（来源：现代商业银行杂志）

曾经藏在技术文档里的 Token 数据，如今成了银行财报之外的第二张 " 成绩单 "。招商银行日均消耗量 330 亿，工行、邮储双双破百亿，微众银行更是一路狂飙到 200 亿。这些技术部门后台的冷数据，如今被银行主动搬到台前，Token 消耗量变成银行业数字化转型的 " 成绩单 "。

  " 资产荒背景下，银行拓展营收面临一定压力，降本增效成为行业共识。但大家在科技方面的投入是不遗余力的。" 某股份行信息科技部人士如是说。Token 消耗量的爆发式增长，标志着银行业的数智化探索步入更加务实的新阶段。当 AI 从效率提升工具升级为重塑商业模式的底层逻辑，银行业的数智化转型竞赛已然开跑。

数智化转型成为必答题

金融监管总局数据显示，2026 年一季度，银行净息差已降至 1.40%。资产荒背景下，传统依赖信贷规模扩张的盈利模式难以为继。降本增效成为行业的共同选择，多家银行主动优化网点布局、撤并低效网点，力求在存量竞争中守住成本底线。

在节流的另一面，各家银行不约而同地加大对数字技术基础设施的投入，为未来战略布局夯实底座。" 人工智能带来前所未有的发展机遇。对工商银行而言，数智化不是选择题，而是必答题，是我们抢占先机、掌握主动的战略选择。" 工商银行副行长赵桂德说。

多家银行正驱动其管理模式、经营模式、运营模式实现数智化转型。从效率数据来看，据商业银行 2025 年年报披露，工商银行 AI 数字员工承担着相当于 5.5 万人年的工作量；中信银行智能财富顾问数字人累计服务客户超 791 万户。

在具体实践层面，工商银行围绕客户多元化资产配置需求，构建投研库，为客户提供资产诊断、智能配置、收益分析等财富管理工具及服务。建设银行加速零售 AI 工具 " 帮得助理 " 建设，将人工智能技术融入客户经理工作流程，围绕需求洞察、资产配置等核心业务场景，打造多个垂域智能体。

日均 Token 调用量形成梯队格局

今年以来，多家银行披露日均 Token 调用量数据，这一指标成为衡量银行数智化转型深度、AI 场景规模化应用成效的重要标尺。每一次文本输入、数据分析、智能问答、信贷测算等均对应着算力消耗，日均 Token 调用量数据在一定程度上反映了大模型、AI 智能体是否真正嵌入银行全业务流程。

综合多家银行披露的信息，银行业日均 Token 调用量已形成梯队格局，折射出各家机构在科技战略、场景落地与资源投入力度上的显著分化。从头部机构来看，招商银行稳居行业首位，截至 2026 年 5 月底，其日均 Token 消耗量达到 330 亿，同时大模型成本收入比稳定在 20% 左右，AI 应用的规模化落地与成本管控形成平衡，是目前银行业 AI 算力投入与场景落地最成熟的机构之一。

国有大行中，邮储银行与工商银行跻身百亿量级梯队。邮储银行在 2025 年度股东会上披露，其日均大模型调用次数超 600 万次，日均 Token 消耗量突破百亿，AI 应用全面覆盖前后台业务场景。工商银行 2026 年初数据显示，全行业务日均 Token 消耗量迈入百亿级别，较两年前增长近百倍，算力投入实现百倍级跃升，覆盖前台营销、中台风控、后台运营等全岗位体系。国有大行凭借业务体量优势，完成了 AI 算力的全域布局。

股份制银行与民营银行增速最为迅猛，成为行业增量核心。民营银行中，截至 2026 年 7 月，微众银行日均 Token 消耗量超过 200 亿，较 2025 年底的 50 亿实现数倍增长。该行已在核心业务场景落地超过 100 个 AI 垂直应用，并有 80 余位数字员工正式 " 入职 "。股份行阵营中，浦发银行日均 Token 消耗约 60 亿，兴业银行依托超 200 个落地智能体，实现日均 41 亿的 Token 消耗量，民生银行日均 Token 消耗约 40 亿，三家股份行形成稳定的第二梯队，AI 应用进入批量落地阶段。

整体来看，当前银行业民营银行增速最快，股份制银行紧随其后，国有大行基数大、体量稳，行业分化特征显著。

完善人工智能风险治理框架

不可否认，人工智能在带来前所未有发展机遇的同时，也带来了多重风险挑战。农业银行董事长谷澍认为，大模型在金融业的规模化应用，会面临模型黑箱、模型幻觉以及模型自主推理、自主输出决策结论带来的不确定性等新型风险挑战。

前不久，金融监管总局发布《关于银行业保险业人工智能安全开发应用的指导意见》，旨在规范银行业保险业金融机构对人工智能的开发应用，有效防控人工智能技术应用可能带来的风险，推动数字金融高质量发展。

意见强调，完善人工智能风险治理框架。健全风险治理体系。金融机构应将人工智能风险纳入全面风险管理体系，定期开展对人工智能应用风险及管理措施的评估审查。推动模型算法、数据资源、基础设施、应用系统等安全能力建设，完善业务及风险管理流程，防范模型生成结果不可靠风险，防止模型黑箱导致关键业务流程难落责问题。有效应对金融业务侧可能产生的投资策略趋同、放大市场波动风险，严禁滥用人工智能技术生成虚假信息、操纵市场价格。