无技术、缺人才、少数据，中小银行数智化转型路在何方？

徐蓓芸 董希淼

人工智能（AI）大模型技术深入应用与快速迭代，正在重构金融业数字化转型的技术底座和业务逻辑，成为推动数字金融创新发展的重要引擎。而“十五五”规划和金融监管政策密集出台，为银行业数智化转型指明清晰方向，也提出更高要求。银行业在大模型时代的数智化转型，既是一场破解技术、数据、人才、场景、风控等现实困局的“破局之战”，更是一场从战略定位到战略执行、业务模式到服务体系、从数据治理到体系构建的“重塑之变”。

作为服务区域经济和普罗大众的金融主力军，以城市商业银行、农村商业银行为主体的中小银行应走出“人工智能焦虑”，立足自身资源禀赋和区域经济发展需求，以轻量适配为技术导向，以区域特色为场景核心，以协同共赢为生态支撑，以安全可控为风险底线，推动大模型技术与区域经济、自身业务深度融合，走出一条轻量化、特色化、本地化的数智化转型之路。

一、大模型时代：银行业数字金融的变革与趋势

2025年3月，国务院办公厅印发《关于做好金融 “五篇大文章”的指导意见》，明确提出要加快数字金融创新，支持巩固拓展数字经济优势。2025年8月，国务院《关于深入实施“人工智能+”行动的意见》正式发布，为金融业数智化转型按下加速键。该意见明确提出，要在金融等领域推动智能终端、智能体的广泛应用，并设定2027年超过70%、2030年超过90%的普及率目标。2025年12月，国家金融监管总局发布《银行业保险业数字金融高质量发展实施方案》，提出充分发挥人工智能等新技术创新引领作用，新增“人工智能+金融”“数据要素×”行动等内容，鼓励中小金融机构充分发挥比较优势，构建符合自身特色的小微企业数字金融生态圈。在此背景下，银行业数字化转型呈现技术分层、场景细分、生态协同等新特征。

人工智能大模型凭借跨场景推理、自然语言交互、多源数据融合、少量样本学习等特点，打破传统金融人工智能场景碎片化、能力单一化等应用局限，为金融行业全流程智能化升级提供新的技术底座。金融大模型通过对金融业务、客户行为、产业生态数据的深度挖掘与价值提炼，可实现客户服务、产品创新、风险防控、运营管理等环节的智能化重构。相较于一般人工智能技术，金融大模型对中小银行的核心价值，在于以更低的边际成本实现服务能力升级、客户价值深挖、运营效率提升，为中小银行突破发展瓶颈提供可能。

从银行业实践来看，大模型已成为银行业数智化转型的重要抓手。招投标平台数据显示，2025年金融行业大模型中标项目数量同比增长341%，披露金额上升527%，其中银行业大模型采购项目达290个占近半数，披露金额11.3亿元占批披露中标金额的75.2%。大型商业银行和股份制商业银行等全国性银行聚焦通用大模型研发与全国性标准化场景落地。如中国工商银行依托“工银智涌”千亿金融大模型体系，开展“领航AI+”行动，新增AI财富助理等100余个应用场景，企业级智能风控平台覆盖全部境内分行及130多个风控决策场景。上海浦发银行形成人工智能体系规划，成立人工智能中心，构建“算力、算法、平台、知识”四位一体的智能底座，统筹推进人工智能及大模型应用体系建设，围绕对公授信、“浦惠来了”等10大工程，建设100+AI应用场景。

中小银行受资源、能力等限制，亟需立足区域经济特点与自身经营优势，深入思考大模型时代中小银行数字金融转型之路，避免“唯大模型论”而盲目跟风投入。大模型时代的数智化转型，绝非简单的技术工具升级，而是从业务模式到服务体系、从数据治理到生态构建的全方位重塑。如何将大模型技术与区域特色产业、普惠金融需求、线下服务优势深度融合，破解转型困局、实现效率与价值的重塑，是中小银行亟待解决的新课题。

二、现实困局：中小银行数字化转型痛难点

从数量看，超过3600家的中小银行占我国银行业法人机构的绝大多数。中小银行兼具服务本地化、客群中小化、渠道线下化、数据区域化等特点，是连接区域经济与金融服务的重要纽带，是服务中小微企业和农村金融市场的主力军。但受技术、资金、人才、数据等多重限制，中小银行数智化转型尤其是大模型应用面临多重现实困局，主要体现在：技术适配性不足、底层架构支撑薄弱、数据基础短板突出、复合型人才短缺数字素养亟待提升、场景落地缺乏特色、风控体系不完善模型与数据风险挑战等方面。

第一，技术适配性不足，底层架构支撑薄弱。部分中小银行核心系统建设于十几年前，甚至更早，系统架构陈旧、技术落后，难以支撑新业务的快速发展。系统改造升级需要巨大的投入，且面临较高的技术风险和业务连续性风险。中小银行普遍缺乏大模型自主研发能力，大模型与现有业务系统对接融合的技术改造成本高、落地效率低，难以实现技术与业务的深度融合。

第二，数据基础短板突出，难以支撑模型应用。大模型的训练与应用依赖海量、高质量、多维度的数据资源。而中小银行数据治理普遍存在总量少、维度单一、质量低、整合难等问题，不同部门、不同系统之间的数据标准不统一，数据质量参差不齐，“数据孤岛”现象普遍存在，致使数据难以有效整合利用，难以实现“用数自由”，更难以有效参与国家“数据要素×”行动。

第三，复合型人才短缺，数字素养亟待提升。大模型时代的数字化转型，需要既懂金融业务又懂技术应用的“双栖型”人才，以及数据治理、模型调优、风险合规等专业人才。但中小银行因地域空间、激励机制、发展平台、组织文化等限制，难以吸引和留住高端金融科技人才，人才队伍结构失衡问题突出。技术与业务的协同衔接存在断层，人才短板成为制约转型的核心瓶颈。

第四，场景落地缺乏特色，与区域需求不符。深耕区域市场、服务本地客群是中小银行核心优势，但部分中小银行盲目对标全国性银行的场景布局，聚焦标准化、通用化的金融场景，忽视本区域特色产业、中小微企业、城乡居民的个性化金融需求，导致大模型应用与区域经济发展、自身业务优势脱节。对大模型场景落地缺乏系统性规划，多从单一环节、单一业务入手，技术赋能的效果难以充分发挥。

第五，风控体系不完善，模型与数据风险挑战。大模型技术带来新的风险挑战，而中小银行现有风控体系难以适配大模型应用的风险特征，风险防控能力亟待提升。大模型的 “黑箱特性” 导致算法决策的可解释性差，易出现算法偏见、模型漂移等模型风险，影响金融决策的科学性和公正性。同时，大模型应用需要整合大量内外部数据，若数据采集、使用、存储不合规，易引发数据泄露、隐私保护等数据风险。

无论是全国性银行还是中小银行，在对《生成式人工智能服务管理暂行办法》《商业银行模型风险管理办法》等要求的落实方面，都还存在一定差距。银行业智能风控体系建设相对滞后，将可能造成风控体系与监管要求的衔接存在断层，难以实现技术创新与风险防控的协同发展。

三、破局之道：中小银行数智化转型的策略

大模型时代，中小银行数智化转型不能盲目模仿全国性银行模式，更不能在“人工智能焦虑”之下陷入“技术跟风”的误区，必须立足自身资源禀赋和区域经济发展需求，以“突破现有困局、重塑核心能力”为核心，明确转型原则与战略定位，走出一条轻量化、特色化、本地化的转型之路，实现与全国性银行的差异化竞争。中小银行在大模型时代结合数智化转型，应聚焦本地数据资源优势、区域场景深耕优势、政银企协同优势、线下线上融合服务优势等区域禀赋优势，构建“轻量技术、本地场景、融合服务、协同生态”的数字金融发展模式，实现从“传统线下银行”向“线上线下融合的特色数字银行”的重塑，打造成为本地化数字金融服务的核心主体。

大模型时代，中小银行应成为本地特色数字金融的服务者，聚焦区域特色产业、中小微企业、城乡居民、农户等核心客群，提供精细化、个性化、场景化的数字金融服务，助力区域经济高质量发展；成为本地金融生态的链接者，整合地方政府、产业平台、核心企业、科技公司、同业机构等多方资源，构建本地数字金融协同生态，实现数据、技术、场景、服务的互联互通；成为本地数字普惠金融的践行者，借助大模型等技术降低金融服务门槛、提升普惠金融服务效率，扩大普惠金融服务的覆盖面和精准度，助力乡村振兴、县域经济发展等国家战略落地。

一是战略引领，业务驱动。将数智化转型纳入中长期发展战略，紧扣金融“五篇大文章”要求，明确转型目标、实施路径和阶段重点，以本地业务需求、客户服务痛点为导向推进大模型技术应用，避免“技术先行、业务滞后”， 努力实现“业技融合”，确保技术服务于业务发展、赋能于客户需求，确保技术能力与业务能力的协同提升。

二是轻量适配，分类施策。中小银行的大模型技术应用，核心是“适配”而非“先进”，需摒弃“技术攀比”思维，构建与自身资源禀赋、技术架构、业务需求相匹配的轻量高效技术应用体系，降低技术应用门槛。不盲目投入通用大模型自主研发，而应采用“轻量化大模型+场景化微调”的基础技术路线，定义符合银行自身特色的量化标准，适配中小银行现有IT架构和资金实力。可以考虑对现有核心业务系统做轻量化改造，例如开发小于10个标准对接接口等，实现大模型与现有业务系统、数据中台的无缝对接，避免大规模架构重构，降低技术对接成本。

三是数据为王，安全可控。将数据治理作为数智化转型的基础工作，完善企业级数据治理体系，提升数据质量、丰富数据维度，充分挖掘本地数据价值。加强与地方政府协同，积极参与数据要素市场化配置改革，依法合规推动公共数据赋能应用。同时，坚守金融风险底线，严格遵循最新金融监管要求，构建与大模型应用相适配的风险防控体系，加强数据安全、模型风险、算法合规管理，确保转型过程安全可控。

四是人才为本，全员赋能。将人才队伍建设作为数智化转型的核心支撑，推动科技-产业-金融复合型人才队伍培养要求，通过“引、育、用、留”四位一体的方式构建复合型人才队伍，推动管理层、业务人员、技术人员树立数字化思维，提升全员数字素养和大模型应用能力，实现技术转型与人才转型的同步推进。还要加快实施组织变革，建设敏捷组织，培养开放包容的数字文化氛围。尤其是要推动组织架构扁平化，打破部门壁垒，提高决策和执行效率。

五是因地制宜，特色发展。立足区域经济特点和自身经营优势，聚焦区域特色产业、普惠金融、县域经济打造具有区域辨识度的数字金融服务场景，避免“千行一面”的同质化竞争，在细分市场打造核心竞争力。同时，要综合考虑头部城商行、一般城商行、县域农商行转型策略的差异性。

例如在线上业务智能化方面，头部城商行可以考虑聚焦产业金融风控和智能财富管理，利用大模型整合核心企业、上下游中小微企业、物流、税务等多源数据，构建产业金融风控模型，实现供应链融资自动化审批，基于客户画像为高端客户提供个性化财富管理建议。一般城商行可以考虑聚焦智能客服和监管报送自动化，升级智能客服系统实现自然语言交互、7×24 小时服务，利用大模型实现监管报送数据的自动采集、清洗、校验，降低报送出错率、提升时效性。县域农商行可以考虑聚焦农户信用评估和小微商户服务，整合农户社保、土地、养殖种植等多维度数据构建信用评估模型，降低普惠贷款准入门槛，分析小微商户收单业务数据为商户提供经营分析和信贷建议，提升商户服务粘性。

六是分步实施，循序渐进。结合自身数智化转型发展阶段（转型基础薄弱、转型初步推进、转型已有成效），针对性设计分阶段转型路径和方案，从容易落地、回报较快、契合本地需求的场景入手，逐步实现全业务、全流程的数字化、智能化升级，确保转型工作稳步推进、成效可见。

2026年是“十五五”规划的开局之年。如果中小银行坚守服务实体经济的初心，以大模型等人工智能技术为手段，以深入做好金融“五篇大文章”为己任，在战略、技术、数据、人才、业务、风控等方面协同发力，打造具有本地特色的数字金融核心竞争力，就有望在激烈的市场竞争中破茧重生，为区域经济高质量发展和银行业转型创新贡献源源不竭的金融动能和优秀方案。（原载《当代金融家》杂志2026年第4期）

（徐蓓芸系上海金融与发展实验室特聘研究员、上海安硕信息技术股份有限公司咨询总监；董希淼系招联首席经济学家、上海金融与发展实验室副主任）