AI重构银行生态

登录新浪财经APP 搜索【信披】查看更多考评等级

　　转自：北京商报

　　一场以人工智能为核心的科技变革，正在银行业掀起波澜。随着A股上市银行2024年年报密集披露，多家银行将构建人工智能产业链放在了数字金融转型的最优先级。年报之内，战略升维的轨迹清晰可见，国有大行依托资本与政策优势，以“1+1+N”框架构建技术壁垒；股份制银行加速“数智化”转型，从“线上”向“数智”跨越；城商行则锚定细分赛道，以多模态技术实现“小而精”突破。年报之外，DeepSeek等开源力量正以“轻量化+垂直化”路径打破技术垄断，推动行业升级跃迁。这场重塑银行业务版图的变革背后，既孕育着数万亿规模的商业蓝海，也暗藏“算法黑箱”、数据治理等待解难题。

　　年报之内：战略升维

　　当AI、大模型成为高频词，以银行为代表的金融机构正在通过人工智能的力量重塑自身竞争力。

　　国有大行中，邮储银行“含智量”满满，在2024年年报中，该行“智能”“大模型”等关键词共计出现了超150次，总行IT队伍增加至5440人，全行超过7200人。邮储银行董事长郑国雨在致辞中直言，“将加快人工智能，技术创新突破和迭代应用”。北京商报记者注意到，邮储银行注重研发端场景的AI渗透，依托大模型打造的智能研发测试AI助手，已辅助超5000名研发人员智能生成代码110余万行，代码采纳率约20%。

　　与邮储银行的技术攻坚不同，交通银行更强调治理机制与技术应用的协同，构建出“1+1+N”人工智能建设框架，即夯实1个企业级AI能力平台，健全1套AI治理机制，赋能N个AI场景应用，完成大小模型场景建设超100个。

　　“零售之王”招商银行以“从线上到数智”战略升级为标志，首次提到了“数智招行”的概念，在技术底座与场景落地双向发力，落地国内首个百亿级金融大模型“一招”，全行大模型应用场景超120个。

　　平安银行的AI布局围绕“线上线下融合”展开，2024年，该行升级“AI+T+Offline”（AI银行+远程银行+线下银行）经营服务模式，为客户提供多产品、多触点的资产配置建议。城商行中，重庆银行的人工智能产业链布局体现出“小而精”的特色，开展OCR与开源大语言模型（LLM）相融合的多模态技术研究，并在27个业务场景中得到实践。

　　深度剖析银行年报可以看出，从金融机构人工智能产业链行业格局看，国有大行凭借资本与政策优势构建技术壁垒，股份制银行以场景创新抢占一席之地，城商行则通过差异化定位挖掘细分市场。

　　年报之外：开源破局

　　部分银行虽在年报中提及人工智能，但未披露具体的AI应用场景和实施进展。更直观的技术落地、业务改造赛场仍在年报之外。

　　当硅谷还在烧钱堆算力时，DeepSeek等开源大模型的爆发式发展，堪称AI领域的“田忌赛马”，为银行带来了机遇，也不断推动行业从“数据驱动”向“智能决策”跃迁。

　　从整体行业视角观察，大模型应用的速度战早已拉开序幕，地方银行、民营银行成为了“先行者”，通过DeepSeek的“轻量化+垂直化”策略实现技术破局。结合DeepSeek的模型特性，江苏银行“智慧小苏”实现了合同质检智能化、托管资产估值对账自动化的创新；苏商银行通过融合DeepSeek系列模型技术，构建起“数据+算法+算力+场景”四位一体的智能决策体系，北京银行、江苏银行、重庆银行、成都银行、北部湾银行、内蒙古银行等也相继布局。

　　如果说中小银行借助DeepSeek实现了“单点突破”，那么姗姗来迟的国有大行则通过将DeepSeek融入自有技术体系，开启了全链路赋能。譬如，工商银行将DeepSeek接入行内“工银智涌”大模型矩阵体系，实现大模型对行内20多个主要业务领域的赋能，落地场景200余个；邮储银行将DeepSeek大模型应用于智能客服“小邮助手”。

　　“中国银行已完成DeepSeek-R1模型的内部部署，并且用中国银行的数据在上面进行推理和调优。向行内员工开放，进行场景的探索，深入推进其在营销助手、远程银行、授信报告生成等场景应用。”在2024年度业绩发布会上，中国银行副行长蔡钊说道。

　　建设银行首席信息官金磐石介绍，“今年2月，我们已对DeepSeek在生产环境进行了私有化部署。截至目前，我行金融大模型的应用已经覆盖了全集团一半以上的员工、46个业务领域、200多个场景”。

　　除了DeepSeek，其他开源模型如ChatGLM也在银行业崭露头角。有银行基于ChatGLM-6B模型微调出金融垂类试验模型，经测试，在金融通识考试问题上准确率达77.4%。也有银行金融人工智能应用平台综合运用预训练大模型、Agent技术、大数据分布式、容器云等技术，集成12种开源大模型和50多项AI智能服务。

　　科方得智库研究负责人张新原认为，目前银行已开展的人工智能应用中，最有可能催生出全新业务或服务方向的领域包括风险管理、客户服务、智能投顾、智能风控等。在这些领域中，人工智能可以通过大数据分析和机器学习技术，提高风险识别和防控的准确性和效率，同时也可以提供更加智能和个性化的客户服务，提高客户满意度和忠诚度。

　　转型之路：多难题待解

　　从智能客服高效答疑，到风控模型精准预警，人工智能服务已嵌入银行业务肌理。有研究报告指出，AI有望给金融业带来3万亿元规模的增量商业价值，并可能将彻底改变交易的进行、投资的管理和风险的评估方式。

　　然而，从畅想到落地，银行在构建人工智能产业链进程中，实则面临诸多棘手挑战。一方面，尽管AI带来效率革命，但局限性亦不容忽视，AI幻觉、数据隐私、模型不可解释性等问题仍需解决；另一方面，在实际落地与长远发展中，还存在着技术适配、人才、监管等多方面的难题。

　　北京社科院副研究员王鹏指出，在推进人工智能内容时，平衡技术创新与风险防控，特别是在数据安全与算法偏见方面，银行需要建立严格的数据治理机制，确保数据的质量和安全性。加强数据清洗、整合和验证工作，采用加密技术保护敏感数据。明确数据分类分级、数据安全保护总体要求、管理措施、技术措施，以及风险监测评估审计与事件处置措施。建立完善的算法审查机制，确保模型训练过程中使用的数据来源合法且无歧视性，提高算法透明度。

　　“针对生成式AI可能导致的‘算法黑箱’问题，建议构建白盒模型，制定AI信息披露标准，增强决策透明度和可追溯性。通过智能算法和模型，不断优化金融业务流程，构建数字化、智能化的金融生态体系，为客户提供更加便捷、智能、个性化的金融服务体验。”王鹏说道。

　　“虽然生成式AI在客服领域具有一定的通用性，但银行应更加注重用户体验的个性化。”中国企业资本联盟副理事长柏文喜告诉北京商报记者，例如，通过深入了解客户的需求和偏好，利用AI技术为客户提供量身定制的服务和解决方案，而不是简单的标准化回答，从而提升客户满意度和忠诚度，避免服务同质化。监管层面应建立适应AI发展的监管沙盒机制，为银行的AI创新提供相对宽松的监管环境，鼓励银行大胆尝试和创新。同时，政府出台相关政策，支持银行在AI领域的研发投入和应用推广，促进金融与科技的深度融合。

　　对银行而言，唯有以数据治理筑牢安全底座，以完善算法破除信任壁垒，才能在技术红利与风险防控间找到平衡点。

　　北京商报记者 宋亦桐