记者丨郭聪聪

编辑丨杨希 , 肖嘉

视频丨许婷婷

2026 年服贸会首钢园 4 号馆内，华夏银行的 " 龙智 · 康熙 " 量子基础大模型首次亮相，工商银行的数字人互动装置前体验者众多，建设银行的 " 龙知微 "" 龙知远 " 与观众对答如流……

展台之上，AI 智能体无疑成为了门面担当；展台之外，AI 智能体也成为了银行内部特殊的 " 明星员工 "。

从 2023 年 AI 智能体大规模 " 入职 " 银行算起，这位 " 明星员工 " 已批量 " 上岗 "，成效也开始显现。据招商银行披露，上半年 AI 在提效方面贡献了 1388 万小时等效人工工时，相当于近 7000 人的年工作量。效率跃升背后，是规模化算力与 Token 消耗的同步攀升。

这位 " 明星员工 " 究竟给银行带来了多大价值、它现在发展得如何、未来能否深度扎根核心业务，这些问题已经从技术话题转变为银行业实实在在的经营问题。

" 入职 " 三年后，AI 智能体成为了业务骨干

从 2023 年 AI 智能体大规模进入银行体系，到 2026 年半年报披露时，这位 " 明星员工 " 已成长为不少银行的业务骨干。多家上市银行开始量化统计 AI 的工作量、资源消耗与业务产出。

招商银行率先算了一笔账：上半年，AI 在提效方面贡献了 1388 万小时的等效人工工时。

这是什么概念？按每人每年 2000 小时工作量算，相当于近 7000 人的年工作量。

而它的消耗也不小——日均 Token 吞吐量同比增长超过 78%；平安银行的 " 明星员工 " 同样消耗巨大，上半年消耗 Token 超过 53 亿，同比增长约 130%。可见，AI 带来的效率跃升，背后是规模化算力与 Token 消耗的同步攀升。

随着应用深入，AI 落地场景快速扩张。招商银行落地智能化场景 1386 个，工商银行与建设银行披露的 AI 落地场景均已超过 600 个，中国银行推出了超过 2200 个智能化助手。

从覆盖范围看，各大银行智能体已延伸至多类重点业务：工商银行的 " 工小智 " 覆盖了账户管理、财富管理等 9 大业务领域、50 项重点功能；邮储银行的 " 邮小助 " 累计处理交易总额超 12 万亿元；招商银行的 "AI 小招 " 累计服务企业客户 79.99 万户……

值得注意的是，AI 智能体正从辅助工具进入核心业务环节——工商银行内控领域的 "AI 智审 " 上半年输出了 36 万条合规审查意见，被采纳率达 98.6%；招商银行的小企业尽职调查报告，90% 的工作量可由 AI 辅助完成；招商银行的 " 保函闪电开 " 借助 AI 将原先超过 30 小时的业务处理时间缩短到平均 2.72 小时。

不过，这位 " 明星员工 " 仍有短板。

北京零一万物联合创始人马杰在服贸会上给 21 世纪经济报道记者打了个比方：现在的大模型 " 很像一个刚从清北毕业的博士生，智商很高、知识储备很全，但对业务场景不够了解 "。

这个比喻十分形象地描述了当前 AI 智能体这一 " 明星员工 " 的状态——能力很强，但需要有人告诉它 " 在银行里，这件事到底该怎么做 "。

体系化能力正在成为分水岭

这位 " 明星员工 " 未来能否发挥更大的效用？要回答这个问题，先要看竞争逻辑的变化：当智能体从单点试用走向规模化应用，比拼的已不只是场景数量，而是底层能力。正因如此，银行 AI 正在把重心转向体系化能力建设。

本月，浙商银行两笔智能体采购引发了行业关注：其中，智能体基础软硬件采购花费 6489.61 万元，财富及供应链智能体项目投入 946 万元，合计约 7436 万元，刷新年内金融机构智能体采购纪录。

拆解这两笔招投标可见，超过八成的资金投向了基础软硬件，涵盖大模型管理、智能体编排、工具调用、效果评估等底座能力。

浙商银行的动作并非孤例。国有大行和股份制银行已纷纷行动。

邮储银行联合华为发布 " 邮智 " 金融行业大模型，将 AI 深度嵌入识别、审核、风控等运营管理关键节点；招商银行推出其自主研发并开源的 " 统一 AI 算力调度平台 "，使加速卡算力平均利用率从 35% 提升至超过 60%，每处理 100 万个 Token 的推理成本下降逾 60%。

大行之外，中小银行也在寻找自己的路径。

浙江农商联合银行以 " 丰收农场平台 "" 萝卜智能体 " 为核心产品，支撑多家机构构建反洗钱、信贷审批智能应用；浙江绍兴瑞丰农商银行将现有 AI 能力封装为 MCP 服务，打通与省级平台的生态连接，推动业务中台、数据中台与 AI 中台的协同；山东城商行合作联盟制定了《助力成员行数字化转型规划（2026 — 2028 年）》，构建覆盖算力、模型、知识、平台、场景的全链路 AI 服务体系。

规模不同，禀赋不同，但方向一致：补齐体系化能力，才有条件让智能体持续创造价值。

北京中关村科金高级副总裁范斌在服贸会期间指出，从演进路径看，金融 AI 正经历三个层面的递进——个体层、流程层、组织层。他指出，个体层是 "AI 从助手走向数字劳动力 "，流程层是 "AI 重构业务流程 "，组织层则涉及的是构建 " 可复用的生产体系 "。

这正呼应了网商银行行长冯亮在 2026 年外滩大会上的判断：银行业的竞争正在从人才密度的竞争，转向智能密度的竞争。

智能密度背后，考验的是数据、模型、算力、流程与组织能否形成合力。谁能更快把分散的场景、算力和知识组织成一套可复用、可评估、可进化的生产体系，谁就更有可能在下一阶段占据主动。

成本账与信任账，体系化路上的两道必答题

体系化提速的背后，有两道 " 账 " 必须算清：一道是成本账，一道是信任账。前者决定 AI 能否规模化，后者决定 AI 能否进入核心业务。

第一道是成本账。北京面壁智能科技副总裁刘豪杰将其拆解为两个维度：推理成本和部署成本。

刘豪杰指出，金融行业业务高频、海量，对实时性要求极高，" 可能会导致成本呈指数级增长 "。部署方面同样如此，金融行业对合规、数据安全保密要求极高，必须本地化部署。

成本压力之下，投入产出比成为关键。麦肯锡在《全球银行业年度报告 2025》中指出，随着人工智能在银行业的全面应用，某些成本类别可能实现高达 70% 的大幅削减，但报告同时警示，银行必须精准识别通过技术应用能真正产生收益的领域，而非因担心错失机遇而盲目投入。

第二道是信任账。刘豪杰指出，金融行业要的不只是 " 便宜 "，而是 " 合规的、可控的、安全的便宜 "，" 从‘能跑’到‘能上生产系统、能上核心系统’，中间还隔着很多层 "。

他解释道，模型要可验证、可审计，不能是黑盒；要做软硬件的适配，尤其要满足信创要求；还要与现有业务系统打通。安全对于金融场景不是附加题，而是必答题。

监管层面也在同步收紧。6 月 18 日，国家金融监督管理总局正式发布《关于银行业保险业人工智能安全开发应用的指导意见》，从治理架构、开发应用、数据治理、算力建设、风险管理等七大方面提出 32 项指导性意见，将信贷审批、资金交易、资产管理等场景列为高风险应用，要求建立人工监督和干预机制。

范斌将金融 AI 的未来发展总结为五个方面：" 看得懂、调得动、做得对、管得住、持续好。" 模型可信只是起点，执行可信才是终点。从模型到流程、业务再到运营，每一个环节都不能出岔子。

在 AI 智能体下半场的竞赛中，银行想让 AI 真正从 " 明星员工 " 变成 " 基础设施 "，如何算清成本账与信任账，将是这条路上绕不开的两道必答题。

SFC

出品丨 21 财经客户端 21 世纪经济报道

编辑丨江佩霞