中國最大的放款機構正把生成式 AI 從展示搬到生產端。半年報顯示，內建大型模型在零售、企業、資本市場，尤其是風險管理領域的快速推展。整個行業在計算、雲端與資料管線上投入資源，同時把這波推進包裝為 AI Plus 國家運動與即將到來的第十五個五年規劃的一部分。目標很明確。能否收回回報，取決於模型治理、本地化技術堆疊是否真正能擴展，以及面向客戶的用例能否帶來超過單純降本的價值。
國有大行與領先的股份制銀行現在以系統化語言談論，而非只做示範。一家重量級銀行建立了企業級模型平台，聲稱覆蓋 20 多條業務線和 200 多個場景，且今年在個人金融、資本市場與公司信貸新增了 100 個 AI 應用。某郵政系金融機構的技術堆疊能適配多個主流模型，已構建超過 230 個用例，從票據交易機器人到一個每天處理超過 3 萬筆決策的審核助理，覆蓋農業與信用卡領域。一家城商行宣稱採取 All in AI 策略，建立統一計算基礎與數百項能力與應用；而一家以零售為重心的大行表示其 AI 禮賓服務每月觸及逾 2,000 萬客戶，內部 copilot 應用覆蓋所有角色。訊息一致：AI 正被縫入工作流與績效指標，而不只是留在實驗室。
目前，風險領域是試驗場。最大型銀行報告已用 AI 監控大宗商品、外匯、債券、貨幣市場與股票。信用流程正在以資訊擷取與分析的 agent 矩陣重塑，導入模型輔助的信用審查並升級監測系統。銀行還以衛星影像擴展農作物與林業貸款的監控。中等規模的放款機構談到在數位監管框架下同時採用大模型與小模型雙引擎，並在零售、供應鏈、中小企業與卡線新增了 120 個風險模型。在詐騙與 AML（反洗錢）方面，交易量龐大且成效可見：一家銀行透過知識圖譜加強的 AML 系統每天處理約 1.27 億筆交易，並聲稱分析師生產力提升 30%；另一家在短短半年內攔截了逾 50 億人民幣的疑似詐騙款項。這些是可信的早期勝利，因為它們對應二元結果與損失率。但需注意：風險模型受更嚴格的驗證約束。黑盒行為、偏誤與漂移將受到監管者關注，因為信用與 AML 等領域重視可解釋性。預期模型資產庫、對抗機制與審計軌跡將變得和純準確度一樣重要。
這場軍備競賽既關乎演算法，也關乎基礎設施。一家大型銀行在其雲端平台上報告有 40,000 台伺服器。另一家在計算、演算法、平台與知識方面構建了企業智慧基礎，聲稱擁有千 GPU 級能力、雙站點多中心部署與數十萬個容器。數家機構強調全棧國產計算與開源模型，明顯是對出口管制與採購在地化壓力的回應。實務上，成本、延遲與工具鏈成熟度將決定這些堆疊能否擴展。本地加速器已有進步，但為金融場景調校大型模型仍仰賴稀缺的工程人才。銀行正嘗試以 AI 中台抽象複雜性，讓業務團隊能快速插入模型。運營目標是韌性：雲端可用率指標要達 99.999% 以上、分散式核心能做到零停機切換、並在各地區維持一致政策。財務目標是將龐大資本支出在多年部署中攤銷，而不讓成本收入比失控。
AI 的效能取決於資料品質與可得性。數十年以產品為中心的核心系統導致中國銀行存在資料孤島、識別碼不一致，且分行流程中藏有大量人工控制。放款機構正在以企業知識庫、組件化中台與集中式治理回應。一家零售領頭羊報告有超過 6,000 個可重用的技術元件與一個統一的 AI 平台，旨在降低整合成本。方向正確，但任務艱鉅：在信用、支付、財富與資本市場之間標準化語義；在資料管線中建入同意與遮罩機制；並將資料血緣對齊審計要求。隱私與資安規範日益收緊，生成式 AI 服務面臨備案與安全要求。那些把模型過度擬合到狹窄、乾淨子集的銀行將見到邊際報酬遞減；願意處理雜亂作業資料的銀行則會遇到延遲與超支。治理將決定 AI 是否能超越少數乾淨、高 ROI 的口袋部署。
銀行把 AI 當作價值引擎，而不只是降本工具。財富與保險的個性化、對中小企業放貸的更佳定價，以及更快的產品設計都是獎賞。早期部署看起來像是虛擬顧問與 BI 對話介面。若這些不會幻覺且前線員工信任建議，就能提升轉化與錢包占比。但短期效益偏向效率面：呼叫中心攔截、加速 onboard 與縮短承保周期。硬體、模型訓練與稀缺工程師成本高昂。整個部門也面臨利差收窄與信貸循環疲弱的壓力。這主張採取嚴格的 A/B 測試，而非大面積部署。勝出計畫會公布硬指標：每位用戶的增量手續費收入、作為交易量百分比的避免詐騙損失，以及扣除計算與人力後對成本收入比的淨影響。無法證明這些數學的銀行，預算將被轉向較安全的數位維護項目。
政策對齊是特色而非缺陷。AI Plus 出現在政府工作重點，銀行也成立了領導小組與三年行動計劃來配合。一家大型國有銀行更提出在五年內提供至少 1 兆人民幣的綜合融資以支持 AI 產業鏈。這會把信貸導向資料中心、晶片、軟體與應用廠商，也把風險集中在現金流波動與受政策影響需求的行業。資助運算園區與國家建設資料與 AI 基礎設施的規劃相契合，但專案選擇、抵押品與「買斷/保障量」合約將至關重要。預期監管機構會關注集中度限制與關聯方風險，尤其在國企生態系在借貸兩端重疊時。關於「新質生產力」的敘事有說服力；是否獲利還是取決於承保紀律。
中國數位人民幣試點展示了即時支付與可程式化貨幣。展演吸引人潮，技術堆疊也成熟。然而廣泛採用呈現漸進態勢，受商戶整合、使用者習慣與後台變革所塑造。對銀行 AI 的教訓很簡單：技術準備好不等於會被使用。除非能帶來更明確的資訊或回報，客戶不會主動去找 AI 理財顧問；除非激勵措施到位且錯誤處理安全，分行與關係經理也不會依賴 copilots。每當 AI 涉及敏感文件或客戶對話，資料安全疑慮就會浮現。那些在設計時注重同意、透明與回退至人工顧問的銀行，將比把機器人推進每個接觸點的銀行走得更快。預期採用曲線會在界定良好的任務出現採用高峰，而在高風險建議領域則採用較慢。
業界已在擬定 2026–2030 年的 IT 藍圖。下一階段將少談場景數量，多談品質。注意三個指標。第一，治理：模型風險政策要訂出信用、AML 與市場監控的可解釋性門檻，並明確區隔模型開發、驗證與使用職能。第二，本地化：全棧國產計算能否在不犧牲效能或成本的情況下支援生產級模型，以及採購轉向是否已固定。第三，損益影響：揭露把 AI 與手續費成長、降低信用成本與持續改善營運槓桿綁定的指標。中國銀行擁有規模、資料與政策順風，能讓 AI 產生回報；同時也受制於嚴格監管與遺留包袱。勝出者會把 AI 當成工業化的流程工程來對待，而不是一場活動。
