Arch Day 109
Arch Day 109: AI+传统系统融合 — 架构分析文章#12
Arch Day 109: AI+传统系统融合 — 架构分析文章#12
2026-03-29
第四阶段 - 高阶融合AI融合渐进式增强SidecarAIAIGatewayCeFiDeFi金融AI
日期: 2026-03-29 (Day 109) 阶段: 第四阶段 - 高阶融合 标签: #AI融合 #渐进式增强 #SidecarAI #AIGateway #CeFi #DeFi #金融AI
核心概念
一句话定义
AI不是"重写系统"的理由——它是"渐进式增强"存量系统的最佳工具。真正的架构能力不在于从零设计完美系统，而在于在不中断业务的前提下，为已运行多年的遗留系统注入AI能力，让"老系统"焕发新生。
为什么关注
99%的AI落地场景不是"从零构建AI系统"，而是"给现有系统加AI"：
- 银行/零售都有大量遗留系统：核心银行系统平均年龄>15年，ERP系统动辄运行10年以上
- "推倒重写"的失败率极高：大型系统重写项目的失败率高达70%
- GenAI是历史性的增量机会：生成式AI市场在银行业预计从2024年13亿美元增长到2029年57亿美元(CAGR 35%)
- 面试高频：架构师面试必问"如何modernize legacy system"
- 你的10年金融零售经验：你比纯AI工程师更懂遗留系统的痛点和约束
误区与反模式
| 误区 | 现实 |
|---|---|
| "上AI就要重写系统" | AI的最佳入场姿态是Sidecar/Gateway，不碰核心系统 |
| "AI可以替代所有人工流程" | 应该从"辅助人工"开始，逐步过渡到"半自动"再到"自主" |
| "一步到位全面AI化" | 渐进式三阶段路线：辅助→自动→自主 |
| "AI系统不需要可解释性" | 金融监管要求AI决策可解释、可审计 |
| "AI和传统系统是二选一" | 最优解是融合——AI增强传统系统的能力 |
知识点详解
一、AI不是"重写系统"——是"渐进式增强"
1.1 为什么不能推倒重来
"Big Bang重写"的经典失败模式：
投入: 2年 + 数千万预算 + 全公司资源
期望: 全新的现代化系统
现实:
├── 第6个月: 发现低估了业务规则复杂度(存量系统里埋着数千条"隐性规则")
├── 第12个月: 新系统功能只覆盖了旧系统的60%
├── 第18个月: 旧系统又改了200个需求，新系统要同步追赶
├── 第24个月: 预算超支50%，时间延期6个月
└── 第30个月: 上线后发现大量回归Bug，紧急回滚
根因分析：
1. 遗留系统的"知识"分散在代码/配置/人脑/文档中 → 无法100%迁移
2. 业务不会等你重写完 → 新旧系统需要并行维护
3. 测试覆盖率不足 → 回归风险无法可控
4. 人员流动 → 懂旧系统的人和写新系统的人不是同一批
1.2 渐进式增强的核心理念
渐进式AI增强原则：
原则1: 最小侵入
├── 不改动遗留系统的核心代码
├── 通过Sidecar/Gateway/事件监听等方式"外挂"AI能力
└── 遗留系统感知不到AI的存在
原则2: 可逆性
├── AI增强可以随时关闭
├── 降级到"人工模式"无需代码变更
└── A/B测试验证AI效果
原则3: 业务价值优先
├── 从ROI最高的场景开始
├── 不是"技术最酷"的场景
└── 客服自动回复 > 智能风控 > 自动交易(按ROI排序)
原则4: 合规先行
├── AI决策必须可解释
├── 人工审核是安全网，不是瓶颈
└── 审计日志从第一天就要有
二、AI融合模式
2.1 四种融合模式
AI融合四种模式：
模式1: Sidecar AI（边车模式）★ 推荐入门
┌────────────────────────────────────────┐
│ 遗留系统(不做任何改动) │
│ ┌──────────────┐ ┌──────────────┐ │
│ │ 核心业务逻辑 │ │ Sidecar │ │
│ │ │←→│ AI Agent │ │
│ │ │ │ (独立部署) │ │
│ └──────────────┘ └──────────────┘ │
└────────────────────────────────────────┘
特点：
├── AI作为独立服务部署在旧系统"旁边"
├── 通过数据库监听/消息队列/API等方式获取数据
├── AI结果通过推送通知/邮件/仪表板呈现(不写回旧系统)
├── 零代码侵入遗留系统
└── 例：监听交易流水 → AI实时分析异常 → 推送告警给人工审核
模式2: AI Gateway（网关模式）
┌────────────────────────────────────────┐
│ │
│ 客户端 → AI Gateway → 遗留系统 │
│ │ │
│ ┌────┴────┐ │
│ │AI增强层 │ │
│ │├─智能路由│ │
│ │├─意图识别│ │
│ │├─请求增强│ │
│ │└─响应增强│ │
│ └─────────┘ │
└────────────────────────────────────────┘
特点：
├── AI作为网关拦截所有请求
├── 入站：意图识别/参数补全/智能路由
├── 出站：响应美化/个性化/推荐追加
├── 对遗留系统透明——它不知道前面有AI
└── 例：客户搜索"理财产品" → AI理解意图 → 增强为结构化查询 → 转发给产品系统
模式3: Embedded AI（嵌入模式）
┌────────────────────────────────────────┐
│ 遗留系统(需少量修改) │
│ ┌──────────────────────────────────┐ │
│ │ 业务流程A → AI决策点 → 继续流程A │ │
│ │ (调用AI API) │ │
│ └──────────────────────────────────┘ │
└────────────────────────────────────────┘
特点：
├── 在遗留系统的关键决策点嵌入AI调用
├── 需要修改遗留系统代码(少量)
├── AI结果直接影响业务流程
├── 需要更强的可靠性和延迟保证
└── 例：贷款审批流程中，在"风险评估"节点调用AI评分模型
模式4: AI Co-pilot（协飞模式）
┌────────────────────────────────────────┐
│ 操作员工作台 │
│ ┌──────────────┐ ┌──────────────┐ │
│ │ 遗留系统界面 │ │ AI Co-pilot │ │
│ │ │ │ (建议面板) │ │
│ │ │ │ │ │
│ │ [操作区] │ │ "建议:..." │ │
│ │ │ │ "风险:..." │ │
│ │ │ │ "提示:..." │ │
│ └──────────────┘ └──────────────┘ │
└────────────────────────────────────────┘
特点：
├── AI作为操作员的"副驾驶"
├── 实时分析操作员的操作，给出建议
├── 不自动执行任何操作——人工决策
├── 降低培训成本和操作错误
└── 例：信贷审批员在审批时，AI实时显示风险分析、类似案例、建议结论
2.2 模式选择矩阵
| 维度 | Sidecar AI | AI Gateway | Embedded AI | AI Co-pilot |
|---|---|---|---|---|
| 侵入性 | 零 | 低 | 中 | 零 |
| 实施难度 | 低 | 中 | 高 | 低 |
| AI影响 | 间接(告警/报告) | 中(增强请求) | 直接(决策) | 间接(建议) |
| 回滚难度 | 极低 | 低 | 中 | 极低 |
| 适用阶段 | 辅助阶段 | 辅助→自动 | 自动阶段 | 辅助阶段 |
| 金融场景 | 异常监控 | 智能客服 | 风控决策 | 审批辅助 |
三、渐进式AI增强路线图
3.1 三阶段路线
渐进式AI增强三阶段路线图：
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
第一阶段: 辅助(Assist) — 3-6个月
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
目标: AI提供信息和建议，人工做最终决策
实施模式: Sidecar AI + AI Co-pilot
场景 AI做什么 人做什么
├── 客服辅助 建议回复内容 审核后发送
├── 交易监控 标记可疑交易 判断是否拦截
├── 文档处理 自动提取关键信息 确认准确性
├── 报告生成 生成初稿 审核修改
└── 数据分析 发现异常模式 解读和决策
投入: 2-3人 × 3-6个月
ROI指标:
├── 客服响应时间 -40%
├── 可疑交易发现率 +50%
├── 文档处理效率 +60%
└── 报告生成时间 -70%
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
第二阶段: 自动(Automate) — 6-12个月
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
目标: AI自动处理标准场景，人工处理异常场景
实施模式: AI Gateway + Embedded AI
场景 AI做什么 人做什么
├── 客服自动回复 标准问题自动回答(80%) 复杂问题接管(20%)
├── 风控自动拦截 明确欺诈自动拦截 灰区案件人工判断
├── 审批自动通过 低风险自动通过(60%) 中高风险人工审批
├── 对账自动匹配 精确匹配自动处理 差异项人工核实
└── KYC自动审核 标准资料自动审核 异常资料人工复核
投入: 5-8人 × 6-12个月
ROI指标:
├── 自动化率 60-80%
├── 人工工作量 -50%
├── 处理时间 -60%
└── 错误率 -30%
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
第三阶段: 自主(Autonomous) — 12-24个月
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
目标: AI主导决策和执行，人工监督和处理极端情况
实施模式: Full Agent System + Human-in-the-Loop
场景 AI做什么 人做什么
├── 智能投顾 自动组合管理+再平衡 异常市场人工干预
├── 动态定价 实时调整价格策略 审核定价策略参数
├── 供应链优化 自动补货/调拨 审批大额采购
├── 合规监控 自动识别+报送 复杂案件专家判断
└── 客户旅程 全程AI管理客户关系 VIP客户人工服务
投入: 10+人 × 12-24个月
ROI指标:
├── 自动化率 90%+
├── 运营成本 -70%
├── 客户满意度 +20%
└── 收入增长 +10-15%
注意: 第三阶段需要监管许可、充分的AI治理体系
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
四、AI审计与可解释性
4.1 金融监管对AI决策的要求
金融AI合规要求（2025-2026）：
中国监管要求:
├── 《生成式人工智能服务管理暂行办法》(2023.8生效)
│ ├── AI输出内容需要真实、准确
│ ├── 不得生成违法信息
│ └── 需要标注AI生成内容
├── 《银行保险机构操作风险管理办法》(2024)
│ ├── AI决策需可追溯、可审计
│ ├── 关键岗位不能完全依赖AI
│ └── AI模型需要定期评估和更新
└── 个人信息保护法(PIPL)
├── AI处理个人数据需要告知和同意
└── 自动化决策需要提供解释
欧盟/美国监管:
├── EU AI Act (2025执行)
│ ├── 金融AI = "高风险AI系统"
│ ├── 要求：透明性/可解释性/人工监督/准确性
│ └── 违规罚款：最高全球收入7%
├── MiCA (加密资产监管)
│ └── 算法交易/AI推荐需要披露
└── SEC/FINRA
├── AI投顾需要注册和监管
└── 算法决策需要可解释
4.2 可解释性架构
AI可解释性架构：
┌──────────────────────────────────────────────────────────┐
│ AI Explainability Architecture │
├──────────────────────────────────────────────────────────┤
│ │
│ ┌── 模型级可解释性 ──────────────────────────────────┐ │
│ │ 传统ML模型: │ │
│ │ ├── SHAP值 → 每个特征对预测的贡献 │ │
│ │ ├── LIME → 局部可解释 │ │
│ │ └── 特征重要性 → 全局可解释 │ │
│ │ │ │
│ │ LLM模型: │ │
│ │ ├── Chain-of-Thought → 推理过程可见 │ │
│ │ ├── RAG引用 → 标注信息来源 │ │
│ │ └── 置信度分数 → 模型对答案的确定程度 │ │
│ └────────────────────────────────────────────────────┘ │
│ │
│ ┌── 系统级可解释性 ──────────────────────────────────┐ │
│ │ ├── 决策链路追踪 → 从输入到输出的完整路径 │ │
│ │ ├── 工具调用记录 → Agent使用了哪些工具和数据 │ │
│ │ ├── 对比解释 → "如果XX不同，结果会是YY" │ │
│ │ └── 简明摘要 → 面向非技术人员的决策解释 │ │
│ └────────────────────────────────────────────────────┘ │
│ │
│ ┌── 审计级可解释性 ──────────────────────────────────┐ │
│ │ ├── 不可篡改的决策日志 │ │
│ │ ├── 模型版本关联 → 哪个版本的模型做了这个决策 │ │
│ │ ├── 数据快照 → 决策时的输入数据可重放 │ │
│ │ └── 审计报告自动生成 → 定期/按需 │ │
│ └────────────────────────────────────────────────────┘ │
└──────────────────────────────────────────────────────────┘
五、CeFi × DeFi × AI三角融合架构
5.1 三角融合全景
CeFi × DeFi × AI 三角融合架构：
┌──────────────────────────────────────────────────────────┐
│ │
│ ┌─────────────────┐ │
│ │ AI │ │
│ │ ├─智能风控 │ │
│ │ ├─自动合规 │ │
│ │ ├─个性化推荐 │ │
│ │ └─Agent自动化 │ │
│ └───────┬─────────┘ │
│ / \ │
│ / \ │
│ / \ │
│ ┌──────────┐ ┌──────────┐ │
│ │ CeFi │───────│ DeFi │ │
│ │ ├─核心银行│ │ ├─DEX │ │
│ │ ├─支付系统│ │ ├─借贷协议│ │
│ │ ├─风控系统│ │ ├─稳定币 │ │
│ │ └─合规系统│ │ └─治理 │ │
│ └──────────┘ └──────────┘ │
│ │
│ 融合场景: │
│ ├── CeFi+AI: AI驱动的银行客服、风控、审批 │
│ ├── DeFi+AI: AI Agent自动化DeFi操作 │
│ ├── CeFi+DeFi: RWA代币化、合规稳定币 │
│ └── CeFi+DeFi+AI: AI管理的跨CeFi/DeFi资产组合 │
│ │
└──────────────────────────────────────────────────────────┘
5.2 具体融合架构
CeFi+DeFi+AI融合的技术架构：
┌──────────────────────────────────────────────────────────┐
│ Unified Financial Platform │
├──────────────────────────────────────────────────────────┤
│ │
│ ┌─── AI层 ──────────────────────────────────────────┐ │
│ │ ┌──────────┐ ┌──────────┐ ┌──────────────────┐ │ │
│ │ │ AI Agent │ │ 风控模型 │ │ 自然语言界面 │ │ │
│ │ │ 编排引擎 │ │ Serving │ │ (Chat Interface) │ │ │
│ │ └────┬─────┘ └────┬─────┘ └────────┬─────────┘ │ │
│ └──────┼────────────┼────────────────┼──────────────┘ │
│ │ │ │ │
│ ┌──────┼── 集成层 ──┼────────────────┼──────────────┐ │
│ │ │ │ │ │ │
│ │ ┌───┴────┐ ┌──┴───────┐ ┌───┴─────────┐ │ │
│ │ │API │ │Event │ │Data │ │ │
│ │ │Gateway │ │Bus │ │Lake │ │ │
│ │ │(统一入口)│ │(事件驱动)│ │(统一数据层) │ │ │
│ │ └───┬────┘ └──┬───────┘ └───┬─────────┘ │ │
│ └──────┼────────────┼───────────────┼──────────────┘ │
│ │ │ │ │
│ ┌──────┼── CeFi层 ──┼───────────────┼──────────────┐ │
│ │ ┌───┴────┐ ┌──┴───────┐ ┌───┴─────────┐ │ │
│ │ │核心银行 │ │支付系统 │ │风控系统 │ │ │
│ │ │(遗留) │ │(遗留) │ │(AI增强) │ │ │
│ │ └────────┘ └──────────┘ └──────────────┘ │ │
│ └──────────────────────────────────────────────────┘ │
│ │ │ │ │
│ ┌──────┼── DeFi层 ──┼───────────────┼──────────────┐ │
│ │ ┌───┴────┐ ┌──┴───────┐ ┌───┴─────────┐ │ │
│ │ │链上 │ │DeFi协议 │ │链上数据 │ │ │
│ │ │RWA资产 │ │集成 │ │索引器 │ │ │
│ │ └────────┘ └──────────┘ └──────────────┘ │ │
│ └──────────────────────────────────────────────────┘ │
└──────────────────────────────────────────────────────────┘
六、银行/零售AI落地最新案例（2025-2026）
6.1 银行AI落地
2025-2026银行AI落地关键案例：
案例1: Bradesco银行(巴西) — Microsoft Azure AI
├── 场景: AI Agent客服 + 数字服务
├── 架构: Azure AI Agent → API Gateway → 遗留核心银行
├── 成果:
│ ├── 数字服务解决率: 83%
│ ├── 技术成本降低: 30%
│ └── 客户满意度显著提升
└── 关键设计: 治理API层统一策略和数据访问
案例2: 全球顶级银行 — AI Agent生产部署
├── 趋势(Oracle/BCG研究):
│ ├── 2025年AI Agent占AI总价值17%
│ ├── 预计2028年达到29%
│ └── 2026年将AI Agent投产的银行将拉开竞争差距
├── 主要应用:
│ ├── 客户服务: AI Agent处理80%常见问题
│ ├── 合规审查: 自动化KYC/AML(节省40-60%人力)
│ ├── 文档处理: 合同/报告自动分析
│ └── 风险管理: 实时欺诈检测+预警
└── 架构趋势: API-first + AI Gateway + Agentic Workflows
案例3: 零售银行AI就绪度(CB Insights 2025)
├── 领先银行特征:
│ ├── 有统一的数据平台(打通渠道数据孤岛)
│ ├── 已建立ML平台(特征工程+模型管理)
│ ├── 有AI治理体系(合规+可解释性)
│ └── 组织文化支持(AI素养培训)
├── 落后银行挑战:
│ ├── 数据孤岛严重
│ ├── 遗留系统难以集成
│ ├── 缺乏AI人才
│ └── 监管不确定性
└── 关键数据: API赋能的银行业务预计2026年创造超250亿美元年收入
6.2 零售AI落地
2025-2026零售AI落地关键数据：
AI Agent推动的销售：
├── 2025年美国假日购物季: AI影响销售额2620亿美元(Salesforce)
├── AI推荐转化率提升: 15-30%
└── AI客服成本节约: 40-60%
主要落地场景：
├── 个性化推荐: 基于用户行为+上下文的实时推荐
├── 智能搜索: 自然语言搜索+意图理解
├── 动态定价: 实时市场+库存+竞品分析→定价优化
├── 供应链优化: 需求预测+自动补货
├── 客户服务: AI Agent处理常见问题+订单查询
└── 视觉搜索: 拍照搜索商品(多模态AI)
七、实操：遗留银行系统AI增强路线图
7.1 目标系统描述
某区域性商业银行（资产规模3000亿）现有系统：
核心银行系统:
├── 15年历史的Java单体应用
├── Oracle数据库(10TB+)
├── 日处理交易: 500万笔
├── 上线时间: 2011年
└── 已知痛点: 客服响应慢、欺诈发现滞后、审批效率低
外围系统:
├── CRM系统(2015年上线)
├── 手机银行(2019年重建)
├── 网银系统(2016年上线)
├── 风控系统(2018年上线，规则引擎)
└── 报表系统(2014年上线)
7.2 三阶段AI增强方案
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Phase 1: 辅助阶段 (0-6个月)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
投入: 5人团队(2 ML工程师 + 2后端 + 1 PM)
预算: 200万
项目1.1: 智能客服辅助 (Sidecar AI + Co-pilot)
┌────────────────────────────────────────────────────┐
│ 客服工作台 │
│ ┌─────────────┐ ┌───────────────────────────┐ │
│ │ CRM界面 │ │ AI Co-pilot面板 │ │
│ │ │ │ ├─推荐回复(3个选项) │ │
│ │ [客户信息] │ │ ├─客户画像摘要 │ │
│ │ [历史记录] │ │ ├─相似问题参考 │ │
│ │ [工单列表] │ │ └─风险提示 │ │
│ └─────────────┘ └───────────────────────────┘ │
└────────────────────────────────────────────────────┘
技术架构:
├── RAG系统: 向量化FAQ/产品手册/操作指南
├── 向量DB: pgvector(已有PostgreSQL)
├── LLM: 部署Qwen-72B(国产合规) + vLLM
├── 数据来源: 监听CRM工单表(CDC) → Sidecar AI分析
└── 集成方式: 嵌入iframe到CRM界面(零代码改动CRM)
ROI预期:
├── 客服平均响应时间: 5分钟 → 2分钟(-60%)
├── 首次解决率: 65% → 80%(+23%)
└── 投入回收期: 4个月
项目1.2: 交易异常监控 (Sidecar AI)
┌────────────────────────────────────────────────────┐
│ │
│ 核心银行(不改动) │
│ ┌──────────────┐ │
│ │ 交易流水表 │ ── CDC ──→ Kafka │
│ └──────────────┘ │ │
│ ┌─────┴──────┐ │
│ │ Sidecar AI │ │
│ │ (Flink + │ │
│ │ ML模型) │ │
│ └─────┬──────┘ │
│ │ │
│ ┌─────┴──────┐ │
│ │ 告警仪表板 │ │
│ │ (Grafana) │ │
│ └────────────┘ │
└────────────────────────────────────────────────────┘
ROI预期:
├── 可疑交易发现率: +40%
├── 平均发现时间: 24小时 → 5分钟
└── 误报率: <5%
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Phase 2: 自动阶段 (6-18个月)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
投入: 10人团队
预算: 600万
项目2.1: 智能客服自动回复 (AI Gateway)
├── Phase 1的Co-pilot → 升级为自动回复
├── 标准问题(80%): AI直接回复
├── 复杂问题(20%): 转人工+AI辅助
├── 需要修改: 手机银行App添加AI客服入口
└── ROI: 客服人力-40%, CSAT+15%
项目2.2: 信贷审批AI增强 (Embedded AI)
├── 在审批流程的"风险评估"节点嵌入AI评分
├── 低风险(信用分>85): 自动审批(秒批)
├── 中风险(60-85): AI辅助+人工审批
├── 高风险(<60): 人工审批
├── 需要修改: 信贷系统审批流程(添加AI调用点)
└── ROI: 审批时间-70%, 不良率-20%
项目2.3: 智能对账 (Sidecar AI)
├── AI自动匹配对账数据(替代人工)
├── 精确匹配: 自动处理
├── 模糊匹配(AI辅助): 推荐匹配项→人工确认
├── 无法匹配: 人工处理
└── ROI: 对账效率+80%, 差错率-50%
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Phase 3: 自主阶段 (18-36个月)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
投入: 15人团队
预算: 1500万
项目3.1: AI Agent金融顾问 (Full Agent)
├── 个性化资产配置建议
├── 自动化组合管理
├── 需要: 监管审批+合规体系
└── ROI: AUM+15%, 客户留存+20%
项目3.2: 实时智能风控 (Embedded AI升级)
├── 从"AI辅助风控"→"AI驱动风控"
├── 实时交易风控(<50ms)
├── 动态风险策略(AI自动调整规则)
└── ROI: 欺诈损失-60%, 审核人力-50%
7.3 ROI总结
三阶段ROI汇总：
投入 年化收益 回收期
Phase 1: 200万 300万/年 8个月
Phase 2: 600万 800万/年 9个月
Phase 3: 1500万 2500万/年 7个月
3年总ROI:
├── 总投入: 2300万
├── 3年总收益: ~7200万
├── ROI: 213%
└── 核心收益来源:
├── 人力成本节约: 40%
├── 效率提升带来的收入增长: 35%
└── 风险损失减少: 25%
八、架构分析文章#12: AI融合架构实践
8.1 核心观点
观点1: "最小侵入"是AI融合的第一原则
不要为了用AI而改遗留系统。Sidecar模式(数据库CDC + 外部AI服务 + 独立仪表板)可以在零代码改动的前提下实现AI增强。这是所有遗留系统AI化的最佳起点。
观点2: 三阶段路线是最可控的策略
辅助→自动→自主的三阶段路线让风险可控：每个阶段都有明确的边界——第一阶段AI只提供建议，第二阶段AI处理标准场景，第三阶段AI主导决策。每个阶段的失败不会影响核心业务。
观点3: AI可解释性不是"nice to have"——是"must have"
特别是在金融场景。EU AI Act将金融AI归为"高风险AI系统"，要求透明性和可解释性。如果你的AI不能解释为什么拒绝了一笔贷款申请，你可能面临全球收入7%的罚款。
观点4: 数据是AI融合的真正瓶颈
技术从来不是最大障碍——数据才是。遗留系统的数据孤岛、数据质量差、缺乏统一数据层是AI落地的最大阻碍。在做AI之前，先投入建设统一数据平台。
面试题精选
面试题1：如何为现有系统增加AI能力而不重写？
30秒版本： 四种模式按侵入性从低到高：Sidecar AI(零侵入监听分析)→AI Gateway(请求拦截增强)→AI Co-pilot(并排建议面板)→Embedded AI(嵌入决策点)。从Sidecar开始，验证ROI后逐步深入。
2分钟版本： 我在银行系统实践中总结了一套渐进式方法论：
-
第一步永远是Sidecar：通过CDC(Change Data Capture)监听核心数据库的变更流，在外部独立部署AI服务进行分析。AI的分析结果通过独立仪表板或通知展示——完全不碰旧系统代码。比如监听交易流水表，实时AI异常检测，告警推送给风控人员。
-
验证价值后升级到Gateway：在客户端和遗留系统之间加一层AI Gateway，拦截请求做智能增强。比如用户搜索"理财"→AI理解意图→增强为结构化查询→转发给产品系统。遗留系统感知不到AI的存在。
-
成熟场景嵌入决策点：对于已经验证的AI能力（准确率>95%），在遗留系统的关键决策点嵌入AI API调用。比如信贷审批流程中加一个AI评分节点。这需要修改遗留代码，但改动量很小（本质上就是加一个HTTP调用）。
关键原则：每一步都必须可逆——AI出问题随时可以关闭，回退到纯人工模式。
面试题2：AI在金融中落地的最大障碍是什么？
30秒版本： 不是技术，是三个非技术因素：数据孤岛(数据分散在20+系统中)、监管不确定性(AI可解释性要求)、组织惯性(业务部门不信任AI决策)。
2分钟版本： 根据我的观察和行业研究，最大障碍按优先级：
-
数据问题(50%)：金融机构的数据散落在核心银行、CRM、风控、报表等十几个系统中，格式不一致、质量参差不齐、缺乏统一的数据层。AI模型的效果天花板由数据质量决定——"Garbage In, Garbage Out"。所以我的建议是在做AI之前，先花3-6个月建设统一数据平台。
-
监管合规(30%)：EU AI Act要求金融AI决策必须可解释——这对很多"黑盒"模型是致命的。中国监管也在收紧——AI输出需要真实准确，不得误导。很多团队低估了合规成本——可解释性框架、审计日志系统、定期模型评估报告，这些都需要专门投入。
-
组织与信任(20%)：业务部门对AI不信任——"凭什么AI说这个客户有风险就有风险？"这需要从Co-pilot模式开始，让人看到AI的建议确实有价值，逐步建立信任。同时需要AI素养培训——让业务人员理解AI的能力边界。
今日总结
核心要点
- AI融合不是重写系统——是渐进式增强存量系统
- 四种融合模式：Sidecar(零侵入) > Gateway(低侵入) > Co-pilot(并排) > Embedded(嵌入)
- 三阶段路线图：辅助(3-6月)→自动(6-12月)→自主(12-24月)
- 金融AI必须解决可解释性——EU AI Act、中国监管都有明确要求
- 数据是AI落地的真正瓶颈，技术从来不是最大障碍
- 银行AI Agent正在从实验走向生产——2026年是分水岭
明日预告
Day 110开始系统设计面试系列——第一场：设计支付系统。45分钟限时模拟。
参考资源
- Generative AI in Banking: 7 Real-World Use Cases 2026
- The Future of Banking: Scaling AI Agents in 2026 & Beyond (Oracle)
- AI Integration Challenges in Legacy Banking Systems (SymphonyAI)
- AI Transformation in Financial Services: 5 Predictors for 2026 (Microsoft)
- From Branches to Bots: Will AI Agents Transform Retail Banking? (BCG)
- PwC: How AI is Reshaping Banking
- Deloitte: AI and Bank Software Development Productivity