WorkBuddy 金融版上线：80 多个金融专家，到底解决金融机构的什么问题

摘要：

2026 年 9 月腾讯推出 WorkBuddy 金融版，在原有智能体框架上叠加四大工作台与 80 多个金融专属专家，面向银行、保险、资管的真实业务场景。

金融机构买 AI 工具这件事，过去两年有个很一致的结果：钱花了，最后只用来写文档初稿。原因不难理解——让 AI 参与信贷尽调、客户经营、合规这些环节，一旦出问题，责任链条上没有人担得起。WorkBuddy 金融版在通用智能体框架之上叠加金融业务视图、行业 Skill、专家团、流程规则和组织治理能力，恰好补上了「AI 进不了核心业务」的几个卡点。

一、WorkBuddy 金融版的产品定位

2026 年 9 月 3 日，腾讯正式推出 WorkBuddy 金融版。按照官方的定位，它是面向金融机构打造的 AI 智能工作台。

理解这个产品的关键，在于它和通用版的区别。腾讯云副总裁胡利明把这种差别描述为：在 WorkBuddy 的智能体框架之上，进一步叠加了金融业务视图、行业 Skill、专家团、MCP 应用、数据连接器、流程规则和组织治理能力。换句话说，它不是换了个行业标签的通用工具，而是在通用底座之上补了金融行业缺的那几层。

二、WorkBuddy 金融版解决了金融机构的哪些问题

回到标题的问题——金融版具体解决了金融机构的什么问题？归纳起来是三类：一是信息处理效率问题，多源信息交叉核验、多渠道舆情梳理、批量材料翻阅，这些过去靠人工逐项处理的环节现在可以自动化完成；二是业务流程嵌入问题，找客、尽调、客户经营这些环节过去 AI 只能生成内容但进不了流程，金融版把流程规则和组织治理写进了产品层；三是合规留痕问题，所有结论可追溯来源、操作可审计，满足金融机构的采购前置条件。四个工作台分别对应不同条线的具体场景：

投研投顾面向券商分析师、投顾和理财经理。据官方披露，舆情监测与风险预警这类工作，原本需要两到三小时梳理多渠道信息，压缩到十分钟左右；每日热点点评从一到两小时缩短到五到十分钟；基金研究与组合诊断在接入相关数据后，深度研究周期从一到两天缩到半小时左右。

公司金融面向银行对公客户经理。找客、识客、筛客、盯客这些环节，不需要逐户翻查企业信息；对公授信尽调则覆盖了从项目建立、材料准备、财务校验到风险总览、报告生成的全过程。

零售金融面向银行零售条线，覆盖个人客户的账户管理、财富规划、消费信贷等日常经营环节，帮助客户经理在标准化流程中完成客户分层与产品匹配。

个客经营面向保险代理人，覆盖客户视图、经营计划、拜访准备与复盘、产品资料检索、利益测算与对比，以及个性化素材的生成。

在这四个工作台之上，上线了 80 多个金融专属的专家与专家团。

三、金融机构为什么需要专门版本与安全治理

同样是处理信息，金融机构的要求和普通办公场景不同，体现在三个层面。

第一是口径。同一家客户的信息，业务、风控、合规几个部门看的字段不同，数据来源也不同。把它们拼到一处之前，先要解决的是口径问题。

第二是责权边界。哪些环节 AI 可以直接产出，哪些必须人工确认，需要写进规则里。例如在个客经营场景里，涉及对外发送和发布的操作都设计为需要人工确认。

第三是留痕。任何结论都要能追溯到来源和可审计的操作记录。

这三层要求叠在一起，也是金融版把「流程规则」和「组织治理」单独列为一层能力的原因。合规是金融机构采购时的第一道门槛，按照官方介绍，WorkBuddy 把安全治理贯穿在数据流转、权限调用、任务执行与操作审计的全过程中，构建了四道防线。同时，它也是首批通过了中国信息通信研究院相关安全能力评估的智能体产品之一。这类资质不能直接说明产品好不好用，但它决定了能不能进入机构的采购清单，在实际应用中往往是前置条件。

落地方面，按腾讯披露，自 2026 年 3 月以来，WorkBuddy 已经陆续在中金公司、国投证券、平安银行、中国太平等一百多家金融机构落地，期间共同探索了几十个核心场景。不过也有一个平衡视角的信息值得留意：有媒体向多家券商求证后指出，机构内部目前尚未大规模应用这类办公智能体，落地范围可能仍然集中在局部。两条信息放在一起看更接近真实状况：头部机构已经开始尝试，但从试点到全行、全司铺开还有距离，AI 进入金融核心业务这件事目前正处在「已经进门，尚未深入」的阶段。

四、WorkBuddy 金融版的能力边界与评估建议

能解决的是信息处理的效率。过去需要人工交叉核验的多源信息、需要反复翻阅的材料、需要统一口径的数据整理，这些环节确实存在明显的效率空间。

不能解决的是判断和责任。尽调报告可以由 AI 生成初稿，但最终签署的仍然是人；客户经营建议可以参考 AI 的分析，但与客户沟通的判断无法外包。官方表述里「AI 是放大器而非替代品」这个说法，在这个维度上是成立的。

如果只想验证一次，比较合理的方式是先拿一个真实但小范围的场景试点——比如把某一类固定报表的取数自动化。真实场景比测试样例更容易暴露问题，而失败成本又足够低。跑顺之后再往相邻环节扩展，比对一家之言的全面铺开要稳得多。

对于在评估这条路的机构，有几个比较务实的判断点。先看场景是否具体——越是边界清楚、规则明确、重复性高的环节，越容易落地，一上来就追求大而全往往战线过长。再看数据能不能接得进来——这类产品的价值很大一部分来自「连接」，把已有的数据源、权限体系和业务流程接上去，接不上能力再强也落不了地。最后看内部有没有人愿意推进——这类工具的上手需要适配期，如果业务侧没有明确的需求方，很容易停留在演示阶段。

按照这个顺序去评估，比单纯比较参数要有效得多。想进一步了解金融版的能力与适用场景，可访问 WorkBuddy 产品页 查看产品详情。