陈国汪：AI将如何改变银行业lg...

作者：金融界银行研究院院长陈国汪

人工智能对银行业的深层改变并非简单的“降本增效”工具升级，而是一场生产函数的系统性重构。银行的核心竞争力正在从传统的网点规模、牌照壁垒和人力密度，加速转向数据资产厚度、模型工程化能力与算法决策效率。这场变革不是未来时，而是正在发生的进行时。

从投入规模看，2025年中国13家主要上市银行金融科技合计投入已超过1800亿元，其中国有六大行合计投入超过1300亿元，工商银行以285.88亿元连续五年领跑同业。国际对标方面，摩根大通2026年技术支出预计达到约198亿美元，同比增长10%，AI与机器学习已成为其核心预算板块而非试验性项目。

从竞争格局看，AI投入的规模效应与数据飞轮正在加剧银行分层分化：国有大行走全栈自研与能力输出路线，股份制银行聚焦优势场景做深做透，民营数字银行以AI原生模式构建差异化壁垒，而大量中小银行则面临“自建成本过高、公网模型不合规”的两难困境，被迫走向轻量化采购与生态合作路径。

从监管框架看，2026年6月国家金融监督管理总局发布《关于银行业保险业人工智能安全开发应用的指导意见》，以32项指导性意见构建了中国金融领域AI治理的制度框架，明确将AI风险纳入全面风险管理体系，并界定了资金交易、信贷审批、承保理赔等高风险应用场景的准入要求。

本报告认为，未来三至五年，银行业将在风控重构、收入迁移、组织颠覆与监管博弈四条主线上经历深刻变革。对不同类型银行而言，战略选择的关键不在于“是否上AI”，而在于“以何种节奏、在哪些场景、投入多大强度上AI”，以及如何在创新与风险之间找到精准平衡。

一、范式转移：AI对银行业的底层重构

（一）从人力密集型到算法密集型的生产函数转变

银行业本质上是一个数据处理与风险定价行业。在传统模式下，银行的信贷审批、客户营销、运营服务和合规审查高度依赖人工经验与线下流程，属于典型的人力密集型业态。人工智能，特别是大语言模型与机器学习技术的规模化应用，正在从根本上改写这一生产函数。

以微众银行为例，作为中国首家数字银行，其科技人员占全行员工比例始终保持在50%以上，历年IT投入占营业收入比例超过9%，户均IT运维成本控制在1.9元每年。这一数字与传统银行动辄数十元甚至上百元的户均运维成本形成鲜明对比，昭示着AI与分布式系统正在将银行的边际服务成本推向接近于零的水平。

生产函数的转变意味着银行的核心投入要素发生了迁移。过去银行扩张主要依赖增设网点、招聘柜员和获取牌照；未来银行的竞争优势首先取决于数据资产的积累质量、算法模型的精准程度以及算力基础设施的支撑能力。资本与人力不再是唯一的护城河，数据与模型正在成为新的核心生产资料。

（二）成本结构与收入结构的双重重塑

在成本端，AI对中后台运营、客服、合规审查等人力密集环节的替代效应正在快速显现。高盛的历史经验表明，随着自动化交易系统的普及，其纽约股票交易台的人员规模从巅峰时期的600人缩减至不足2人。虽然中国银行业的替代节奏因监管与业务特性而更为审慎，但运营、客服、数据录入等标准化岗位的自动化率持续提升已是确定性趋势。

在收入端，AI正在重塑银行的中间业务收入结构。智能投顾、智能投研辅助、AI驱动的产品创新与精准营销，正在为财富管理、私人银行和零售业务开辟新的增长空间。与此同时，传统存贷利差业务的竞争方式也在发生变化——风险定价模型的精准度直接决定了银行能否在不良可控的前提下，以更优的价格策略获取优质客户。AI风控能力强的银行将在定价效率上获得结构性优势。

（三）“数字员工”与组织形态的颠覆

2025年以来，“数字员工”概念在银行业从试点走向规模化落地。运营中心、客服中心、数据中心等中后台部门正在引入智能体（Agent）系统，承担工单处理、信息查询、报告生成等常规性工作。这不仅是工具层面的效率提升，更在推动银行组织形态从传统的金字塔层级结构，向敏捷化、平台化的新型组织转变。

员工结构也随之发生翻转。未来银行的人才构成中，数据科学家、AI产品经理、算法工程师和业务专家的占比将持续上升，而传统柜面人员和基础运营岗位的需求将逐步收缩。招商银行2025年报显示，其研发人员已达到11051人，占员工总数的9.09%，这一比例在传统银行中已属高位，但与科技公司相比仍有差距，预示着人才结构调整仍有很长的路要走。

二、投入格局：银行分层与科技投入的马太效应

（一）国有大行：千亿级投入构建技术护城河

国有六大银行构成中国银行业科技投入的第一梯队。2025年，工商银行金融科技投入达到285.88亿元，连续第五年超过200亿元，稳居国内银行业首位。紧随其后的是建设银行267.22亿元、农业银行256.47亿元、中国银行250.01亿元，四家国有大行投入均突破250亿元关口。邮储银行信息科技投入约117亿元，交通银行科技投入占营业收入比例达到5.78%，在主要银行中处于较高水平。

从投入强度看，国有大行的科技投入占营业收入比重普遍在3.3%至5.8%之间，与摩根大通等国际领先银行相比，绝对规模仍有差距，但已保持稳定的增长态势。更重要的是，国有大行的投入正在从基础设施建设转向大模型与智能体应用的深度阶段。2026年半年报显示，工商银行、建设银行的AI落地场景均已超过600个，中国银行的智能化助手超过2200个，标志着大行的AI应用已从单点试点进入全域渗透阶段。

（二）股份制银行：中等规模与场景深耕

股份制银行构成第二梯队。招商银行2025年信息科技投入达到129.01亿元，占营业收入的4.31%，提出“AI First”战略理念，在856个业务场景中落地了AI应用。招行的实践代表了股份制银行的典型路径：不追求全栈自研的大而全，而是围绕零售金融、财富管理、风控等优势领域做深做透，形成差异化的AI能力壁垒。

与国有大行相比，股份制银行的科技投入绝对规模约为大行的1/3到1/2，但投入强度（占营收比例）并不逊色，部分银行甚至更高。这反映出股份制银行在资源约束下的战略选择——以更高的投入强度换取在特定业务领域的技术领先性。

（三）民营数字银行：AI原生的轻量化标杆

微众银行和网商银行作为中国民营银行的代表，走出了一条AI原生的差异化道路。微众银行2025年业务及管理费与研发费用合计94.98亿元，其中研发费用25.22亿元。在主动压缩业务及管理费与研发费用合计开支23.12%的同时，其AI算力规模较2024年末提升了3.5倍，日均调用量从4.1万次大幅增长至240万次，日均Token消耗量从2亿提升至超过50亿，全年Token消耗量突破4000亿。

网商银行2025年资产总额首次突破5000亿元，达到5045.88亿元，净利润32.93亿元，不良贷款率从年初的2.30%压降至2.19%。在AI风控辅助下，其复杂信贷审批速度从25分钟加快至8.7分钟，AI与人工审批一致率在实践五个月后从39%跃升至90%。这些数据充分证明，AI原生的数字银行能够以极轻的资产和人员规模，实现对海量小微客户的高效服务与精准风控。

（四）中小银行：预算约束与人才困境

与大行和头部股份行相比，大量城商行、农商行和村镇银行在AI投入上面临严峻的资源约束。调研显示，多数中小银行的AI专项预算仅在几十万到百万元级别，科技部编制往往只有寥寥数人，高端算法人才招聘困难——即便薪资水平接近一线城市，地域因素也让顶尖技术人才望而却步。

更深层的困境在于合规与成本的双重挤压。一方面，监管要求金融数据不能出境，直接调用公共大模型API存在合规风险；另一方面，全栈私有化部署一套大模型的成本动辄数百万元甚至上千万元，远超中小银行的承受能力。这种“自建成本过高、公网模型不合规”的两难境地，将大量中小银行困在AI转型的起步阶段。

不过，转机正在出现。以DeepSeek为代表的开源大模型通过架构创新和工程优化，大幅降低了大模型的算力需求和部署门槛。2026年上半年，金融行业大模型中标项目达到406个，同比增长110%，其中银行机构是绝对主力。中小银行的AI路径正在从“要不要做”转向“怎么以最低成本做对”。

（五）国际对标：投入规模的量级差距

从全球视角看，中国银行业的科技投入与国际顶级银行相比仍有量级差距。摩根大通2025年全公司技术支出约为180亿美元，2026年预计进一步增长至约198亿美元，同比增长10%。其技术投入涵盖产品平台、业务应用、客户体验、区块链以及AI与机器学习等多个板块，AI已经成为驱动技术支出增长的核心因素之一。

高盛2026年第一季度技术支出达到31亿美元，同比增长22%，在总员工数下降3200人的背景下逆势增加技术投入。高盛在2025年正式推出“一个高盛3.0”战略，将人工智能作为全新运营模式的核心驱动力。

简单对比可见，摩根大通一家的年度技术支出（约1400亿元人民币）约相当于中国全部13家上市银行科技投入的3/4。这种量级差距既反映了中国银行业在AI技术积累上的后发特征，也意味着未来投入增长仍有巨大空间。当然，投入规模本身并不直接等同于投入效率，中国银行业在应用场景丰富度、数据体量和市场纵深方面具有独特的后发优势。

三、应用落地：前中后台的智能化渗透

（一）前台业务：从精准营销到智能决策

在零售前台，AI正在重塑客户触达与产品推荐的方式。通过对客户交易行为、资产状况和生命周期的深度分析，银行能够实现千人千面的产品推荐和精准营销，大幅提升转化率与客户体验。招商银行提出的“AI First”战略，其核心正是将AI能力嵌入零售客户经营的每一个环节。

在信贷前台，AI正在改变审批效率与风险识别的平衡。网商银行的实践具有标杆意义：针对小微企业和个体工商户的复杂信贷申请，传统人工审批需要25分钟，引入AI信贷专家系统后缩短至8.7分钟。更重要的是，经过五个月的迭代优化，AI审批与人工审批的一致率从最初的39%提升至90%，证明了AI在复杂风控场景中的可靠性正在快速增强。

在财富管理前台，智能投顾和智能投研辅助工具正在成为银行服务高净值客户的标准配置。高盛的内部智能体平台“Meridian”能够处理约40%的例行股票研究摘要和客户沟通草稿撰写，预计到2026年底这一比例将达到65%。这意味着分析师和客户经理可以将更多精力投入到深度研究和客户关系维护中，而非重复性的信息整理工作。

（二）中台能力：风控体系的智能化重构

中台风控是银行业AI应用价值最大、落地最深入的领域。传统风控依赖静态财报数据和人工经验判断，而AI风控能够整合交易流水、行为数据、产业链信息甚至卫星遥感数据等多维度信息，实现对信用风险的动态识别与提前预警。

网商银行构建了“大山雀”卫星遥感技术、“大雁”数字供应链金融系统和“百灵”智能交互式风控系统三位一体的智能风控体系，依托云计算、大数据、人工智能和隐私计算技术，搭建了覆盖“准入—授信—贷中监控—贷后管理”全流程的智能化信用风险管理系统。这一体系使其能够服务数千万小微经营者，同时将不良率控制在2.19%的较低水平。

从行业整体看，2025年末中国商业银行不良贷款率为1.50%，较上季末下降0.02个百分点，拨备覆盖率为205.21%。虽然资产质量的改善是多重因素作用的结果，但AI风控能力的提升无疑在其中发挥了积极作用——特别是在零售小微贷款领域，AI风控的精准度优势正在转化为可观测的资产质量改善。

（三）后台运营：自动化率的持续提升

在后台运营、客服和合规审查领域，AI的替代效应最为直接。智能客服系统已经成为银行客户服务的主力，大量标准化查询和业务办理由AI机器人完成，人工坐席专注于复杂问题和高价值客户服务。在运营中心，RPA（机器人流程自动化）与AI大模型结合，实现了票据处理、数据录入、报表生成等工作的自动化。

合规与审计领域也在经历AI赋能。合同审查、反洗钱交易监测、监管报告生成等传统上需要大量人力投入的合规工作，正在通过AI工具实现效率提升。国家金融监督管理总局在2026年的指导意见中也明确提出，要支持金融机构运用AI技术提升合规管理效率，这为后台领域的AI应用提供了政策空间。

（四）规模化指标：从场景数量到Token消耗

衡量银行AI应用的深度，正在从“有没有大模型”转向“用了多少、用得好不好”。2026年上市银行半年报中，Token消耗量、智能体数量、AI调用次数等量化指标首次密集披露，为横向对比提供了硬数据。

工商银行和建设银行的AI落地场景均已超过600个，中国银行的智能化助手超过2200个，招商银行提出近900个场景落地AI应用。微众银行的日均Token消耗量从2亿跃升至50亿以上，全年突破4000亿。这些数字标志着中国银行业的AI应用已经脱离了概念验证阶段，进入了规模化生产应用的新阶段。

四、国际经验：华尔街大行的AI实践与启示

（一）摩根大通：十年磨一剑的AI基础设施

摩根大通是全球银行业AI应用的先行者。截至2025年，其AI与机器学习的探索已经走过十余年历程，在信用评估、反欺诈和客户个性化服务等领域实现了可量化的价值交付。

在组织架构上，摩根大通成立了由高级管理人员直接向CEO和总裁汇报的“AI与数据”高级团队，打破了传统IT部门的隶属边界，将AI列入所有高层会议的核心议题。这种顶层设计确保了AI战略能够跨越部门壁垒，在全集团范围内协调推进。

摩根大通的经验表明，银行业的AI转型不是买几个工具就能完成的，它需要长期持续的投入、跨部门的组织协调，以及将AI深度嵌入核心业务流程的决心。从最初的单点试验，到如今成为业务运行的“默认基础设施”，摩根大通用了超过十年时间。

（二）高盛：从效率工具到运营模式重构

高盛在2025年正式推出“一个高盛3.0”战略，将人工智能作为全新运营模式的技术底座。这一战略的核心在于，AI不再仅仅是提升效率的辅助工具，而是重塑整个公司运营方式的底层驱动力。

在产品层面，高盛于2025年中面向全体员工推出了GS AI Assistant，此前已经过约1万名员工的试点验证，并在2026年持续扩展至投资银行家、交易员等各业务条线的专用智能助手。其内部开发的智能体平台“Meridian”已承担约40%的例行股票研究摘要和客户沟通草稿工作，预计年底达到65%。

值得注意的是，高盛在大举投入AI的同时，保持着对人的核心作用的清醒认知。高盛资产管理团队明确提出，AI不能替代人类判断——市场受到政策变化、行为动态和体制转换等多重因素影响，需要专家级的人类判断来解读。AI的价值在于从复杂数据中提炼洞察，而非做出最终决策。这种“人机协作”而非“机器替代”的理念，对银行业具有重要的参考价值。

（三）国际经验对中国银行业的三点启示

第一，AI转型必须是“一把手工程”。摩根大通和高盛的共同经验表明，AI战略的成功与否首先取决于最高管理层的重视程度和资源投入决心。将AI提升到公司战略层面，由高层直接推动，而非交由IT部门自行探索，是AI落地见效的前提条件。

第二，数据治理是AI能力的地基。国际领先银行的AI能力之所以强大，根本在于其长期积累的数据资产和成熟的数据治理体系。没有高质量的数据，再先进的模型也只是空中楼阁。中国银行业在推进AI应用的同时，必须同步加大数据治理和数据中台建设的投入。

第三，坚持“人在回路”的审慎原则。金融行业事关风险与信任，完全的自动化决策在可预见的未来并不现实。无论是高盛强调的“人类判断不可替代”，还是中国监管要求的高风险场景人工复核，都指向同一个原则：AI是增强人类专业能力的工具，而非完全替代人类决策者。

五、中国实践：分层差异化的AI转型路径

（一）国有大行：全栈自研与能力输出

中国国有大行在AI转型中走的是一条“自主可控+生态输出”的道路。以工商银行为例，其打造的“工银智涌”大模型体系，不仅服务于内部业务，还在探索向中小银行和企业客户输出技术能力。六大行年合计超过1300亿元的科技投入，为其自研大模型、自建算力中心和自主培养AI人才提供了坚实的财力基础。

国有大行的AI应用具有场景多、覆盖广、体量大的特点。工行、建行的落地场景均超过600个，覆盖了零售、公司、普惠、金融市场、运营管理等几乎所有业务条线。这种全域渗透的能力，是中小银行难以企及的规模优势。

（二）股份制银行：优势场景的深度突破

股份制银行代表了中国银行业AI应用的“精品路线”。招商银行2025年将营业收入的4.31%（超过129亿元）投入信息科技领域，提出“AI First”理念，不仅开展全员AI思维和技能培训，还成为两大主流开源项目的维护者，体现了从应用到参与生态建设的进阶。

股份制银行的优势在于机制相对灵活、业务聚焦度高。它们不需要像大行那样覆盖所有场景，而是选择零售金融、财富管理、供应链金融等自身优势领域，将AI能力做深做透，形成局部领先的差异化竞争力。

（三）民营银行：AI原生的范式探索

微众银行和网商银行作为数字原生银行，从成立之初就以技术为核心驱动力，走出了一条与传统银行完全不同的AI发展路径。微众银行科技人员占比超过50%，累计提交专利申请4000多件，获得授权专利1300多件，是中国金融科技专利最多的银行之一。

网商银行则在小微金融领域探索出了一套独特的AI风控方法论。其服务的7722万综合金融服务客户中，绝大多数是传统银行难以触达的小微经营者和个体工商户。AI技术使其能够以极低的边际成本，为海量“尾部客户”提供可持续的金融服务，真正践行了普惠金融的理念。

（四）中小银行：轻量化与生态化的生存智慧

面对资源约束，中国中小银行正在探索一条“轻量化AI”的务实路径。它们不再追求自建大模型，而是通过采购成熟的AI产品和服务，聚焦本土特色场景实现快速落地。

苏州银行2026年上半年连续发布6个智能体项目招标，覆盖信贷全流程，总金额超过600万元。乐山市商业银行聚焦小微贷前尽调的痛点，打造了流水解析智能体系统，将客户经理从繁琐的人工流水分析中解放出来，同时提升了风控判断的标准化程度。

开源大模型的兴起为中小银行带来了历史性机遇。DeepSeek等开源模型以更低的算力需求和部署成本，让中小银行第一次有机会以可承受的价格获得接近闭源大模型的能力。中小银行互联网金融联盟的调研显示，53.23%的中小银行将“大模型技术突破”视为推动数字金融转型的重要动因，而开源技术正在成为缩小技术差距的关键杠杆。

六、监管框架：从鼓励创新到风险防控的制度建构

（一）国内顶层设计：32项指导意见的制度框架

2026年6月18日，国家金融监督管理总局正式发布《关于银行业保险业人工智能安全开发应用的指导意见》。这是中国金融监管领域首个专门针对AI应用的系统性指导文件，标志着中国金融AI治理进入了制度化、规范化的新阶段。

《指导意见》从治理架构、开发应用、数据治理、算力建设、风险管理、能力提升、保障与监督七个方面提出了32项具体要求。其核心原则可以概括为：谁使用谁负责、自主可控、务实高效、安全发展。这一原则既鼓励金融机构积极拥抱AI技术，也划定了不可逾越的风险底线。

在治理架构方面，《指导意见》要求金融机构建立健全AI治理架构，明确董事会、高管层和相关部门的职责分工，将AI风险纳入全面风险管理体系。在数据治理方面，强调数据安全与个人信息保护的底线要求。在算力建设方面，鼓励金融机构统筹规划算力资源，避免盲目重复建设。

（二）高风险场景的准入管理

《指导意见》明确界定了金融领域AI应用的高风险场景，涉及资金交易、资产评估、信贷审批、承保理赔、风险管理等核心业务领域。对于这些高风险场景，金融机构必须建立严格的准入控制机制，经本机构风险管理委员会批准后方可实施，并构建系统化的评估框架。

这一制度设计体现了监管层的审慎态度：对于低风险的内部效率类应用（如智能客服、文档处理），采取鼓励创新的包容态度；对于直接影响客户权益和金融稳定的高风险决策类应用，则实施严格的准入和持续监控。这种分类分级的监管思路，既为创新留出了空间，也守住了风险底线。

（三）地方落实与监管演进

在国家层面指导意见发布后，地方金融监管部门迅速跟进。2026年9月，上海金融监管局印发《推动上海银行业保险业人工智能应用的若干措施》，进一步细化了落地要求，包括完善数据合规管理体系、对面向公众服务的生成式AI模型进行备案或登记、建立AI高风险应用场景准入控制机制等。

从国际比较看，中国的金融AI监管框架与美联储2011年发布的SR 11-7模型风险管理指引在理念上一脉相承，都强调模型全生命周期管理、模型验证和治理架构。但中国的监管框架更加全面和系统，不仅关注模型风险本身，还涵盖了数据治理、算力建设、伦理责任等更广泛的议题，体现了后发国家在制度设计上的系统性优势。

展望未来，随着AI技术在金融领域应用的不断深化，监管框架也将持续演进。可以预见，算法可解释性、AI歧视、跨境数据流动等新议题将逐步纳入监管视野，而监管科技（SupTech）与合规科技（RegTech）的协同发展，将成为金融AI治理的重要特征。

七、未来展望：趋势判断与战略建议

（一）三大趋势判断

第一，银行分层分化将进一步加剧。AI投入的规模效应和数据飞轮效应，将使得头部银行与中小银行之间的技术差距持续扩大。未来五年，我们可能看到更多中小银行通过兼并重组或转型为特色化社区金融机构的方式生存，而行业集中度将进一步提升。

第二，AI风控将成为银行核心竞争力的分水岭。在净息差持续收窄的背景下，谁的风控模型更精准、谁的不良率更低、谁的拨备成本更少，谁就能在激烈的价格竞争中获得生存空间。AI风控能力将从“加分项”变为“生存项”。

第三，监管沙盒与合规创新将并行推进。监管层在守住风险底线的同时，也会为负责任的AI创新留出空间。未来将出现更多监管试点项目，探索AI在金融领域的创新应用边界，推动中国金融AI在规范中发展。

（二）对不同类型银行的战略建议

对于国有大行，建议在持续加大自研投入的同时，积极探索技术输出和生态共建模式，将自身的AI能力转化为服务中小银行和实体经济的基础设施，在履行社会责任的同时开辟新的收入来源。

对于股份制银行，建议坚持“场景优先、效率驱动”的策略，不盲目追求大而全的技术栈，而是围绕自身优势业务做深AI应用，形成可量化的投入产出比，以效率和体验取胜。

对于中小银行，建议摒弃“自研自大”的执念，走轻量化、生态化的务实路线。优先选择2至3个本土特色场景快速落地，通过采购成熟产品和参与行业联盟的方式，以最小代价获得AI能力。同时，高度重视数据治理基础工作，因为这是未来一切AI应用的前提。

总之，人工智能正在深刻重塑银行业的竞争格局和经营模式。这场变革没有旁观者，也没有终点。对于每一家银行而言，真正的挑战不在于是否要拥抱AI，而在于如何在资源约束、监管要求和业务需求之间，找到最适合自身的AI转型路径。

说明：所有数据均来自新华网、证券时报、国家金融监管总局官网、摩根大通 / 高盛官方披露等公开可核验来源。