2026 年步入年中，梳理银行业人工智能（AI）布局现状，整体呈现战略布局全速推进、落地实践审慎摸索并存的格局。

一方面，商业银行大刀阔斧推进 AI 技术向一线业务与产品渗透。从各类自研智能体（Agent）层出不穷，到以算力 " 词元（Token）" 为权益的信用卡问世，标志着大模型应用已然脱离概念炒作阶段，进入规模化实质落地期。但另一方面，模型受底层数据参差不齐诱发幻觉问题，叠加新旧系统交错衍生的 " 数据泥潭 " 影响，国内银行业AI 应用距离深度融入一线业务，仍存在尚未打通的 " 最后一公里 " 难题。

银行加速抢滩 AI 应用

今年上半年，商业银行在 AI 领域的角逐全面升温，多家头部银行密集披露最新的大模型动作与数据。

在系统研发与应用数据方面，国有大行与股份行率先交出了亮眼成绩单。工行自主研发的 " 工银智涌 " 大模型技术体系已在 30 余个业务领域落地 500 多个 AI 应用。2025 年年报显示，工行 AI 数字员工年承担工作量已达 5.5 万人年。

招行在 "AI First" 战略理念下，深化大模型矩阵，已落地 183 个领域专精模型。此外，招行还首次推出搭载 Token 权益的信用卡，将大模型算力资源作为新客权益，让 AI 应用赋能零售金融的获客环节。

邮储银行在近日召开的股东会上披露，截至 6 月末，该行已落地超 370 个大模型应用场景，日均大模型调用超 600 万次。同时预计，到 2026 年末，该行日均 Token 吞吐量将突破 300 亿。

建行高管此前在业绩发布会上透露，建行 AI 助手的内部覆盖率已达 99.42%。" 也就是说，所有的员工有各种各样的问题向总行或者向管理部门提问时，有 99.42% 是先由人工智能形成回答方案，日均访问量已经超过了 10 万人次。" 建行副行长雷鸣表示。

银行一线员工对 AI 工具的使用感受持续改善。一位国有大行工作人员向记者介绍，其所在银行的自研 Agent 已接入 DeepSeek 等大模型，有效做到了内部数据的安全隔离与合规调用。

" 今年我使用行里自研 AI 的频次比去年高出很多，比如，查询我们网点的实时存款波动、某款基金产品的每日销售明细、渠道等。AI 工具有效减轻了基层报表统计的工作量。" 前述员工表示。

与此同时，业务层面旺盛的 AI 算力需求，带动银行加大底层基础设施资金投入。公开招投标信息显示，今年上半年，兰州银行、河南农商行、江苏农商行、广州银行、邮储银行山东分行等多家银行，密集启动 AI 算力及基础平台采购，项目总预算跨度从百万元至千万元不等。

数据质量难题尚待破解

如今 AI 应用嵌入的银行业务场景越来越多，但落地推进过程中面临的现实难题不少。

多位银行从业者向记者介绍，AI 智能体在文本总结、营销话术生成等辅助性工作上表现良好，但资金交易、信贷审核、资产定价等关键核心业务，现阶段仍难以依靠 AI 准确把控。

数据质量问题是最主要的 " 拦路虎 "。" 行内的 Agent 目前更适用于线上闭环试验的场景。一旦涉及与真实世界数据交互反馈的复杂业务，由于底层原始数据太‘脏’，产出结果极易出现严重的模型幻觉。" 一位股份行科技条线人士向证券时报记者表示。

数据 " 脏 " 是银行业多年信息化建设遗留的历史问题。业内人士表示，银行内部系统架构繁复，同一财务指标在各系统的统计口径往往不统一；同时，老旧核心系统 " 牵一发而动全身 " 难以改动，导致各业务部门数据标准难以统一。当未经清洗、语义混乱的数据直接 " 喂 " 给大模型时，AI 不仅难以给出正确判断，反而会 " 一本正经地胡说八道 "。

" 信贷业务的核心环节如资产评估、授信审批等，对数据灵敏度和精确度的要求极高，容错率几乎为零，大部分银行 Agent 离这类业务的实质性应用还有距离。" 一位不愿具名的银行金融科技条线负责人告诉记者。

他介绍，目前 AI 在公司信贷条线大多仅应用于贷前企业信息搜集、财报自动解析等前期辅助场景，旨在节省信贷员的案头工作时间，但最终的风险定价与放款决策，仍必须由人来完成。

波士顿咨询董事总经理、全球资深合伙人何大勇在接受证券时报记者采访时表示，系统遗留的老化、语义混乱的 " 数据泥潭 "，是当前银行落地 AI 的老大难问题。这个问题不解决，AI 模型的执行效果就会大打折扣，甚至让人感觉 " 还不如人工 "。

针对数据痛点，何大勇给出三点建议：第一，银行切忌盲目追求一次性推翻或重构核心系统。务实的做法是，在 Agent 和老系统之间建立一层中间适配层，让 Agent 能够安全、规范地调用老系统，实现 " 边用边改 "，降低系统性风险。第二，必须建立全行统一的基础数据标准和金融语义库，从根源上夯实 AI 运行的基石。第三，重塑数据治理机制，将数据质量的责任直接压实到产生数据的业务部门。

" 过去，科技部门帮业务部门做数据治理是常态。未来需转变观念，谁产生数据，谁就对数据质量负责。只有从源头切断错误数据进入系统，AI 的输出质量才能真正提高。" 何大勇表示。

监管重塑 AI 应用安全边界

在技术与资本双线突进的同时，金融监管部门及时补齐了制度空白，为银行业 AI 的长期稳健发展划定清晰边界。

6 月 18 日，国家金融监督管理总局发布了《关于银行业保险业人工智能安全开发应用的指导意见》（以下简称《指导意见》），这是业内首份系统性的 AI 安全开发应用的文件。《指导意见》明确 " 谁使用谁负责、自主可控、务实高效、安全发展 " 四大核心原则，全面覆盖了公司治理、模型开发、数据保护、算力管理、风险控制及监督评估等全链条。

其中，《指导意见》首次将涉及资金交易、资产评估、信贷审批、承保理赔、风险管理，以及直接影响金融合约达成的场景列为 " 高风险应用 "。《指导意见》指出，面向公众或高风险场景使用生成式 AI 的，必须向金融监管总局或其派出机构报告，涉及客户权益或有实质性财务影响的关键决策时，必须设置人工复核节点。

该文件为银行业 AI 大模型在核心业务中潜藏的模型幻觉风险筑牢安全防线。

苏商银行特约研究员薛洪言接受记者采访时表示，《指导意见》确立了 " 安全与发展并重 " 的基调，将资金交易等核心环节列为高风险场景并强制要求人工复核，" 这短期内看似增加了合规成本，但长远看，明确监管红线反而消除银行在核心业务上应用 AI 的顾虑，促使行业从盲目追求‘无人化’转向务实的‘人机协同’模式。"

（文章来源：证券时报）