SKILL.md

> ⚠️ SECURITY NOTICE / 安全声明

> - Type: Educational reference / analytical framework ONLY

> - No executable code, scripts, or binaries are included in this skill

> - No persistent storage, network calls, background execution, or credential collection

> - All outputs are for reference only and require human review before real-world application

> - This skill does NOT provide financial, legal, or insurance advice

> - Users must exercise their own judgment and consult qualified professionals

>

> ⚠️ 数据安全警告

> - 本技能仅提供金融机构AI转型的战略分析框架，不执行任何代码或脚本

> - 所有战略建议均为参考性输出，不能替代专业咨询团队的深度调研

> - 不收集、不存储用户的任何机构数据、业务数据或个人信息

> - 监管合规信息请以国家金融监督管理总局（NFRA）官方文件为准

> - 文中涉及的行业数据、案例仅用于方法论说明，不构成对特定产品或供应商的推荐

Identity

⚠️ 精确触发规则：仅当用户明确需要制定AI转型战略、评估AI投资优先级、设计AI治理框架等金融AI战略规划类话题时激活。日常对话提及"AI"、"战略"、"转型"、"数字化"等通用词汇时不会自动触发。

用户确认规则：匹配以下关键词时，需先向用户确认后再进入战略规划模式：

• "您需要金融AI战略规划支持吗？请注意：本技能输出仅供内部参考，不构成投资建议。确认继续？"

• Skill Name: 金融AI战略规划师 (Financial AI Strategy Architect)
• Slug: finance-ai-strategy
• Version: 5.2.0
• Language: 中文为主，英文关键术语保留
• Author: 葛成 (@gechengling)
• Description: 以麦肯锡方法论为体、阿里百技图Agent体系为用、保险AI研究报告为证，帮助金融机构制定从"数字"到"数智"的AI转型战略。
• Key References:
• 阿里百技图：Agent生产力公式、金融AI雇员全景、多智能体协作框架
• 保险AI研究报告：MCP/A2A生态、LLM选型策略、行业最佳实践
• 麦肯锡：三地平线、MECE诊断、ROI评估方法论

Core Thinking Models

模型一：金融AI三大视界（麦肯锡三地平线框架）

┌─────────────────────────────────────────────────────────────┐
│              金融AI战略 — 三大视界（Three Horizons）           │
├──────────────┬──────────────────┬────────────────────────────┤
│  Horizon 1    │  Horizon 2        │  Horizon 3                  │
│  (0-12个月)   │  (12-36个月)      │  (36-60个月)                │
├──────────────┼──────────────────┼────────────────────────────┤
│ 运营效率革命  │ 客户体验重塑      │ 商业模式创新                │
│              │                  │                            │
│ • 智能客服    │ • AI Agent投保    │ • AI原生保险产品            │
│ • 文档自动化  │ • 个性化产品推荐  │ • 动态定价2.0              │
│ • 智能理赔    │ • 全渠道客户旅程  │ • 去中介化平台              │
│ • RPA升级     │ • 多模态交互      │ • 生态化金融服务            │
├──────────────┼──────────────────┼────────────────────────────┤
│ 典型场景：    │ 典型场景：         │ 典型场景：                  │
│ 核保自动化   │ Agent驱动的理赔    │ 自主风控决策体系            │
│ 智能客服     │ 智能投顾           │ AI原生保险产品              │
│ 报表生成     │ 个性化营销         │ 开放银行/保险平台           │
├──────────────┴──────────────────┴────────────────────────────┤
│ 核心原则：Horizon 1 造血 → Horizon 2 蓄力 → Horizon 3 领跑   │
│ "先赋能、再替代、最后创新"                                  │
└─────────────────────────────────────────────────────────────┘

模型二：AI就绪度诊断（MECE框架）

六大维度评估金融机构AI就绪度：

诊断方法论（MECE逻辑树）：

金融机构AI就熟度
├── 能力维度（内部）
│   ├── 数据基础（数据中台、数据质量、数据合规）
│   ├── 技术能力（算力、模型、工程化）
│   ├── 人才储备（AI团队、培训体系、文化接受度）
│   └── 组织架构（AI部门定位、决策流程、激励机制）
│
├── 战略维度（顶层设计）
│   ├── 愿景清晰度（是否明确AI战略定位）
│   ├── 资源投入（预算、人力、管理层承诺）
│   └── 路线图（分阶段目标、里程碑）
│
└── 环境维度（外部）
    ├── 监管要求（NFRA/CBIRC合规）
    ├── 市场竞争（同行进度、技术替代风险）
    └── 技术演进（MCP/A2A、多模态、Agent）

模型三：Agent生产力公式（阿里百技图精华）

AI Agent = 大模型(LLM) × 工具生态(MCP/A2A) × 业务流程(RPA/Workflow)

Agent生产力公式：

             协作系数 α
    Productivity = (LLM能力 × 工具生态 × 流程数字化)  
                   ─────────────────────────────
                        治理成本 + 风险系数

其中：
- LLM能力: 推理、多模态、长上下文、Function Calling
- 工具生态: MCP服务器数量、A2A协议成熟度、API覆盖度
- 流程数字化: 业务流程数字化率、数据可获取性
- 协作系数α: 多Agent协作效率（单Agent=1, 多Agent=1.5-3）
- 治理成本: 安全审计、合规检查、模型监控的人力投入

Agent能力层级（L1-L3渐进路线）：

金融AI雇员全景（阿里百技图推荐的10类核心AI Agent角色）：

模型四：场景优先级矩阵（价值×可行性）

Y轴（商业价值）：高/中/低
X轴（技术可行性）：高/中/低

四象限排序策略：

1️⃣ 高价值+高可行 → 立即规模化（2026-2027 Q1-Q2）
   - 智能客服（85%替代率，已大规模验证）
   - 文档处理（70%效率提升，技术成熟）
   - 风控决策（决策时效<3秒，模型稳定）

2️⃣ 高价值+低可行 → 预研+试点（2026-2027 Q3-Q4）
   - Agent驱动的投资顾问（监管待明确）
   - 全自动核保引擎（需解决可解释性）
   - 多Agent协作理赔（技术仍在演进）

3️⃣ 低价值+高可行 → 快速试水（2026 Q1-Q2）
   - 智能质检（部署简单，ROI中等）
   - 报表自动化（工具成熟）

4️⃣ 低价值+低可行 → 暂缓/外包
   - 通用客服（非核心能力）
   - 数据标注（可外包）

模型五：大模型选型与MCP/A2A生态

LLM选型四维评估矩阵：

MCP/A2A协议生态（2026年现状）：

选型推荐（麦肯锡式决策树）：

数据敏感度？
├── 高（监管数据）→ 开源模型本地部署（Qwen/DeepSeek）
│   └── 是否需多模态？
│       ├── 是 → Qwen-VL / DeepSeek-VL
│       └── 否 → Qwen3 / DeepSeek-R1
│
└── 低（非敏感场景）→ 闭源API（Claude/GPT）
    └── 是否需长上下文？
        ├── 是 → Gemini 2M Token / Claude 200K
        └── 否 → GPT-4o / Claude Sonnet 4

模型六：AI治理金字塔（合规框架）

┌─────────────────────────────────────────┐
│           顶层：AI战略层                  │
│  AI伦理委员会 · AI战略委员会 · NFRA监督 │
├─────────────────────────────────────────┤
│         二层：AI治理委员会                │
│  跨部门协调 · 模型风险管治 · 合规审计    │
├─────────────────────────────────────────┤
│         三层：AI运营规范                  │
│  模型全生命周期管理 · 数据治理 · 算法公平 │
│  · 可解释性 · 偏差监控(±5%应急机制)     │
├─────────────────────────────────────────┤
│         四层：技术基础设施                 │
│  安全审计 · 隐私保护 · 模型监控 · 灾备    │
│  · MCP连接安全 · A2A通信加密             │
└─────────────────────────────────────────┘

2026年监管新要求（中国人民银行）：
1. 建立AI模型台账，重大模型变更须经独立第三方审计
2. 模型偏差超±5%须启动应急机制
3. 金融科技伦理委员会：算法公平性/透明度/可解释性纳入年度评级
4. 数据要素×金融：企业数据资产入表，数据质量评分纳入央行评级

模型七：AI项目ROI评估（麦肯锡方法论）

三层次ROI评估：

第一层：直接成本节约
  = 人力替代 × 人均成本 + 效率提升 × 时间价值 + 错误减少 × 损失避免

第二层：间接收益
  = 客户满意度提升 × 留存率 × CLV + 交叉销售率提升 × 平均客单价

第三层：战略价值（量化）
  = 数据资产积累 + 技术能力沉淀 + 品牌溢价 + 监管合规成本降低

推荐指标：
- Payback Period（回收期）：建议<18个月
- IRR（内部收益率）：目标>25%
- ROI（3年）：目标>200%

模型八：组织变革曲线（从"工具化"到"AI原生"）

组织AI成熟度五阶段：

L1 工具辅助 (2024前) → AI作为效率工具
L2 流程嵌入 (2024-2025) → AI嵌入核心业务流程  
L3 能力内化 (2025-2026) → 自建AI中台+模型微调
L4 生态共建 (2026-2027) → MCP生态+多Agent协作
L5 AI原生 (2028+) → AI原生产品+Agent自主决策

变革管理关键动作：
- 高管对齐：Board-level AI战略研讨会（季度）
- 中层赋能：AI literacy培训计划（覆盖100%中层）
- 一线激励："AI Champion"评选机制
- 组织保障：CAIO（首席AI官）或AI转型办

2026年金融AI关键趋势

When to Use

可直接激活（精确匹配AI战略规划场景）：

• "我要制定金融机构的3-5年AI转型战略"
• "AI场景那么多，先做哪个后做哪个？"
• "怎么建立AI治理体系，满足CBIRC/NFRA要求？"
• "AI能力是自己开发还是外面采购？"

需用户确认（可能与其他场景重叠）：

• "金融机构怎么做数字化转型"
• "AI在保险行业的应用"
• "怎么评估一个AI项目的ROI？"
• "AI Agent怎么在金融落地"

不适用场景：

• 具体代码实现（请使用开发类技能）
• 投资建议/个股推荐（请使用投资分析技能）
• 法律合规意见（应咨询法务团队）

Python Code Templates

ROI计算模板

> 示例代码（仅供学习参考，非本技能自动执行）：

def calculate_ai_roi(investment_cost, annual_savings, efficiency_gain, years=5):
    """
    AI项目ROI计算（参照麦肯锡三层次ROI方法）
    - investment_cost: 初始投资（万元）
    - annual_savings: 年化成本节约（万元）
    - efficiency_gain: 效率提升带来的收益（万元/年）
    """
    total_investment = investment_cost
    total_benefits = 0
    for year in range(1, years + 1):
        annual_benefit = annual_savings + (efficiency_gain * year * 0.1)
        total_benefits += annual_benefit
    roi = (total_benefits - total_investment) / total_investment * 100
    payback = total_investment / (annual_savings + efficiency_gain)
    return {"roi": f"{roi:.1f}%", "payback": f"{payback:.1f}年"}

AI成熟度评估框架

> 示例代码（仅供学习参考，非本技能自动执行）：

def assess_ai_maturity():
    dimensions = ["数据基础", "技术能力", "组织文化", "治理体系", "应用场景"]
    levels = {
        1: "初始级 - 手工流程为主",
        2: "基础级 - 核心业务数字化",
        3: "发展级 - 多个AI场景落地",
        4: "成熟级 - AI驱动决策",
        5: "领先级 - AI原生架构"
    }
    return levels

Compliance Checklist

CBIRC合规要点

• 建立数据治理框架（数据分类分级、数据质量管控）
• 明确AI应用场景的权责边界（AI辅助≠AI决策）
• 建立模型风险管理制度（模型台账、三方审计）
• 定期进行AI系统审计（偏差监控±5%）
• 保障消费者权益和隐私（PIPL合规）

PIPL合规检查

• 数据收集最小必要原则
• 用户知情同意
• 数据本地化存储
• 个人信息删除权保障

2026年新增合规要求

• AI伦理委员会设立（持牌机构必备）
• 算法公平性/透明度/可解释性纳入年度评级
• 重大模型变更须独立第三方审计
• 跨境数据流动合规（跨境金融沙盒试点）

Source Notes

• 阿里百技图 · 金融行业Agent百技图（2026）
• 保险科技专委会《大模型AI Agent在保险行业的应用研究报告》（2025）
• 麦肯锡《Three Horizons of Growth》
• 银保监会《银行业保险业数字化转型指导意见》
• NFRA AI合规指引（2025-2026）
• 中国人民银行《金融科技发展规划》
• Gartner《AI in Financial Services》

ClawHub Metadata

• Slug: finance-ai-strategy
• Tags: AI转型,数智化,金融科技,AI治理,战略规划,CBIRC合规,智能金融,Agent,AI Agent
• Version: 5.2.0
• License: MIT
• Author: gechengling
• ClawHub URL: https://clawhub.ai/gechengling/finance-ai-strategy

README (English)

Financial AI Strategy Architect — McKinsey-informed AI transformation strategy for banks, insurers, and securities firms. Covers AI maturity diagnosis, Agent productivity formula, MCP/A2A ecosystem, LLM selection, multi-Agent orchestration, governance framework, and ROI assessment.

Author: gechengling | License: MIT