中国最大型银行正把生成式AI从展示转向生产端。半年报显示，内部大模型在零售、公司、交易和尤其风险领域迅速部署。整个行业在计算、云和数据管道上投入，同时将这场推进包装为AI+国家行动的一部分并衔接到即将到来的第十五个五年规划。目标很清晰。回报将取决于模型治理、能真正扩展的本地化技术栈，以及面向客户的用例是否能带来超越成本削减的收益。
国有大行和领先的股份制银行现在讨论的是系统，而非演示。某头部行建立了企业级模型平台，声称覆盖20多个业务线和200多个场景，今年在个人金融、交易和公司授信方面新增100个AI应用。某邮储系银行的技术栈适配了数个主流模型，构建了超过230个用例，从票据交易机器人到一个承保助理，该助理在农业和信用卡领域每天处理超过3万项决策。某城市商业银行宣布All in AI战略，拥有统一的计算基础和数百项能力与应用；而一家以零售为主的顶级银行称其AI礼宾服务每月触达超过2000万客户，内部copilot覆盖所有岗位。传达的信息一致：AI正被嵌入工作流程和绩效指标，而不仅仅停留在实验室。
目前，风险是试验场。最大型银行报告在大宗商品、外汇、债券、货币市场和股票上采用AI驱动的监测。信贷流程正在改造，引入用于信息抓取与分析的agent矩阵、模型辅助的信审，以及升级后的监控系统。银行正用卫星影像扩展对农业与林业贷款的监控。中等规模银行谈到在数字化监管框架下并行运行大模型与小模型双引擎，在零售、供应链、中小企业和卡线增加了120个新的风险模型。在反欺诈与AML方面，处理量巨大且收益可见：一家银行通过知识图谱增强的AML系统每日处理约1.27亿笔交易，并宣称分析师生产力提高30%；另一家在半年内截获超过50亿元的疑似欺诈资金。这些是可信的早期胜利，因为它们对应二元结果和损失率。提醒是：风险模型要接受更严格的验证。黑箱行为、偏差与漂移将受到重视可解释性的监管审视，尤其在信贷与AML场景。预计模型清单、挑战机制和审计链条将变得与原始准确率同等重要。
这场军备竞赛既关乎基础设施也关乎算法。某大行报告其云平台拥有4万台服务器。另有行在计算、算法、平台与知识方面建设了企业智能基座，宣称具备千GPU级算力、双站多中心部署以及数十万容器。若干行强调全栈国产算力加开源模型，明显是对出口管制和采购本地化压力的回应。实际上，成本、延迟和工具链成熟度将决定这些技术栈能否扩展。国产加速器已有改进，但为金融调优大模型仍依赖稀缺的工程人才。银行正尝试用AI中台抽象复杂性，以便业务团队能快速插拔模型。运营目标是弹性：云可用率指标不少于99.999%，分布式核心实现零停机切换，并在各地区维持一致策略。财务目标是将高额资本支出在多年部署中摊销，而不致使成本收入比飙升。
AI表现取决于数据质量与可达性。几十年的以产品为中心的核心系统留下了分裂的数据、标识不一致以及埋在网点流程里的人工控制。放贷机构通过企业知识库、组件化中台和集中治理做出响应。某零售冠军报告超过6000个可复用技术组件和一个统一AI平台，旨在降低集成成本。这是正确方向，但任务艰巨：在信贷、支付、财富和交易之间标准化语义；在数据管道中构建同意与脱敏机制；并将数据血缘与审计要求对齐。隐私与网络安全规则在收紧，生成式AI服务面临备案与安全要求。把模型过拟合到狭窄洁净子集的银行会看到边际回报递减；那些处理混沌操作数据的银行则会遭遇延迟与超支。治理将决定AI能否超出少数洁净、高ROI的口袋级应用而实现规模化。
银行把AI视为价值引擎，而不仅仅是成本工具。财富与保险的个性化、对中小微贷款更精准的定价以及更快的产品设计是期望的收益。早期部署多呈现为虚拟顾问和BI聊天界面。如果它们不出现幻觉并且一线人员信任这些建议，就能提升转化率和客户钱包份额。但短期利益偏向效率：呼叫中心引流、更快的开户和更短的承保周期。硬件、模型训练和稀缺工程师成本高昂。行业还面临利润率压缩和疲软的信贷周期。这意味着要做有纪律的A/B测试，而非全面铺开。胜出的项目会公布硬指标：每用户的增量手续费收入、作为交易量百分比的避免欺诈损失，以及在计算与人力成本计入后的成本收入比净影响。无法给出这组算术的银行将看到预算被调配到更安全的数字维稳上。
政策配合是一个特征，而非缺陷。AI+出现在政府工作重点中，银行已建立领导小组和三年行动计划以响应。某大型国有行更进一步，宣布在五年间提供至少1万亿元的综合融资以支持AI产业链。这将把信贷引向数据中心、芯片、软件和应用厂商。同样也把风险集中在现金流波动大且受政策影响的行业。资助算力园区与国家建设数据和AI基础设施的计划相契合，但项目选择、抵押品与保底采购合同将很重要。预计监管机构会关注集中度上限与关联方风险，尤其是在国企生态系统在贷款与借款双方重叠时。将其叙述为新生产力因素的说法很有说服力；但是否盈利取决于承销纪律。
中国的数字人民币试点展示了实时支付与可编程货币。展陈吸引了大量公众，技术栈成熟。然而广泛采用是渐进的，受商户接入、用户习惯与后台变更影响。给银行AI的教训很简单：技术准备并不保证使用率。除非能带来更清晰的收益或回报，客户不会主动寻找AI财富顾问；除非激励到位并且错误处理安全，网点与关系经理不会依赖copilot。每当AI触及敏感文件或客户对话时，数据安全担忧会浮出水面。那些在设计上注重同意、透明与回退到人工顾问的银行，将比把机器人推向每个接触点的银行走得更快。预计采用曲线将在边界清晰的任务上出现高峰，而在高风险咨询上采用较慢。
行业已在起草2026–2030年IT蓝图。下一阶段将少些场景计数，多些质量考量。留意三个标志。第一，治理：在信贷、AML与市场监控上明确可解释性阈值的模型风险政策，并对模型开发、验证与使用进行清晰分离。第二，本地化：全栈国产算力是否能支持生产级模型而不带来性能或成本惩罚，以及采购转向是否已锁定。第三，损益影响：公开将AI与手续费增长、降低信贷成本及持续改善经营杠杆相关联的指标。中国银行具备规模、数据和政策顺风，能够让AI产生回报。但也有严格监管约束和遗留包袱。胜出者将是那些把AI当作工业化流程工程来对待，而非一场运动。
