核心举措，是把方案的核心平台openJiuwen开源，这是中国首个金融级开源智能体平台。

华为的定位，是发挥ICT基础设施、平台和工程能力优势，通过开放的软件、平台与生态能力，帮助金融机构把AI真正运行起来、规模化用起来，同时把自身的业务知识、规则和经营经验持续沉淀为企业核心资产。

平台在金融场景重点强化长稳运行、金融级组件和一站式开发运行。

开放资产的载体是FAB 2.0，200多个金融工程工艺资产围绕10大类金融场景、15种资产类型，通过openJiuwen × FAB智慧金融专区向行业开放。

把工程经验做成开放资产，也在改变AI项目的交付方式。相比一次性的项目经验，资产化的核心是把实践中验证过的方法、Skill参考样例、知识工程和工具沉淀为标准化能力，使金融机构可以持续复用、验证和二次开发，把一次项目经验转化为组织长期能力。

开放算力的关键举措，是金融元枢Token全生命周期运营方案（Token是大模型处理任务的计量单位）。

智能体时代，不同业务对模型、时延、并发的需求差异很大，算力的关注点正在从规模和利用率，转向Token的生产与运营效率，目标是高效、经济、可持续的供给，降低单位任务的成本。

算力的命题，正在从“建多大规模”延伸到“如何经营供给”。

目前，openJiuwen已在10多家金融机构规模化部署，在单一客户环境中，可支持1000多个智能体在线运行、万级并发，服务2000多万用户。与此同时，自FAB 1.0发布以来，相关工程工艺体系已帮助20多家客户加速智能体场景落地。这些实践表明，从智能体平台到工程工艺体系，华为正在真实金融生产环境中验证生产级智能体规模化落地所需要的关键能力。

而要让这些能力能够持续演进，仅靠一家企业封闭建设并不足够。随着模型、工具和智能体技术快速迭代，传统长周期的软件升级方式越来越难以匹配AI的发展节奏。华为因此选择开源开放，希望让客户、伙伴和开发者共同参与，使平台能力能够随着金融行业需求持续演进。

在这一开放体系中，金融机构可以基于开源内核开展自主研发，软件伙伴可以开发商业版本，平台类伙伴可以进行组件级集成，应用类伙伴则可以调用开源组件。不同参与者基于统一底座进行创新和协作，既减少重复建设，也有助于让经过验证的能力更快沉淀、复用和迭代。随着生态逐步完善，外呼、营销、信贷等不同场景的智能体，也可以在明确的身份、权限和治理框架下实现更进一步的协同。 

开源的另一重价值在透明，机构能更清楚地理解和掌握底层代码与关键能力，降低“黑盒”带来的不确定性。对于金融机构而言，开源的核心价值并不只是降低软件获取门槛，更在于可理解、可参与、可自主演进。

平台开源之后，安全怎么办。

在曹冲看来，开源开放与安全本身并不矛盾，开源带来更快的协作迭代和更高的技术透明度，但“透明不等于天然安全”，金融机构仍需结合自身安全体系持续做工程化加固。

智能体安全需要覆盖规划安全、执行安全和内容安全，规划安全保障任务理解、意图识别和规划过程可控，执行安全通过最小权限、安全隔离等机制约束智能体对存量系统和API的调用，内容安全依托平台能力与生态伙伴共同保障。

开源技术早已是企业级基础设施的重要组成部分，openJiuwen开源社区对代码合入设有严格的审核机制，并围绕版本全生命周期开展安全管理。

对金融行业而言，开源与安全并不是一道二选一的选择题。开放解决的是协同创新和持续演进，安全则需要通过金融级内核、权限控制、工程治理和全生命周期管理持续保障。

AI最终改变的，是金融服务的覆盖方式。

银行业讲了多年“千人千面”，真正的“一人一客、一人一策”却始终难以实现，高度个性化的服务只能集中于少数重点客户。

AI让机器可以在更大规模上提供个性化服务，“每个人都是VIP”有了新的技术基础，传统“二八原则”之下的长尾客户，同样可以获得高质量的金融服务；手机银行的交互，也在从找功能、点菜单，转向自然语言的任务式服务，客户直接表达“我想做什么”，剩下的流程由智能体协同完成。 

当更多机构完成组织层面的能力重构，AI带来的生产率红利才可能逐步释放。

而在这一过程中，分工也将越来越清晰：行业金融级Agent平台、工程与算力优化能力可以开放共建，金融机构自身的业务知识、规则、客户经营与治理能力，则需要持续沉淀。

这也是华为此次金融启元Agentic AI解决方案想解决的核心问题：联合伙伴，围绕智能体平台、智能体场景矩阵、工程工艺资产、知识和本体、安全与治理和Token全生命周期管理，构建支撑生产级智能体规模化落地的完整能力体系。

曹冲将华为的选择概括为八个字：“开源开放、共建共享”。他说，华为希望沿着这一方向持续推进，在金融行业把这条路坚定地走下去。