金融科技平台的扩容陷阱正变得愈发棘手。交易量级呈指数级增长,但合规与风控的人力成本却不能无限堆叠。对于业务覆盖 40 多个市场的 Revolut 而言,将 OpenAI 模型集成至 FinCrime 金融犯罪调查流程与代码开发中,不再仅仅是为了提效,而是为了在交易数据洪流中维持系统鲁棒性。

Revolut 智能决策架构演进 PRAGMA 交易模型 实时欺诈捕获 NVIDIA 算力支持 FinCrime 智能体 自动化风险调查 GPT-5.5 逻辑支撑 GLM 5.3 底座 自托管研发模型 成本降至 1/10

从买 API 转向炼模型的财务账

Revolut 并非单纯依赖 OpenAI 的商业模型。尽管 OpenAI Codex 为其带来了 30-60% 的研发提效,但这种依赖在追求极致财务纪律的金融科技公司内部是有边界的。调研数据显示,Revolut 在 2026 年已实质性转向以 GLM 5.3 为主的自托管模型架构,其 AI 运行成本已降至使用商业 API 时的 1/10。

Revolut 通过自托管模型替代商业 API,重构了系统的底层成本逻辑
Revolut 通过自托管模型替代商业 API,重构了系统的底层成本逻辑

这种混合模式清晰地划分了边界。高复杂度的逻辑判断和推理任务交由顶级商业模型处理,而大量的代码补全、文档生成与基础筛选任务,则完全迁移至内部署的开源及自研底座。这种策略的本质,是将 AI 的生产力红利从模型租赁转向了基建整合能力。

监管下的工程文化:信任依然是瓶颈

AI 的自动化带来了效率,但也带来了前所未有的工程责任风险。Revolut 的做法是将 FinCrime 智能体定位于证据整理者,而非终审判官。

在 AI 完成初步筛选后,每一笔高风险交易必须经由人工指纹背书
在 AI 完成初步筛选后,每一笔高风险交易必须经由人工指纹背书
  • 提醒.AI 虽能缩短调查流程,但合规性要求每一项被 AI 标记的风险,必须由具备专业知识的调查员进行最终背书,这是为了规避自动化决策可能产生的法律后果与算法黑箱带来的安全隐患。

目前,Revolut 内部部署了 9 个金融犯罪调查智能体,每月处理约 200 万项任务。这并非意味着调查员的裁减,而是将职能重心从人工录入数据切换为审计 AI 逻辑。当工程师不再仅仅是代码编写者,而是系统架构与 AI 审核员时,如何防止系统在快速更迭中出现偏差,将是 Revolut 后续面对的最大考验。


注:Revolut 研发效能指标更新

项目变化幅度核心产出
代码编写时间缩短 30-60%研发吞吐量倍增
欺诈案件捕获率提升 65%核心风险防御升级
AI 运营成本降至 1/10转向自托管模型
系统前置时间缩短 70%交付周期提速

随着 AI 成为金融生产要素,金融机构之间的差距正迅速拉大。领先者在构建可控的自动化链路,而跟随者仍在平衡商业 API 的昂贵成本与合规性带来的迟滞。在下一阶段,谁能更熟练地在追求极限自动化与维持系统鲁棒性之间找到平衡,谁才拥有定义新金融工程学的入场券。

【锐评】金融工程的边界已不再由模型能力决定,而是取决于谁能将昂贵的算力转化为廉价的工程基建。