AI入职银行三年后，有银行靠它半年贡献近7000人年工作量

21世纪经济报道 记者郭聪聪

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。

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”。

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。

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。