（图片来源：视觉中国）

蓝鲸新闻 6 月 18 日讯（记者 严沁雯）" 各家银行在汇报 AI 应用成果时，都会提到开发了多少个智能体，但这其中的差异非常大：有的银行表示开发了几百个，而有的银行则声称达到了上万个。这主要源于目前对智能体的定义和规范标准尚未统一。"

在 2026 陆家嘴论坛上，中国农业银行董事长、执行董事谷澍用这一细节，引出了其在银行推进 AI 实践中的体会，" 最终使用几百个还是几万个智能体并不是最重要的，关键还是要看实际的业务结果。"

以上正是当下行业现状的缩影。随着 AI 从 " 可选工具 " 变为 " 必答题 "，一场激烈的 "AI 竞赛 " 在银行间全面铺开。热潮背后，众多问题待解：AI 如何重塑银行业？如何控制 AI 应用中的风险？如何做好投入和产出的平衡？

在这场围绕 " 科技创新赋能金融高质量发展 " 展开的全体大会上，谷澍及中国银行副董事长、行长张辉、浦发银行董事长张为忠分别从各自视角，分享了三家银行在推进 AI 应用过程中的实践与体会。

AI 投入与产出的平衡

人工智能正重塑银行业，这已成为行业共识。

张辉提到三方面体会：一是重塑服务范式，二是重塑价值创造模式，三是重塑银行业的管理范式。

" 人工智能现在不是单点式、渐进式，而是全面跃升和递进，这对底层逻辑实施全面改造。" 张为忠举例称，很多金融机构过去愿意做标准化产品，现在通过数据分析、科学推理，实现产品 " 千人千面 "，根据每个人的资产状况、风险状况和偏好给出定制化方案。

然而，人工智能技术迭代快、投入大、运营成本高，在银行业拥抱人工智能时，" 如何控制好经营成本，把控好投入产出比 " 成为众多从业者的必答题。

张辉指出，从中行的实践来看，在制定人工智能发展战略时，一方面研究布局如何让人工智能赋能高质量发展；另一方面，积极构建 AI 赋能业务的价值度量体系。

在研发成本方面，中行优先运用开源模型，或者将市场上成熟的模型进行本地化部署。同时，积极利用人工智能为自主开发人员赋能，从而降低本地化或自主模型的研发成本。此外，在研发过程中，坚持价值导向和应用导向，紧密结合人工智能在经营管理中的实际使用场景，先明确业务需求再开展研发。

推广成本方面，深入研究各类机构以及全行干部员工的实际需求，以此来调动各层级的积极性，而非单纯地自上而下要求使用。同时，中行强调采取 " 总行集约开发，全球逐步部署和应用 " 的策略来推进推广工作。

运营成本方面。" 人工智能在运营过程中的成本较高，作为大型银行机构，我们必须强调自身的算力建设，并持续优化数据治理体系，从而真正发挥出海量数据的优势，将其转化为数智化转型的核心优势。"

安全成本方面。在应用人工智能进行赋能时，坚持安全底线、管理兜底以及人机协同等原则，将人工智能可能对银行业造成的经营风险降至最低。

值得一提的是，随着技术的不断跃迁，人工智能对于银行业的赋能亦在时刻发生变化。

" 去年大家讲大模型，今年讲智能体。" 张为忠提到，从行业改变来说，从问答工具到能力执行，智能体的演变，数字劳动力的概念已经诞生，在自主感知、决策和执行能力建设上，智能体方向演进速度越来越快。全球顶级大模型过去数月一次迭代，现在数周一次迭代。

在谷澍看来，在智能体的推广和应用过程中，对于行业内的每一个参与主体而言，找准自身在行业中的定位、彼此之间取长补短是至关重要的。如果缺乏比较规范的标准，很难界定到底什么样的应用才算是一个成熟的智能体。

" 在标准不一的情况下，很难准确评估各家机构在行业中的相对位置，也就难以有效借鉴他人的长处，从而推动整个行业在智能体应用水平上的共同提升。" 谷澍称。

对此谷澍建议，在设计智能体来代替工作时，将那些功能相对单一、业务流程比较固定的智能体做成 " 标准件 "。避免重复开发，实现反复调用。把更多精力聚焦于开发那些具备自主规划和决策能力的智能体上，这样的工作将更有意义，也更具效率。

" 有效助手 " 而非 " 最终决策者 "

在成本控制之外，推进 AI 大模型应用的过程中，如何 " 既把大模型用好，也要把大模型应用过程中的风险防好 " 亦尤为重要。

结合农行的实践，谷澍分享了几方面做法。

一是分类施策推进场景适配。对于不同的场景，建立模型黑箱分级管控，不同场景匹配差异化的技术路线和可解释性的要求。例如对于信贷决策，属于强监管场景，农行使用模型的蒸馏技术让大模型在数据合成、归因分析等方面提供助力，把大模型的能力迁移到更具可解释性的针对不同场景的不同的小模型上。

二是设置一定的标尺约束控制，同时将其与人机结合。例如应用 AI 赋能信贷调查报告的智能生成时，建立业务标尺，通过模型的互检、模型的反思、业务数据校准对生成内容进行自动校验，输出关键和审核要由业务人员进行，确保结构可控。

三是用 AI 手段应对 AI 应用风险，以 AI 对抗 AI，建立纵深防御体系，增强 AI 对抗能力。

四是强化银行内部的 AI 治理体系，健全全生命周期和风险并重的银行内部 AI 治理体系。

" 目前人工智能的发展阶段，尤其是大模型，本质上仍未脱离概率预测系统。因此，金融业务对严谨、精准、可靠的要求，与概率预测虽有交集，但不能完全依赖人工智能。" 张辉认为，现阶段，金融业的应用大多集中在非核心业务的辅助环节，将 AI 定位为 " 有效助手 " 而非 " 最终决策者 "。在介绍中行如何保证 AI 不出错时，他提到坚持 " 人类在环 " 的管理兜底原则。

同时，中行坚持 " 分类施策，先内后外 " 的策略。张辉表示，" 在场景选择上，优先选择容错率高、非决策类的场景进行探索。在推广应用时，更多考虑如何为各环节和基层减负、为经营赋能，从而提高全行机构的接受度，降低推广和运营成本。"

此外，张辉认为，目前人工智能仍在发展中，其准确性在实际使用中尚未达到银行业完全可以接受的标准。人工智能的技术发展亦对网络安全和金融安全造成冲击。因此，张辉强调，银行业要坚持 " 科技赋能，守牢安全底线 " 的理念。

* 特别声明：文章内容仅供参考，不构成投资建议。投资者据此操作风险自担。