九卦 | 银行 AI 的万亿投入，到了该「算账」的时候

作 者 | 洪偌馨、伊蕾

来 源 | 馨金融

不看ROI的投入，都是耍流氓。 不计成本的 AI 变革，都是「讲故事」。

不知道从什么时候开始，AI在银行年报里出现的位置越来越靠前。以前，它还只是技术展望的边角章节，现在却稳稳占据了高管致辞的「C位」。

更重要的是，以往银行聊AI，比的是「砸了多少钱、建了多大的模型」，今年，头部银行的AI叙事迎来全面升级——他们开始给AI认真「算账」了。

最直接的方式，是把AI价值，换算成更直观的「人工工时」、「人年工作量」。

（注：人年是国际通用的「标准化工作量计量单位」，即将 AI 全年独立完成的、符合岗位质量标准的有效工作量，折算成对等的全职人工年度工作量）

比如，工商银行在年报里强调，AI数字员工年承担工作量，相当于5.5万人年。招行表示，全年实现1556万小时人工替代，折合超8000名全职员工效能。中信银行则提到，智能模型增效超1.7万人年。

在海外市场上，摩根大通的表态更为直观。其CEO杰米·戴蒙在彭博电视采访中表示：「我们证明了投入20亿美元成本，就能获得约20亿美元的效益。」

好像一夜之间，银行业的AI竞速，就从「比投入、比规模」的上半场，冲进了「算ROI、比实效」的下半场。

但如果你把问题抛给一线从业者：你们真的把那么多工作交给AI了吗？大部分人的答案是：没什么实感。

要是再追问一句：AI到底创造了多少真金白银的价值？这笔账怎么量化？更是很少有人能说出个所以然。

AI的这笔账，到底该怎么算？

1

财报里的「华丽账本」

没人会质疑，银行在AI这场「军备竞赛」里下了多大的血本。

先看真金白银的投入。2025年，国有六大行金融科技总投入达1300.91亿元，首次突破1300亿元关口；同比增速为3.69%，显著高于同期六大行合计营收增速。

拉长周期看，这笔投入更惊人。

2021-2025年，仅国有六大行披露的累计金融科技投入就已突破6000亿元。如果算上股份行和城商行的头部玩家，过去五年，银行业累计科技投入规模已接近万亿。

砸钱之外，银行「科技军团」的规模也同步扩容。截至2025年末，六大行科技人才总数，已突破13.58万人。

虽然这些投入并非悉数流向AI，但围绕AI的布局始终是最鲜明的主线。

还有一个更加硬核的战场，是算力。各家银行的智算布局，已经卷到了新高度。

2025年，建行智能算力达145.69PFLOPs，较2024年末增长24.52%。副行长雷鸣打了个通俗的比方：这等于14.6亿亿次/秒的运算能力，足以支撑千亿级大模型的训练与推理。

交行也已建成千卡异构算力集群，智算规模一年增长超50%。

当然，AI军备竞赛也不是国内银行独角戏。海外市场上，顶级银行的AI投入，只多不少。

典型如摩根大通，2025年，它全年技术投入达180亿美元，其中仅AI专项投入就高达20亿美元。美国银行年技术预算约130亿美元，其中约40亿美元专门用于AI。

银行业的大笔投入背后，除了对科技变革的追逐，多少也跟FOMO（Fear of Missing Out，错失恐惧症）情绪有关。

毕竟，AI一日，人间一年。

从 ChatGPT 横空出世，到开源大模型井喷；从 AI Agent 爆发到「养龙虾」成为标配，每隔一段时间，就会有新的技术突破、新的标杆应用涌现，随之而来的是AI可能颠覆一切的焦虑。

拥抱AI，几乎是行业里唯一的「政治正确」。

当同业都在布局大模型、上线数字员工、铺AI场景，不投就会落后的焦虑让很多银行加速开启了AI「军备竞赛」。

先把算力搭起来，把模型建起来，把场景铺起来。至于投入能带来多少回报、创造多少价值，反而成了次要问题。

2

「算账时刻」拷问ROI

但是现在，银行到了必须「算账」的时候。

这种粗放的投入模式，在前几年息差尚可、利润空间充足的时候，银行还有余粮为AI的「试错成本」买单。如今，随着净息差持续承压，利润增长进入瓶颈期，留给银行探路的空间已经不多。

而且，布局AI真的太烧钱。

根据行业数据，GPT-4同等性能的成本，已从每百万Token 近40美元降至0.5美元以下，但企业的AI支出，反而更难控制了。(注：Token是AI大模型处理文本的最小单位，也称为「词元」。）

原因很简单：单价的降幅，赶不上用量的暴涨。

有数据统计显示，OpenAI 工程师团队一周处理的Token量高达2100亿，相当于复写33遍维基百科。国内商业银行中，招行也首度披露，2025年，其日均输入输出Token量同比增长10.1倍。

一个值得注意的信号是，国内银行业整体的科技投入增速，已逐渐放缓，甚至出现连续回调。

典型如几家头部股份行，科技投入规模普遍在2023年达到巅峰，但是在2024-2025年连续回落。

这究竟是前期投入趋于饱和后的自然回调，还是银行对AI投资的态度趋于审慎？

无论答案如何，银行对科技投入的态度确实在发生转变——从「重速度」转向「重质量、重效益」。

要知道，前几年全行业 all in AI的一个重要原因，就是希望它能成为破解息差困境、重塑增长模式的核心抓手。

万亿级的科技投入，到底在哪里砸出了「水花」？银行不仅要心中有数，还得向资本市场证明AI价值。

尤其，在银行板块整体估值长期偏低的当下，资本市场需要看到的是：这些投入带来了多少业绩提升、多少估值修复。

而经历了过去几年的发展之后，随着AI在银行的各个业务场景中批量落地，他们也到了「交卷」的时候。

注：数据来源为各银行年报，馨金融整理

以零售场景来看：

招商银行：RM小助为超过1万名金葵花客户经理在主要工作环节提供支持。2025年客户经理人均有效触客次数提升了14%，客均交易规模提升了 20%。

建设银行：基层客户经理可以通过「帮得」系统管理 2 万个以上的客户。

摩根大通：客户服务领域每个运营人员服务的账户数增加了25%，而每个账户的服务电话减少了近30%。

3

AI 效能去哪儿了？

一个无法回避的问题是：既然财报里的 AI 已经干了上万人的活，为什么没有转化为经营层面的成本下降，或是利润的增长？

银行的统计口径，和一线的真实体感之间，为什么会有这么大的鸿沟？

除了统计手段和方法的局限之外，银行业的强监管属性，决定了AI的落地，必须在合规的框架内推进。

算法的可解释性、数据的安全合规、客户隐私的保护，都是银行AI落地不可逾越的红线。

这注定了银行AI的落地，不可能像互联网行业一样，快速试错、野蛮生长。

更重要的是，AI从来不是一个「即插即用」的效率工具。它需要配套的组织变革、流程再造与人才升级。

这注定是一场十年以上的「慢革命」。

正如上世纪的IT革命，也曾经历漫长的「生产率沉默期」。

当计算机开始在企业中普及，美国的劳动生产率数据，并未出现同步提升，反而陷入了长达十余年的停滞。正如诺贝尔经济学奖得主罗伯特·索洛所言：「你可以在任何地方看到计算机，唯独在生产率统计中看不到它的身影。」

如今的AI革命，也来到了新的关口。

在2026年英伟达GTC大会上，公司创始人黄仁勋提出了「Token工厂经济学」范式。围绕Token，已经延伸出了一整套生产行为，一整套经济活动。

算力不再是静态的资源，而是一个日夜运转、产出「词元」的工业流水线。在这条线上，数据是原材料，模型是生产设备，Token是产出的成品，每一次推理都是一次完整的生产循环。

而要真正让流水线高效运转，需要的不只是算力堆叠，更是从数据治理、模型调度到业务流程的全面适配与重构。

眼下，很多银行的AI应用，本质上只是「点状替代」。

用AI替代了客服的重复性咨询、生成了尽调报告的文本，或者辅助了代码编写，但却没有对整个业务流进行系统性重构，更没有打破部门之间的壁垒。

IBM商业价值研究院发布的《2025年银行和金融市场展望》提到，截至2024年，仅有8%的银行系统性地开发AI技术，而78%的银行仍采用战术性的、碎片化的方法。

这带来的结果可能是，前端看似实现了人工替代，节约了少量成本；中后台却因为重复建设、无效投入，产生了更高的成本，最终的ROI，自然无从谈起。

当然，这也不只是银行业面临的挑战。

美国国家经济研究局（NBER）一项覆盖6000名高管的大规模调查显示：

近90%的受访企业表示，AI在过去三年内对其就业或生产率没有产生任何可观测的影响。约三分之二的高管使用AI，但每周使用时间仅约1.5小时，25%的受访者完全不使用AI。

更进一步来看，现在银行业有个很普遍的困境：

一千个人心里，有一千个AI落地的样子。

比如，如果银行想要布局智能体，不同条线、部门、职位对这个问题的理解都是不一样的。

技术部理解的，可能是一个场景一个，按业务条线拆分；业务部门理解的，可能是一个总智能体下面关联N个子智能体；管理层的想法又不一样，他们希望1个部门对应1个智能体，方便管理和推进。

认知都不统一，何谈资源调度和落地推进？

但反过来想，这恰恰验证了银行给AI「算账」的必要性。如果没有一把公认的价值标尺，连分清哪些该做、哪些先做，都成了奢望。

毕竟，不看ROI的投入，都是耍流氓。 不计成本的 AI 变革，都是「讲故事」。