1995 年，招商银行推出 " 一卡通 "，以 " 穿州过省，一卡通行 " 为号召，把储户的账户从 " 本地网点 " 的属地束缚中解放出来。彼时没有人会想到，这张卡片会成为中国银行业第一次技术洗牌的标志物，也成为招行从区域小行跃升为 " 零售之王 " 的起点。

此后三十年，技术浪潮一波接一波：PC 互联网时代的 " 一网通 "，移动互联网时代的手机银行与直销银行，再到今天人工智能时代的智能体。每一代技术到来时，市场上都会出现同一个问题——谁能上车，谁会被甩下？

笔者的判断是：技术从不决定银行分化的方向，它只是让分化的斜率变得更陡。真正决定胜负的，是每一代技术所 " 规模化 " 的那个生产要素——信息化规模化的是 " 账户 "，互联网规模化的是 " 渠道 "，移动互联网规模化的是 " 场景 "，而人工智能规模化的，是 " 判断 "。

前三次技术平权的对象是 " 触达 "，这一次平权的对象是 " 认知 "。而认知，恰恰是中小银行最贵、也是最后的一道护城河。

一、四代技术，四次 " 规模化 " 的跃迁

（一）信息化时代：一卡通把 " 账户 " 解放出来

在存折时代，银行的地域是封闭的：你的钱在哪个城市办的业务，就只能在哪个城市的网点取。技术在这里做的事只有一件——打破账户的地域分割。

一卡通的本质，不是一张塑料卡片，而是把 " 客户 " 从一个 " 网点属地 " 的标签中剥离出来，让账户跟着人走。这一突破之所以发生在招行，而非当时的工农中建，原因颇有意味：正因为招行没有庞大的旧网点包袱，才可以轻装重构整个系统。  1987 年才成立的招行，不必为几万个网点的存量系统买单，反而能用当时最新的集中式架构，一步到位实现通存通兑。

反观当时的大行，技术实力不弱，但每一个技术动作都要在数万个网点、数十年的旧系统上 " 带病改造 "。这不是能力问题，是改革的成本问题。

这一代的启示是：技术洗牌的第一层胜负，往往不在技术，而在 " 包袱 "。  谁的历史资产更轻，谁就更容易把新技术变成新产品。

（二）PC 互联网时代：一网通把 " 渠道 " 搬到线上

1998 年前后，招行 " 一网通 " 落地，银行业第一次把 " 服务 " 从物理网点搬到了电脑屏幕上。紧接着，工行、建行等大行迅速跟进，网银、手机银行（早期 WAP 版）相继铺开。

这一代的关键变化在于：技术从 " 打破属地 " 转向了 " 集中化 "，而集中化天然有利于大行。

PC 互联网是中心化的基础设施：全国数据大集中、清算网络、机房与灾备，都是重资产、大规模、讲标准的活儿。谁的家底厚、网点广、客户多，谁就能把网银的边际成本压到最低。于是这一轮，大行完成了一次集体反超——规模，第一次成为数字化的放大器，而非负担。

中小银行在这一代第一次感受到了压力：它们没有全国性的清算网络，也没有足够的 IT 预算独立开发核心系统，只能采购现成的技术方案，产品同质、体验平庸。

（三）移动互联网时代：手机银行丰收，直销银行溃败

智能手机的普及，带来银行业最戏剧性的一代。这一代里同时诞生了两个物种：一个是成功的手机银行，一个是失败的直销银行。

手机银行是 " 存量能力的线上化 "，直销银行是 " 试图凭空起一个新银行 "。  前者嫁接了银行既有的账户、风控与客户，成功率自然高；后者想绕开网点、绕开存量体系，做一个纯线上的全国性零售银行，从一开始就在逆着银行的基本规律走。

结果是：手机银行成为零售主战场，招行以 " 两票 "（APP+MAU）重塑了零售考核逻辑，工行、建行凭借庞大客群拿下月活头名；而直销银行，从巅峰时期超百家银行布局，到 2023 年以来至少 19 家宣布下架或收缩，如今仍在的相关 APP 仅剩 20 余个。

直销银行的溃败，是一个被市场低估的教训。它证明了一件反常识的事：技术可以绕开网点的成本，却绕不开风控的约束与信任的门槛。  没有线下触达、没有客户经营数据、没有场景纵深，光有一个 APP，做不出真正的银行。

这一代留给行业的第二个教训是：移动互联网是对中小银行 " 看起来最友好 "、实际上最残酷的一代。  它给了中小银行 " 直达全国客户 " 的幻觉，却收走了它们的差异化——当所有银行都长着同一张 APP 的脸，中小银行唯一剩下的仍然是本地化的服务纵深，而这恰恰是 APP 最不擅长的。

（四）人工智能时代：把 " 判断 " 变成产能

2025 年年报与 2026 年半年报，把银行业 AI 的图景描摹得格外清晰。

投入端，13 家上市银行 2025 年金融科技总投入超 1800 亿元，六大行科技投入超 1300 亿元，工行以 285.88 亿元居首，建行 267.22 亿元、农行 256.47 亿元、中行 250.01 亿元紧随其后；招行以 129.01 亿元领跑股份行。

应用端更值得玩味：工行 " 工银智涌 " 落地大模型场景 600 多个，金融市场智能询价交易占比突破 96%；建行 AI 助手内部覆盖率达 99.42%、日均访问超 10 万人次；中行 BOCAI 用户突破 3.2 万人、构建智能助手超 2200 个；招行落地领域模型 256 个、AI 场景 1386 个，上半年日均 Token 吞吐同比增长超 78%，AI 带来的等效人工工时贡献达 1388 万小时；江苏银行日均 Token 使用量较 2025 年增长 18 倍，AI 已累计替代 120 万工时。

但比数字更重要的，是这一代技术 " 规模化 " 的对象变了。

前三代技术替代的，都是银行价值链上可以标准化的 " 接触环节 "——账户的登记、交易的执行、服务的触达。它们压缩的是银行的 " 可变成本 "。

而 AI 开始替代的，是" 判断 " 本身：信贷审批的判断、风险定价的判断、财富配置的判断、客户经营的判断。

这是银行最贵、最难复制、也最依赖 " 人 " 的生产要素。中小银行过去之所以能在夹缝中生存，靠的正是 " 人海 + 关系 " ——客户经理用几十年积累的本地经验，做出大行标准化流程做不出的判断。当大行用 AI 把这套判断能力规模化、并以近乎零的边际成本复制到每一个客户身上时，中小银行赖以生存的最后一道差异，被正面冲击了。

二、谁在上行，谁在下坠

用 2026 年半年报做截面，上行的与下坠的轮廓已然分明。

（一）上行者，大致三类

第一类：数据厚重、组织能承接的国有大行。  它们拥有最完整的客户数据、最强的算力投入、最系统的 AI 基建，上半年六大行归母净利润 7126 亿元、同比增长约 4.4%，营收增速约 9.4%，全部实现正增长。工行、建行的 AI 应用已从 " 单点试点 " 走向 " 全域覆盖 "，是这一代技术最确定的受益者。

第二类：战略连续、把零售做到极致的头部股份行。  招行是最典型的一个。从一卡通、一网通、手机银行到今天的 "AI First"，招行三十年只做了一件事——把零售能力和数字化能力叠加复利。这种战略连续性，使其在股份行整体净利润同比下降的背景下，仍实现净利润正增长，ROE 保持同业最高梯队。

第三类：区域禀赋好、客户结构优的头部城商行。  上半年，17 家上市城商行合计营收增长 8%、净利润增长 7.26%，是四类银行中最快的板块。江苏银行、宁波银行、苏州银行等 " 头雁 " 净利润增速普遍落在 8% — 12%，不良率在 1% 以下、拨备覆盖率普遍超过 300%，宁波银行不良率 0.76%、上市 19 年从未突破 1%。它们的共同点是：扎根长三角、成渝等经济活跃区，坐拥制造业基本盘，同时用科技把区域优势做成了风控优势。

（二）下坠者，也大致三类

第一类：无数据的。  客户规模小、数据维度窄，AI 对它们而言不是引擎，而是纯成本。行业数据显示，2025 年末农商行不良率 2.72%、城商行 1.82%，均显著高于大行 1.22% 的水平；相当比例的尾部机构净息差已跌破 1.4% 甚至 1%，盈利 " 安全垫 " 薄到无法支撑转型投入。

第二类：无场景的。  处在 " 竞争夹层 " 的股份制银行与缺乏本地纵深的城商行最为典型。上半年上市股份行整体 " 增收不增利 " ——营收微增 2.85%，归母净利润却同比下降 2.56%，光大、华夏净利润降幅分别达 24.01% 和 18.35%。它们既没有大行的规模成本，也没有头部城商行的区域红利，两头不靠。

第三类：无定力的。  这是最容易被忽视、也最致命的一类。它们不缺钱、不缺客、甚至不缺技术，缺的是战略定力——三年一换赛道、两年一改定位，每一代技术都只是 " 跟风采购 "，最终没有一代沉淀成能力。

三、K 型分化：在加剧，但分化的轴心已经变了

（一）数据里的 K

2026 年上半年，42 家上市银行合计营收 3.14 万亿元、增长 7.42%，归母净利润 1.13 万亿元、增长 2.96% ——总量平稳，但内部是一条清晰的上翘与下斜的 "K"：

国有大行：净利润 +4.4%，全员正增长，向上；

城商行：净利润 +7.26%，板块最快，向上（但内部冷热不均）；

股份行：净利润 -2.56%，近四成机构利润下滑，向下；

农商行：上市头部微增 3.84%，而全行业口径净利润下滑，尾部向下。

连同一组结构性指标看，K 型形态更加立体：全国银行网点 2026 年内已关停 3101 家、新设 1862 家，其中农商行占关停总量近八成；六大行上半年员工总数净减超 3.1 万人，连续第四年负增长；电子渠道分流率已超 93%。物理渠道在收缩，人的成本在收缩，而 AI 的投入在扩张——技术正在同时完成 " 去网点化 " 与 " 去人力化 " 两件事。

（二）三个判断：为什么 AI 会加剧而非缩小分化

判断一：数据是唯一无法 " 技术平权 " 的要素。  开源大模型人人可用，算法论文公开发表，算力可以租用——技术本身正在快速商品化。但数据不能买、不能租、也不能开源。大行几十年的账户、交易、行为数据，是 AI 时代的 " 独家矿藏 "。技术越平权，数据的排他性优势反而越凸显。

判断二：AI 不是 " 买来的 "，是 " 长 " 进流程里的。  这是最容易被低估的门槛。AI 要真正产生价值，必须嵌入信贷审批、风控、财富管理的真实业务流程，而这需要组织变革、人才重构、考核体系重写、文化改造。头部银行有能力完成这场 " 外科手术 "，多数中小银行没有。

判断三：AI 让服务边际成本趋零，直接侵蚀中小银行的中高端客群。  过去，中小银行可以用 " 更贴心、更有人情味 " 的服务留住本地的高净值客户。而当江苏银行用 AI" 高效实现私行级营销服务能力的复制 " 时，这意味着——顶级服务能力正在被批量复制，并下沉到大众客户。  中小银行手里最珍贵的 " 专业服务溢价 "，正在被稀释。

（三）但有三道缝隙：中小银行并非绝境

辩证法告诉我们：分化的加剧，同时也在制造新的缝隙。中小银行至少还有三个方向可以生存。

缝隙一：区域数据的独占性。  本地政务数据、产业链数据、小微经营数据，是大行天然拿不到的。苏州、宁波、常熟这些银行的科技投入远不及大行，但凭借对区域产业的深度理解和本地数据，做出了大行做不出的风控精度——它们赢的不是 AI，是 "AI+ 本地数据 " 的组合。

缝隙二：场景的纵深。  大行的 AI 擅长处理标准化、高频次的场景，但对本地化的、非标的、需要现场判断的场景并不擅长。产业园区、专业市场、社区金融，仍然是区域银行的主场。

缝隙三：轻量化采购的 " 借力 "。  重庆银行打造 " 重银晓 AI"、成为全国首批实现大模型 " 私有化 + 金融场景适配 " 的城商行，瑞丰农商行基于开源框架打造全行级 AI 平台——这说明中小银行不必自研模型，完全可以通过 " 租用能力 " 快速跨过技术门槛。当然，代价是护城河更浅，但这总好过被时代甩下。

2026 年《政府工作报告》提出的 " 地方中小金融机构减量提质 "，既是压力，也指明了出路——大行做强，中小做专，劣质出清。  未来的中小银行，不是 " 小一号的大行 "，而是 " 专精特新的区域服务商 "。

四、技术是量尺，不是裁判

回顾四十年，有一条规律贯穿始终：每一代技术的胜出者，都不是 " 技术最领先 " 的银行，而是 " 最能把新技术嫁接到自己既有优势上 " 的银行。

招行的成功，从来不是因为它最早用了某项技术，而是因为它三十年来沿着 " 零售 + 数智化 " 这一条主线，让一卡通、一网通、手机银行、AI 逐代叠加、复利生长。工行的领先，也不是因为某一代技术，而是因为它把庞大的规模优势，一代代地转化为数据优势、再转化为 AI 优势。

反过来，那些在不同技术浪潮中反复沉浮的银行，共同的病根往往是同一个：战略无定力，技术无沉淀，每一代浪潮都只是一笔费用，而非一次投资。

所以，技术驱动下，银行间的 K 型分化，是加剧了，而且会继续加剧。  但分化的轴心，已经从 " 规模 " 悄悄转向了 " 能力 "。规模不再自动意味着优势，反倒是区域禀赋与客户结构，加上能否把 AI 变成真实产能的组织能力，构成了新的胜负手。

技术是筛子，筛的不是大小，而是 " 能不能把新技术变成自己的复利 "。银行的分化，从来不是技术拉开的，而是战略连续性拉开的——技术只是那把量尺，让差距变得可见而已。

本文系未央网专栏作者 :林鸿 - 数智金融践行者 发表，内容属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！