在金融机构将AI Agent从概念演示推向核心业务场景的征途上，真正的障碍是什么？恒生电子首席科学家白硕给出了一个穿透性的答案：核心瓶颈并非算力成本、模型能力或通用开发平台，而在于缺乏足够“厚度”的业务接口。
白硕指出，这里的“厚度”并非指底层技术API，而是指那些封装了完整业务逻辑、能精准理解业务人员自然语言指令的能力单元。当前许多Agent项目之所以陷入困境，正是因为它们“读不懂”真实业务需求中的复杂意图，无法解析带有业务语义的自然语言指令，或只能对原有系统进行简单粗暴的封装。这直接导致开发出的Agent要么无法满足业务需求，要么带有浓厚的技术痕迹，灵活性大打折扣。
他形象地比喻道：“你会关心一个电饭锅能支持多少种花式菜谱，至于底下的加热组件是否好用，反而不是关注重点。”这意味着，评判一个技术厂商的关键，在于其能提供多少种封装良好、易于调用的“菜谱”式服务，而非基础的编排框架。后者未来很可能标准化为“白菜价”。
白硕将金融AI Agent的发展划分为三个阶段：早期的“硬编码”阶段、AI出现后的“拖拉拽”半自动化阶段，以及当前的自然语言驱动阶段。但他认为，这远非技术终局。未来的理想架构可能是：敏态业务由Agent负责处理，稳态业务则转化为后台的工具、资源或物料，中间由与垂直领域资源深度结合的AI中台进行承接。
对于当前火热的通用Agent编排平台，白硕认为其价值在整体解决方案中的占比正在下降。脱离垂直领域深厚积累的平台，只能是一个“空架子”。真正的竞争力在于厂商能否基于自身熟悉的领域资源，开发出贴合需求的解决方案。
在成本构成上，算力目前仍占大头，但白硕对算力成本持续下降抱有信心。他认为，预算更应投向构建和丰富原子化的服务能力，这是决定Agent是否有用、能否满足多样化需求的关键。
关于金融机构自建Agent的可能性，白硕表示，少数对自身资源把控程度高的机构可能选择自建，但大多数仍不具备这样的能力。2025年，一个明显的趋势是平台化需求凸显，金融机构开始思考如何让采购的算力和模型资源交叉支持不同业务，减少重复投入，实现跨系统数据要素的统一与业务创新。
白硕最后强调，当前Agent领域仍处于早期阶段。真正的需求爆发，将在接口体系足够丰富和深厚之后才会出现。金融机构应采取“边用边备”的务实策略，从简单场景入手，逐步积累接口与优化业务适配，通过若干个短线目标，带动长线任务的完成。
