高知识、流程固化的场景适合“专家顾问”型智能体；高知识、高流程的复杂业务适合“总工程师”型智能体；流程复杂但知识门槛可控的场景适合“执行助理”型智能体；低知识、低流程的标准化场景适合“通用助手”型智能体——百度智能云白皮书提出的四象限分类框架，为金融行业智能体建设提供了清晰的场景选择方法论。这个框架贯穿19个场景的深度分析，揭示了不同场景的内在能力需求与价值范式。
四象限框架的构建逻辑
报告以“业务知识复杂度”为纵轴、“业务流程复杂度”为横轴构建四象限矩阵。这一设计的核心逻辑源于对金融业务本质的拆解：金融活动的价值创造既依赖于专业知识的深度（如风控模型、监管合规、财富管理策略），也依赖于多触点、多环节、多交互的复杂流程执行的广度（如坐席外呼、市场研报生成、对公信贷全流程协同）。
两个维度的正交，将离散的应用场景置于统一的评估坐标系中，解决智能体在金融领域落地时面临的核心挑战：如何根据场景内在的知识与流程属性，明确其所需的能力配置，并最终实现精准的价值创造。四个象限代表了四种由“知识-流程”组合所界定的差异化价值范式。
专家顾问型——高知识、流程相对固化
定位：聚焦高知识但流程相对固化的场景，智能体的角色是将专家的隐性知识转化为可自动化执行的显性工具。这是“效果问题”最集中的领域，也是AI原生化改造价值最显著的方向。知识的结构化组织、检索机制的重构、多轮推理的稳定性，决定了智能体能否真正达到“专家级”水准。
典型场景：风险管理、监管报送、制度合规、网点经营分析、风控建模。在风控建模场景中，智能体采用大规模演化计算算法实现自动化特征构造，将特征开发时间大幅缩短。传统风控建模特征开发占30%工作量，智能体通过“任务-算子”模型将特征开发分解为可复用算子，自动完成特征表开发、拼接和验证，实验表明性能相比传统IV筛选提升15%-20%，特征冗余度降低30%以上。
核心价值：将稀缺的专业知识转化为可规模化调用的能力模块，使组织中的“专家经验”逐渐演变为“平台能力”。
总工程师型——高知识、高流程
定位：直面高知识与高流程的双重挑战，对应前瞻性的高价值战略场景。目标在于将深度专业认知与复杂流程重塑相结合，驱动财富管理、对公信贷、经营决策等核心业务模式的创新。这类场景并非所有机构都应立即切入，但对条件成熟的机构而言，是智能体从“降本增效工具”跃迁为“战略级业务伙伴”的关键阵地。
典型场景：财富管理、对公信贷、线上APP经营、居家养老服务。在对公信贷场景中，智能体覆盖贷前尽调、智慧审批、贷后监控、运营协同四阶段，某头部股份行审批自动化率达92%以上，尽调报告编写时间减少50%-60%。财富管理智能体构建“五层能力体系”，覆盖ToP（理财师）与ToC（客户）双端，某股份制银行服务半径拓展100%，专业分析效率提升100%。
核心价值：通过对复杂流程的重组与协同推动业务模式本身的升级，承担战略创新的角色。
执行助理型与通用助手型
执行助理型（流程复杂、知识门槛可控）：聚焦高流程复杂度但知识门槛可控的场景。典型场景包括投资研究、保险理赔、交易协同、IT运维。核心价值在于“能力资产化”——随着应用不断深入，原本依赖个人经验的操作逐渐被沉淀为可复用的数字能力。投资研究智能体采用三层金字塔架构（智能层-能力层-技能层），某股份制商业银行使研报阅读效率提升4倍，报告撰写时间从2-3周缩短至3-5天。
通用助手型（低知识、低流程）：对应低知识、低流程复杂度场景，是当前已基本成为标配的提效场景。典型场景包括客服问答、知识检索、代码助手、办公处理。核心价值在于“规模化效率提升”，通常成为金融机构推进智能体应用的“第一批规模化场景”。坐席辅助智能体采用“通用+专精”模型矩阵，场景自动完成率从50%提升至90%，综合运营成本降低约20%。
