金融调研③银行拥抱大模型背后，如何拦住风险“灰犀牛”？

大模型正掀起一场银行业的效率和服务革命。

多家银行年报披露的数据显示，其大模型应用场景已达上百个。南都湾财社记者近期走访多家银行科技支行也发现，大模型的应用已贯穿科技金融业务全链条，全面赋能评估、审批、风控等多个环节。

政策层面也在积极引导大模型与银行业务场景的深度融合。今年3月份发布的《银行业保险业科技金融高质量发展实施方案》明确提出，鼓励金融机构加大数字化转型投入，运用云计算、大数据、人工智能、机器学习、隐私计算等技术，研发数字化经营工具，集成展示科技型企业评价、评估结果，增强企业识别和筛选能力，提升经营管理质效和风险防控水平。

不过，热潮之下，高昂的投入、不断演变的模型风险也成为银行业布局大模型无法回避的冷现实。南都湾财社“广东科技支行创新力深调研”走进科技支行系列报道第三篇，关注大模型如何赋能科技金融产品创新和风险防控，并探讨其伴生的成本和模型风险管理难题。

大模型“落地开花”

当银行遇见大模型，金融的齿轮开始以智能的节奏转动。

“以往我们评估都需要靠外面的第三方机构，有时合作一次得数万元。现在不再依赖第三方机构出具的评估报告了，我们构建了知识产权估值模型，直接在我们的平台上点一点，大数据模型就能帮忙计算出来。”说完，建行广州开发区分行科技金融业务中心相关负责人拿出手机，打开其工作软件，选中一家科技企业的专利，系统立刻显示出该专利相对应的可贷额度：16万元。

据了解，该知识产权估值模型运用建设银行创新的知识产权内部评估方法，并结合大数据模型，对企业专利进行评估。

大模型的赋能不仅仅体现在对科技企业的专利估值上。南都湾财社记者梳理上市银行年报发现，不少银行的大模型应用场景达到上百个。

比如，工商银行表示，去年该行建成企业级千亿金融大模型技术体系“工银智涌”，赋能20余个主要业务领域、200余个场景，累计调用量超10亿次。建设银行也表示，去年该行发布千亿级金融大模型，打造大语言模型、文生图大模型、多模态大模型、代码大模型体系，全面赋能193个行内应用场景。

大模型应用场景超百个的还有招商银行。该行去年在零售及对公客户服务、风控、运营、办公等多个领域超120个场景探索大模型应用。此外，兴业银行大模型也在风控、投研等70多个场景取得成效，民生银行也落地了30多个典型场景应用。

对银行大模型应用场景进一步归纳可以发现，主要聚焦在风险防控、信用评估与贷后管理、个性化投顾服务、智能客服、智能办公、合规监控与提升等方面。

招商银行首席信息官周天虹在今年3月份的业绩发布会上曾谈及大模型应用情况。他举例称，“我们研发的大模型助手可以辅助客户经理编写尽调报告，也能辅助贷款的审批，帮助把每笔贷款的处理时效提升54%，这是比较显著的数字。”

建设银行广州开发区分行科技金融业务中心相关负责人对南都湾财社记者表示，在科技金融业务方面，大模型大大提高了业务开展的效率。“以往靠人工来审核的时候，一天批两三个项目就‘堵’了，因为人工审核材料和评估较慢，AI智能审批改变了这一现状。”

该负责人还举例称，借助AI智能审批，该行实现了财务分析自动化，即基于预设财务专家思维链，自动生成企业财务分析报告，耗时从数小时压缩至分钟级，准确率提升40%。此外，在智能办公方面，通过AI翻译工具可实现跨境支付报文自动转换，处理效率提升50%，错误率降低至0.1%。

中国信息通信研究院发布的《金融科技生态蓝皮书（2024年》认为，不同规模银行采取不同策略和深度拥抱大模型，比如，大型银行多场景探索大模型应用，而中小银行多以单场景切入，探索智能客服、智慧办公等通用场景下的更多应用。总体上，目前已成熟场景大模型应用降本增效价值逐渐凸显，但大模型在银行核心业务场景如零售、交易等尚未出现大规模应用，这方面仍有待探索。

银行投钱更审慎

要让智能的齿轮持续运转，需要浇注怎样的成本燃料？算力消耗、人才储备与数据清洗，正成为智能时代的金融新基建。而这背后，是银行不得不面对的硬性投入。

南都湾财社记者梳理6大国有行和9家A股上市股份行年报发现，这些银行科技投入占营收的比例无一例外都在3%以上，部分银行如交通银行、中信银行，科技投入占比甚至超过5%。且与2023年相比，部分银行科技投入占营收比例有所提升，比如，工商银行科技投入占比从2023年的3.23%提升至3.63%，中国银行从2023年的3.60%提升至2024年的3.76%，邮储银行从2023年的3.29%提升至2024年的3.53%。

从去年科技投入的规模来看，工商银行凭借285.18亿元位居第一，农业银行、建设银行和中国银行的科技投入也都在200亿元以上。邮储银行和交通银行分别投入了122.96亿元和114.33亿元。股份行中，招商银行和中信银行投入较高，分别为133.5亿元、109.45亿元。

不过，在降本增效背景下，一些银行在大模型上面的投入也更加审慎，不再“为AI而AI”。从科技投入增速上看，去年，在统计的银行中，有一半科技投入同比下滑，降幅从0.25%到20.07%不等。以中信银行为例，该行2023年科技投入增幅为38.9%，但2024年则同比下降9.94%。民生银行科技投入也出现了降速，其2023年增幅为27.19%，2024年则为0.53%。

对此，招联首席研究员、上海金融与发展实验室副主任董希淼认为，在银行业降本增效的背景下，上市银行不断调整优化金融科技投入。一方面，金融科技投入告别高速增长阶段。另一方面，银行对科技领域倾斜力度仍然不减。在增速放缓的同时，科技投入占营业收入的比重仍在提升。这反映出银行业对科技仍然高度重视。

布局大模型为何如此“烧钱”，钱主要花在哪些地方？一位大模型从业人员对南都湾财社记者表示，抛开高昂的人力成本不谈，大模型应用最花钱的地方是GPU，单价通常在数万到数十万，而一台服务器通常要搭载数个GPU。其举例称，一台搭载8颗昇腾910B的华为4U中心推理服务器参考价一百多万，企业根据自己的需求来决定购买台数，如果是大型银行，其需求量往往较大。这也是为什么一些中小企业选择将大模型部署在云上，以节省硬件资源投入。

除了硬件投入，电力消耗、数据清洗等也是大模型应用中的两大“碎钞机”。上述人士解释称，大模型训练要巨大的算力支持，这直接推高了电力开支。而大模型训练是拿标准的数据去训练，银行大量的数据因为标注不规范等原因需要专业清洗和标准化处理，这也是一大开销。

“灰犀牛”隐现

高速转动的智能齿轮也需安全阀——模型幻觉、数据安全、算法偏见等都是银行大模型应用中不可忽视的“灰犀牛”。

“大家都知道大模型有幻觉，会犯错误，招商银行对这件事情非常重视，总的还是坚持审慎原则，多措并举消除技术的不确定性，特别是非常注意落实金融合规要求，保障客户体验。”周天虹强调称，该行在大模型的推广应用中，尽量将其积极的一面发挥出来，控制住不足之处。

多家银行也在年报中就模型风险给出了警示。比如，建设银行表示，近年来，随着数字化转型提速、金融科技快速发展，以模型风险、数据风险等为代表的新型风险不断涌现、快速演变。

兴业银行也表示，银行业加快数字化转型步伐、提升技术能力的同时，也面临模型管理、数据安全和隐私保护方面的风险和挑战。

董希淼认为，从上述银行表态看，上市银行在主动拥抱变革的同时，已经意识到“AI幻觉”普遍存在，DeepSeek等大模型尽管擅长处理复杂任务，但在银行真实业务场景下，还难以完全达到对数据收集准确性、客户服务个性化等要求。

“银行业对数据的准确性和时效性要求极高，这关系到决策的有效性。如果大模型使用的是陈旧的或错误的数据，就可能导致银行在信贷评估或风险管理上，出现偏差，进而导致信贷风险出现。”谈及模型风险，一位业内人士也分析道。

此外，前述大模型从业人士也表示，大模型的“黑箱”性质也导致其每个决策很难去验证是否合理，这些都是大模型应用中必须正视的问题。

兰台律师事务所高级合伙人康倩也向南都湾财社记者分析称，从法律视角看，银行大模型应用可能存在多方面的潜在风险：首先是数据安全问题，技术漏洞或第三方依赖可能导致客户隐私数据泄露，且脱敏处理缺乏统一标准，构成显著挑战；其次是合规问题，现有监管规则未涵盖AI决策可解释性、算法歧视等问题，如AI自动为不同客户推荐投资策略时，银行责任尚不明晰；此外，系统性风险传导问题也不容忽视。若多家金融机构共同依赖同一技术供应商，一旦该供应商出现故障，可能引发跨机构连锁反应，对于此类系统性风险的限制与追责，尚需探讨解决方案。

监管何时跟上？

如何提前拦截那头缓缓走来的“灰犀牛”？

康倩认为，从技术、制度和生态层面入手，可一定程度上防范上述风险。技术层面，运用本地化数据处理架构并结合多模型交叉验证机制，严格遵循《数据安全法》的分类加密要求，确保信息资产的安全；制度层面，依据《个人信息保护法》建立AI应用负面清单，明确禁止在核心业务场景中采用完全自动化的决策方式；银行业生态层面，建议监管部门对商业银行使用AI大模型应用进行战略性规划与部署，以有效防范技术供应商垄断可能引发的行业限制及系统性风险。

当模型风险引发行业警觉，现有的监管政策是否足以护航银行业大模型发展？应如何平衡创新与安全的尺度？

南都湾财社记者了解到，近年来，中国人民银行先后印发《人工智能算法金融应用评价规范》和《人工智能算法金融应用信息披露指南》。前者规定了人工智能算法在金融领域应用的基本要求、评价方法、判定准则，为金融机构加强智能算法应用风险管理提供指引；后者对人工智能算法在金融领域应用过程中的信息披露进行了指导。但二者作为行业标准，属于“软法”，与以部门规章形式发布、具有普遍约束力的“管理办法”等“硬法”在效力层级上存在明显差异。

“目前没有全国范围内系统性规范银行大模型应用的相关监管政策，《数据安全法》和《个人信息保护法》构成基础法律框架，相关法律规定与监管政策散见于银行业数字化、银行数据安全、移动互联网应用程序等相关的通知办法中。”康倩说道。

在她看来，在银行纷纷布局大模型的当下，监管部门应尽快出台类似于《金融人工智能管理办法》相关制度，明确算法审计要求与责任追溯规则；其次，可以考虑建立动态风险评估模型，广泛征求监管创新意见；此外，在标准统一方面，建议制定大模型在金融领域应用的技术伦理标准，并强制要求披露训练数据的来源及决策逻辑。

“我们一方面要筑牢合规底线，同时也应避免过度监管抑制创新动能。只有实现技术创新、法律合规与伦理约束的协同发展，才能真正释放大模型的产业价值。”康倩强调道。

统筹：任先博

采写：南都湾财社记者 刘兰兰