上市银行年报中的“AI竞赛”：2025年六大行金融科技总投入超1300亿元，场景落地与风险挑战并存

　　每经记者|刘嘉魁    每经编辑|魏文艺    

　　随着2025年A股上市银行年报季收官，一组数字勾勒出金融业智能化转型的全新图景——工商银行全年金融科技投入达285.88亿元，招商银行宣称其AI（人工智能）应用在一年内替代了超过1556万人工小时，平安银行的大模型应用场景在一年内翻倍增长至近400个⋯⋯

　　《每日经济新闻》记者（以下简称“每经记者”）注意到，2025年，工商银行、农业银行、中国银行、建设银行、交通银行、邮储银行等六大国有银行在金融科技上的投入合计超过1300亿元，较2024年的1254.59亿元进一步增长。巨额投入背后，一个更深刻的转变正在发生：人工智能已从年报中展望未来的技术章节，转变为衡量银行核心竞争力的关键标尺。

　　与此同时，在大洋彼岸，摩根大通正描绘着另一幅AI图景——首席执行官杰米·戴蒙（Jamie Dimon）将人工智能定位为“堪比印刷机与蒸汽机的变革性技术”，并宣布每年投入超过20亿美元，致力于打造“全AI协同企业”。这家华尔街金融巨头不满足于单点应用，而是试图将AI深度融入组织的每一根毛细血管。

　　一边是国内银行业体系化、规模化的AI投入与场景落地，另一边是国际金融巨头以生态系统思维推进的全方位智能化重构。这场横跨太平洋的金融智能化浪潮，正悄然改变着从信贷审批、风险定价到投资决策的每一个核心环节。

　　然而，这场火热的AI投入与愿景背后，数据治理的深水区、模型“幻觉”的现实风险以及算法“黑箱”带来的合规挑战，也考验着这场变革的深度与可持续性。金融业的AI征程，在展示出巨大潜力的同时，也步入了一个需要更多智慧与审慎的关键阶段。

　　每经记者梳理2025年上市银行的业绩报告发现，“人工智能”已从技术展望章节，跃升为衡量未来核心竞争力的关键绩效指标。这场竞赛的焦点，正从“是否应用AI”转向“应用多深、体系多强”，呈现出体系化、规模化落地的鲜明特征。

　　国有大行凭借其雄厚的资源，正在构筑AI转型的“重型基础设施”。工商银行在年报中明确，已将实施了四年的“数字工行”（D-ICBC）战略全面升级为“数智工行”（AI-ICBC），其核心“工银智涌”大模型已在超过30个业务领域落地500余个应用场景。建设银行披露，人工智能技术已规模化赋能集团内398个场景。中国银行则构建了BOCAI大模型能力平台，累计部署智能化助手超过400个。

　　股份制银行与城商行则在场景落地的速度与广度上展现出更强的敏捷性。招商银行在业绩发布会上披露，其AI应用场景已达856个，全年通过AI替代人工超1556万小时，相当于形成超过8000人的全职人工效率。更关键的是，AI正从“成本中心”转向“效益引擎”，该行面向客户经理的智能助手，推动人均有效出客次数提升14%，客均交易规模提升20%。平安银行的大模型应用场景在一年内从“超200个”猛增至“超390个”，AI生成的代码量占比已超过30%。中信银行构建了“大模型+小模型”协同模式，截至2025年末大模型落地场景超120个。

　　从“AI优先”到“AI原生”，头部银行正试图将智能深度嵌入组织肌理，构筑新的竞争壁垒。

　　某资深银行业研究人士向每经记者分析称，2025年年报密集披露的AI成果，标志着中国银行业的数字化转型已进入以智能决策和流程重塑为核心的“深水区”。这背后是行业净息差持续收窄背景下，向技术要效率、要增长的必然选择。AI投入不再仅仅是科技部门的预算项目，而是直接与降本增效、风险控制、收入提升等核心经营指标挂钩的战略性投资。

　　经过多年探索，AI在银行业的应用早已超越早期的智能客服与刷脸支付，深入业务核心地带，在提升效率与控制风险两方面展现出颠覆性潜力。

　　在风险管理的“心脏”——信贷与反欺诈领域，AI正实现从“规则判断”到“智能感知”的质变。传统风控依赖历史数据和静态规则，难以应对复杂多变的新型风险。而以机器学习、图计算为核心的智能风控系统，能够实时处理海量异构数据。例如，邮储银行构建的全链条反欺诈模型体系，在2025年上半年累计保护潜在受害账户超过10万户。招商银行的在线风控平台在2025年审批对公信贷规模接近6000亿元，同比增长44%，其AI辅助的贷后风险预警时间较传统人工模式平均提前42天。

　　在普惠金融领域，AI通过分析替代性数据，正在破解小微企业“融资难、融资贵”的经典难题。许多银行利用AI模型整合企业的税务、发票、供应链乃至水电数据，为缺乏传统抵押物的小微企业进行信用“画像”，实现快速授信。

　　智能运营与客户服务是AI降本增效最直观的体现。招商银行面向超万名金葵花客户经理的智能助手，已成为日常工作的智能搭档。平安银行借助生成式AI（AIGC）辅助创作营销内容，仅此一项在2025年就节省了约6000万元的费用。在运营后台，AI“数字员工”正在接管大量重复性工作。中信银行通过AI推动对公开户、信息变更等业务集约化处理，使业务集约化效能提升2倍以上。

　　“AI在这些领域的成功，关键在于其解决了传统金融模式中人力难以处理的海量数据、规则难以覆盖的复杂模式，以及高并发下的实时响应需求。”前述银行业研究人士分析称，这些成熟应用构成了银行AI能力的“基本盘”，其价值直接体现在成本节约、风险降低和体验提升方面。

　　他认为，当前的应用更多是“优化现有流程”，下一阶段的竞争将聚焦于如何利用AI“创造新流程”乃至“创造新业务”，即从“内部提效”走向“外部创收”。

　　当国内银行业聚焦于利用AI优化内部流程与客户服务时，以摩根大通为代表的国际金融巨头，正将AI的触角伸向更具颠覆性的领域：投资决策本身。

　　如在风险投资（VC）与私募股权（PE）领域，AI正在重塑项目发掘与尽职调查的底层逻辑。传统依赖人脉网络与行业研究（如Wind、彭博等平台）的模式正在被改变。以红杉资本为例，其早已开发内部AI工具，用于自动化扫描全球初创公司数据、学术论文、专利及新闻，每日固定时间为投资团队推送潜在标的的初步分析简报，提升了项目筛查的广度与效率。

　　在面向客户的财富管理与投资银行领域，AI正从后台辅助走向前台服务。摩根大通早在2023年就为其名为“IndexGPT”的产品申请商标，这是一款利用生成式AI技术，根据客户输入的主题或关注领域，自动分析和选择证券标的的投资顾问工具。该模型是在通用大模型基础上，利用摩根大通独有的宏观经济、公司研究等海量私有数据训练而成，旨在为客户提供个性化的投资组合建议。

　　此外，在贷款业务中，利用AI对客户进行更精细化的风险分级与定价，在海外已是较为成熟的做法。

　　前述银行业研究人士解读称，海外金融机构的AI实践揭示了两大关键趋势：一是AI应用正从“内部流程优化”迈向“外部价值创造”，直接介入投资建议、产品设计等价值创造的核心环节；二是头部机构正利用其独有的、高质量的数据壁垒（如交易数据、深度研究）训练垂直领域大模型，构筑新的、难以复制的竞争护城河。相比之下，国内金融机构在利用AI直接驱动投资决策、提供深度智能投顾服务方面仍有发展空间，这或许是未来需要攻克的高地。

　　在反欺诈、智能客服等成熟应用之外，金融业正将AI谨慎地推向更前沿、更核心的领域，试图解锁新的价值，让AI在更复杂的金融活动中扮演“分析师”甚至“初级决策者”的角色。

　　每经记者了解到，在智能舆情分析与市场预警方面，已有机构正在训练AI实时抓取并分析新闻、研报、社交媒体乃至卫星图像等海量非结构化数据，以捕捉可能影响市场或具体公司的风险“信号”。例如，东方证券的“东方大脑”人工智能平台，日均可处理近7万条市场舆情资讯，自动识别企业主体并分类负面舆情。

　　在智能贷后管理与资产保全领域，AI正被用于对存量贷款进行持续、自动化的风险监测。通过分析企业的经营数据、司法信息、舆情变化，模型可以提前预警潜在风险，变被动应对为主动管理。部分银行已尝试利用大模型辅助生成贷后审查报告，将撰写时间大幅缩短。

　　更具颠覆性的探索发生在交易与投资的核心地带。在量化投资领域，除了优化现有交易策略，更前沿的探索是开发能自主学习市场微观结构、并自主执行部分交易指令的“虚拟交易员”。据报道，摩根大通已发布其AI量化交易平台，支持高频交易与多因子策略的智能融合。在代客交易（如外汇、利率衍生品交易）中，AI也被研究用于为交易员提供实时的最优报价与对冲策略建议。

　　然而，尽管前景广阔，但AI在金融核心领域的深度应用仍面临制约，数据治理、大模型“幻觉”与复合型人才短缺是金融机构必须跨越的“三重门”。

　　首先是数据治理之困。高质量、标准化的数据是AI的“燃料”。然而，金融数据涉及高度敏感的个人隐私与商业机密，且往往散落在不同业务部门形成“数据孤岛”。毕马威专家指出，金融机构普遍面临多源异构数据协同难、内部数据流通共享难等挑战。

　　其次是大模型“幻觉”与可靠性风险。大语言模型固有的“幻觉”问题，在要求零失误的金融决策中是致命伤。中国邮政储蓄银行研究员娄飞鹏指出，若“幻觉”出现在风险管理领域，可能导致银行无法理解风险逻辑，从而无法采取有效应对措施。

　　第三是复合型人才短缺与组织变革之痛。既深谙复杂金融业务逻辑，又精通AI算法与工程的复合型人才极度稀缺。同时，传统的、强调严谨与层级制的银行组织文化，与AI所需的快速迭代、容错试错的敏捷开发模式之间存在深层张力。

　　前述银行业研究人士总结道，未来金融业的竞争将是“技术—数据—治理—人才”综合生态体系的较量。能够率先构建高质量数据资产、建立可信AI治理框架，并推动组织与文化成功转型的机构，才能在这场深刻的“数智化”革命中赢得长期优势。