“AI的竞争力不在模型本身，而在于能否为Agent提供可信、可执行的数据底座。”

8月27日，在首尔COEX举行的“Snowflake World Tour Seoul”上，KB国民银行及KB金融控股金融AI2中心负责人Lee Kyung-jong作出上述表述。他表示，随着模型能力逐步趋同，企业之间真正拉开差距的，将是数据质量及其运用能力。KB金融集团正在推进的Agentic AI（行动型AI）战略，核心正是推动AI从“回答问题”走向“自动执行”。

Lee Kyung-jong指出，目前多数企业使用的AI仍停留在问答型阶段，主要用于回答问题、生成文档和报告。虽然这类应用已具备一定价值，但边界也很明显：员工仍需再次核对结果，并手动录入系统完成后续操作。相比之下，行动型AI的目标，是让AI基于内部数据直接参与业务执行，在需要时自主完成操作，真正释放应用价值。

他介绍称，行动型AI不仅可以自动处理预先设定好的运营任务，还能够自行规划并完成复杂的多步骤流程，从而让员工将精力集中在更关键的工作上，进一步提升生产效率。

不过，在企业内部落地行动型AI并不容易，前提准备工作相当关键。

Lee Kyung-jong提出了三项必要条件。第一，需要具备推理和函数调用能力的大模型；第二，需要以微服务架构（MSA）为基础，并借助MCP连接多套系统，让Agent能够调用真实业务系统并完成操作；第三，需要建立可信的数据结构，使数据能够成为AI执行动作的依据。

在这三项条件中，他尤其强调面向AI的数据环境建设。他表示，只有先让AI“看懂”数据，才有可能理解业务语境，并进一步具备执行能力。

他将企业导入AI过程中遇到的数据问题归纳为三类。

首先是数据层面的问题。Lee Kyung-jong表示，目前大量数据仍是围绕业务处理和批处理流程而存储，许多结构化和非结构化文档并未转化为AI易于理解的形式。由于缺乏业务语境，即便AI能够获取这些数据，也很难准确把握其中含义。

其次是平台连接问题。他指出，不同系统和平台彼此分散，每接入一项新数据都需要单独开发；如果在服务落地的每个阶段都重复同样的连接工作，整体推进速度势必明显放缓。

最后是基础设施问题。Lee Kyung-jong表示，传统IT基础设施难以跟上AI技术演进节奏，在实时处理和大规模计算所需的扩展能力上也存在局限。在这种情况下，即使采用再先进的模型，也难以为Agent的实际“行动”提供足够支撑。

围绕上述问题，KB金融集团正从两个方向搭建行动型AI所需环境。

其一，是将数据体系从单纯存储导向，转向以业务语义为中心的结构。他表示，关键在于让数据不仅被保存下来，更能够承载业务语境和语义信息，使AI在接收数据后能够迅速理解其含义。

其二，是建设按需接入的连接架构。为此，KB金融集团引入了Snowflake平台，并相应调整数据运营方式。Lee Kyung-jong表示，集团正在从过去由IT部门单向管理数据的模式，转向由最了解数据的业务部门负责生成、管理和维护。各业务部门生成领域数据后，可将其登记到Snowflake平台的数据市场（Marketplace），业务人员和AI均可直接在平台上获取并使用所需数据。

KB金融控股于2024年启动面向AI Agent开发的专用平台建设，随后已转入正式服务阶段。到2025年，集团首先在前台场景推出支持财富管理和个人金融业务的Agent，此后又陆续扩展至财富管理、金融咨询等应用场景。

其中，财富管理Agent可分析客户投资组合，并快速识别市场议题；金融咨询Agent则被用于多个营业网点，辅助一线咨询工作。KB金融集团计划继续扩大可落地的AI Agent种类和覆盖范围。

进入今年后，KB金融控股又将Agent开发进一步拓展至中台和后台领域。

据Lee Kyung-jong介绍，风险管理Agent可实时检查市场风险和信用风险，并自动识别异常信号；授信审查Agent则通过自动化贷款审核流程，提升审查速度和准确性；法务支持Agent的开发重点则放在合同审查、监管变化监测和合规检查等环节的自动化上。

与此同时，KB金融控股也在软件开发全流程中引入AI Agent，构建覆盖规划、开发、测试到部署的支持环境。数据分析Agent则可承担数据汇总与预处理、综合分析以及报告撰写等工作。

对于后续的Agentic AI战略，Lee Kyung-jong还给出了两大方向。

首先，依托Snowflake整合KB的数据资产，进一步完善可供Agent直接调用的数据结构，并在前中后台全面扩大Agent应用规模。

其次，通过MCP加强系统连接，推动AI从“只会回答”升级为可直接管理业务流程的行动型AI。他强调，KB金融集团正在建设的AI数据体系，是一项竞争对手难以轻易复制的长期竞争战略。