问题：近年来，人工智能智能客服、反欺诈监测、授信风控、交易预警等环节加快落地，明显提升了金融服务效率和覆盖面；但金融业数据密集、链条复杂、外溢效应强，一旦出现隐私泄露、模型偏差、系统遭攻击或关键业务中断，风险可能迅速扩散，影响消费者权益与金融稳定。如何在“提效降本”和“安全可控”之间找到平衡，成为金融数字化转型的关键议题。 原因：一是数据要素价值加速释放，金融机构对跨场景数据整合与模型训练的需求上升，数据流转和使用边界需要更清晰的界定。二是部分模型结构复杂、决策依据难以追溯，可能引发“黑箱决策”、差别化对待等合规与公平风险。三是网络攻击手段快速演进，对抗样本、投毒训练、接口滥用等面向模型的新风险与传统信息安全风险叠加，再加上业务连续性要求，使“安全能力”成为人工智能应用的硬约束。四是技术推广往往快于制度与能力建设，个别机构存在重上线轻评估、重功能轻治理的倾向。 影响：积极上，安全框架下推进应用，有助于将技术优势转化为服务实体经济的能力，提升小微企业融资可得性与风控效率，改善客户服务体验，并在反洗钱、反欺诈等领域更精准识别风险。同时，更高的安全治理要求将推动机构完善数据管理、模型管理与运维体系，促使金融科技从“可用”走向“可靠、可信、可控”。若缺乏有效约束，则可能带来数据滥用、误判误拒、价格歧视、系统性脆弱点暴露等问题，削弱公众信任，并抬高监管与市场成本。 对策：此次部署强调“稳妥推进”，核心是将安全治理贯穿人工智能应用全生命周期，形成“事前评估、事中监测、事后追溯”的闭环管理。其一，强化数据安全与隐私保护，明确数据使用遵循最小必要原则，在合规框架下推动多方安全计算、联邦学习等技术应用，实现数据“可用不可见”，在挖掘价值的同时守住个人信息保护底线。其二，提升算法透明度与可解释性，鼓励建立模型卡、数据卡等管理机制，完善模型可追溯、可复核要求，重点关注授信、定价、催收等敏感领域的公平性与一致性，降低偏差与歧视风险。其三，增强系统韧性与安全防护能力，推动常态化安全测试与攻防演练，加强对异常行为的实时监测与处置，完善应急预案与业务连续性安排，确保关键系统在极端情况下仍能稳定运行。其四，完善试点与评估机制，鼓励在可控范围内先行先试，通过小范围验证、分级分类管理、阶段性评估后再逐步推广，降低试错成本与外溢风险。其五，压实机构主体责任，推动“技术、业务、合规、审计”协同，建立与风险水平相匹配的人员、流程和制度体系，避免将治理责任简单外包给技术供应方。 前景：业内人士认为，随着部署落地，金融机构将加快补齐数据治理、模型治理与安全运营短板，行业竞争也将从“功能创新”转向“安全与效能并重”的高质量发展。下一阶段，人工智能在普惠金融、绿色金融、乡村振兴、供应链金融等领域仍有较大空间，但应用边界将更清晰、过程管理将更严格、结果责任也更可追究。监管部门与行业有望在标准规范、测评体系、风险信息共享、人才能力建设各上形成合力，推动技术红利更可持续地转化为服务实体经济的实际成效。
科技与安全的融合正在重塑金融业格局。央行此次部署既为创新划定边界，也为安全提供支撑。把效率与安全统筹起来，才能让数字金融在提升体验与降低成本的同时守住底线，在更可控、更可信的基础上释放长期价值。