中经记者 秦玉芳 广州报道

" 日均 Token 消耗量 " 正在成为衡量银行数智化转型的关键标尺。

2026 年上半年，不少银行密集披露了日均 Token 消耗数据，从数十亿到数百亿不等，较去年普遍数倍乃至数十倍增长。

Token 消耗量激增背后，是银行 AI 应用从 " 技术验证期 " 全面迈入 " 规模化应用期 " 的深层信号。

面对 Token 账单的快速攀升，银行业正从 " 拼规模 " 转向 " 拼效率 "，通过优化模型架构、建设混合算力平台、建立 ROI 考核机制等手段，力求让每一笔 Token 支出都能转化为可见的业务价值。

从 " 拼规模 " 转向 " 拼效率 "

招商银行（600036.SH）首席信息官周天虹近日透露，截至 5 月底，该行仅业务单位在经营管理服务中应用大模型的日均 Token 消耗已达 330 亿。

形象点说，若把 330 亿个 Token 打印成标准的 A4 纸（每张纸约印 1000 个 Token），那将得到 3300 万张纸。把这些纸首尾相连铺成一条纸带，长度超过 9800 公里。

不仅招商银行，越来越多银行日均 Token 消耗量也在快速突破百亿规模大关。

邮储银行（601658.SH）副行长、CIO 牛新庄日前也披露，至 2026 年年底，预计该行日均大模型调用次数将超千万次，Token 吞吐量超 300 亿。这意味着，该行的大模型调用次数、Token 消耗量将翻倍甚至还不止。

微众银行数据也显示，截至 2026 年 7 月，该行日均 Token 消耗量已超过 200 亿，每天人均 Token 消耗量 520 万，且仍保持快速上升趋势。

业内人士普遍认为，今年，银行业 Token 消耗量呈现爆发式增长。

从结构差异来看，零壹财经方面认为，民营银行增速最快，股份行紧随其后，国有大行绝对量大但增速相对稳健，中小银行仍在起步阶段。这种分化背后是战略路径的分野：增速快的银行将 AI 视为 " 重构业务模式 " 的核心引擎，愿意承担短期高成本换取长期结构性优势；增速慢的更多将 AI 作为效率提升的补充手段，注重投入产出比。

从业务层面来看，北京大学光华管理学院院长、北京大学博雅特聘教授田轩进一步表示，股份行 Token 消耗主要由业务部门产生，追求业务场景的深度渗透与效率提升；国有大行凭借庞大的零售客群和全牌照业务场景，Token 消耗绝对量领先，以 " 场景覆盖 " 为驱动，聚焦高频、高价值场景的规模化落地；部分中型银行则处于 " 考核驱动型 "，更注重短期业绩考核与 AI 应用指标的达标，Token 消耗增长迅猛但场景深度有待加强。

与外资银行比，科技部国家科技专家库专家周迪指出，国内银行增长呈现两个明显特点：一是增长速度更快，很多银行半年就实现了外资银行一两年的增长幅度；二是应用更偏向零售和普惠金融，比如客服、信贷审批这些高频场景，而外资银行更多集中在投行、风控等高端复杂场景。" 这种差异主要是因为国内银行正处于 AI 规模化应用的爆发期，而外资银行相对更成熟，增长更平稳。"

整体来看，零壹财经方面认为，银行业 Token 消耗将从 " 野蛮生长 " 转向 " 结构性增长 "。短期看增速依然强劲，特别是中小银行将进入快速追赶期；中期看增速趋于理性，增长驱动力从 " 场景数量 " 转向 " 场景深度 "。

为何银行越来越关注 Token 的消耗量？

零壹财经方面指出，Token 原本是大模型处理文本的基本计算单元，是纯技术术语。2025 年招商银行等开始首次披露 Tokens 吞吐量，到 2026 年上半年多家银行在股东会上密集披露 Token 数据，该指标迅速成为衡量 AI 应用深度的 " 新标尺 "。对银行而言，AI 定位正在从 " 技术投入 " 升级为 " 生产要素 "，传统指标衡量 " 投入端 "，Token 消耗量衡量 " 使用端 "，即 AI 实际被调用的频率和深度，Token 正成为智能时代的 " 水电气 "。

在田轩看来，银行密集披露 Token 消耗量，标志着 AI 已从 " 技术验证期 " 迈入 " 规模化应用期 "，Token 消耗不再是技术投入的象征，而是业务产出的直接映射。

田轩进一步指出，过去 Token 只是模型调用的计量单位，如今它直接关联业务效率、客户体验和收入增长，成为衡量银行数字化成熟度的关键标尺。这反映出银行 AI 战略的底层逻辑已从 " 工具赋能 " 向 " 价值创造 " 转变，即 AI 不再仅仅是后台的辅助工具，而是直接嵌入核心业务流程，成为驱动业务增长的关键引擎。

周迪补充道，这背后也是银行 AI 战略的底层逻辑大转弯：从 " 为了 AI 而 AI" 的技术驱动，转向 " 用 AI 赚效益 " 的业务驱动。不再只看用了多少 AI，更要看 AI 用在什么地方、带来多少实际价值，高层也开始追问 " 这些 Token 到底烧出了什么 "，要求建立投入产出比评估机制。

从 " 野蛮生长 " 到 " 精打细算 "

随着 Token 消耗量的持续增长，优化结构、压降成本，也正在成为银行 AI 布局的关注重点。

田轩认为，当前行业正从 " 拼规模 " 向 " 拼效率 " 切换，日均 Token 消耗量反映的是 AI 应用的广度，而单位 Token 产出价值才是衡量 AI 战略质量的终极标尺，反映每消耗百万 Token 带来的收入增量、成本节约或客户体验提升。

从成本来看，日均 Token 消耗量的成本支出也在快速增长。每日上百亿的 Token 消耗量是何概念？若按国产大模型平均 8 元 / 百万 Token 计算，日均 100 亿的 Token 消耗量，意味着每天至少要支出 8 万元，且 Token 单位成本还会随着消耗量级增加而递增。

田轩认为，在净息差持续承压的背景下，Token 支出快速增长给银行带来的成本压力不容忽视。他指出，Token 支出激增虽绝对值占营收比重尚低（通常不足 1%），但其指数级增长趋势已引发管理层对 " 算力通胀 " 的警惕。若缺乏管控，AI 运营成本可能侵蚀数字化转型的红利。

因此，周迪认为，下一步银行会更注重 " 精细算钱 "，比如给不同业务场景设定 Token 预算，用技术手段监控和优化消耗，最终让 AI 从 " 成本中心 " 变成 " 利润中心 "。

从成本优化角度来看，银行也在通过基础建设与架构优化，降低成本消耗。毕马威在《2026 年中国银行业调查报告》中明确，在宏观演进的背景下，中国银行业在基础设施与架构选型上全面摒弃了对单一全能基础大模型的依赖，确立了大规模参数模型与轻量化小模型双重支撑的混合协同架构。这种架构在保障业务输出质量的同时，实现了算力资源消耗的最优化配置，解决了商业银行实际部署中的成本制约。

微众银行方面也表示，AI 基础设施建设是 AI 走向规模化应用的关键。围绕算力、模型和工具能力建设，微众银行打造统一的 AI 工程化平台，通过经济高弹性的混合算力架构、灵活可插拔的大模型适配能力、各类可复用的低代码工具及 Skills，推动 AI 从少数技术团队的试验场，转变为全行可调用、可组合、可复用的基础能力。" 随着 AI 应用逐步进入真实业务流程，微众银行也在持续探索 AI 原生组织转型。"

田轩强调，随着模型架构持续优化、推理芯片快速迭代以及开源生态日益成熟，Token 的边际成本将加速下降。

周迪也认为，未来一两年 Token 单价下降是大概率事件，一方面是大模型技术成熟带来的成本下降，另一方面是银行自建算力、优化模型带来的边际成本降低。

在此行业背景下，田轩认为，随着 AI 应用从试点走向规模化，预计 Token 成本管控将呈现三大趋势：一是从 " 粗放式总量控制 " 转向 " 精细化单元经济模型 "，重点监控单客户、单交易的 Token 边际收益，实现每笔业务消耗的 Token 成本与收益的实时匹配；二是 AI 运营中台将逐步普及，通过统一监控、调度和优化，降低整体 Token 浪费；三是银行与模型厂商的合作模式将从 " 按量付费 " 向 " 效果付费 " 演进，进一步推动成本与价值对齐。

周迪认为，银行该做的规划很明确：先把资源集中到高价值场景，比如智能风控、反欺诈、精准营销这些能直接赚钱的领域；再优化模型和流程，减少闲聊、重复查询这些无效消耗；最后可以考虑自建或联合共建算力，降低长期成本，别再盲目追求 Token 数量的 " 面子工程 "。

在周迪看来，行业竞争核心指标正在从 " 比谁用得多 " 向 " 比谁用得值 " 切换，单位 Token 产出价值正成为新的 " 分水岭 "。

疑似使用 AI 生成，请谨慎甄别