銀行 AI 的萬億投入，到了該「算賬」的時候

不看ROI的投入，都是耍流氓。 不計成本的 AI 變革，都是「講故事」。

——馨金融

洪偌馨、伊蕾/文

不知道從什么時候開始，AI在銀行年報里出現的位置越來越靠前。以前，它還只是技術展望的邊角章節，現在卻穩穩占據了高管致辭的「C位」。

更重要的是，以往銀行聊AI，比的是「砸了多少錢、建了多大的模型」，今年，頭部銀行的AI敘事迎來全面升級——他們開始給AI認真「算賬」了。

最直接的方式，是把AI價值，換算成更直觀的「人工工時」、「人年工作量」。

（注：人年是國際通用的「標準化工作量計量單位」，即將 AI 全年獨立完成的、符合崗位質量標準的有效工作量，折算成對等的全職人工年度工作量）

比如，工商銀行在年報里強調，AI數字員工年承擔工作量，相當于5.5萬人年。招行表示，全年實現1556萬小時人工替代，折合超8000名全職員工效能。中信銀行則提到，智能模型增效超1.7萬人年。

在海外市場上，摩根大通的表態更為直觀。其CEO杰米·戴蒙在彭博電視采訪中表示：「我們證明了投入20億美元成本，就能獲得約20億美元的效益。」

好像一夜之間，銀行業的AI競速，就從「比投入、比規�！沟纳习雸�，沖進了「算ROI、比實效」的下半場。

但如果你把問題拋給一線從業者：你們真的把那么多工作交給AI了嗎？大部分人的答案是：沒什么實感。

要是再追問一句：AI到底創造了多少真金白銀的價值？這筆賬怎么量化？更是很少有人能說出個所以然。

AI的這筆賬，到底該怎么算？

1、財報里的「華麗賬本」

沒人會質疑，銀行在AI這場「軍備競賽」里下了多大的血本。

先看真金白銀的投入。2025年，國有六大行金融科技總投入達1300.91億元，首次突破1300億元關口；同比增速為3.69%，顯著高于同期六大行合計營收增速。

拉長周期看，這筆投入更驚人。

2021-2025年，僅國有六大行披露的累計金融科技投入就已突破6000億元。如果算上股份行和城商行的頭部玩家，過去五年，銀行業累計科技投入規模已接近萬億。

砸錢之外，銀行「科技軍團」的規模也同步擴容。截至2025年末，六大行科技人才總數，已突破13.58萬人。

雖然這些投入并非悉數流向AI，但圍繞AI的布局始終是最鮮明的主線。

還有一個更加硬核的戰場，是算力。各家銀行的智算布局，已經卷到了新高度。

2025年，建行智能算力達145.69PFLOPs，較2024年末增長24.52%。副行長雷鳴打了個通俗的比方：這等于14.6億億次/秒的運算能力，足以支撐千億級大模型的訓練與推理。

交行也已建成千卡異構算力集群，智算規模一年增長超50%。

當然，AI軍備競賽也不是國內銀行獨角戲。海外市場上，頂級銀行的AI投入，只多不少。

典型如摩根大通，2025年，它全年技術投入達180億美元，其中僅AI專項投入就高達20億美元。美國銀行年技術預算約130億美元，其中約40億美元專門用于AI。

銀行業的大筆投入背后，除了對科技變革的追逐，多少也跟FOMO（Fear of Missing Out，錯失恐懼癥）情緒有關。

畢竟，AI一日，人間一年。

從 ChatGPT 橫空出世，到開源大模型井噴；從 AI Agent 爆發到「養龍蝦」成為標配，每隔一段時間，就會有新的技術突破、新的標桿應用涌現，隨之而來的是AI可能顛覆一切的焦慮。

擁抱AI，幾乎是行業里唯一的「政治正確」。

當同業都在布局大模型、上線數字員工、鋪AI場景，不投就會落后的焦慮讓很多銀行加速開啟了AI「軍備競賽」。

先把算力搭起來，把模型建起來，把場景鋪起來。至于投入能帶來多少回報、創造多少價值，反而成了次要問題。

2、「算賬時刻」拷問ROI

但是現在，銀行到了必須「算賬」的時候。

這種粗放的投入模式，在前幾年息差尚可、利潤空間充足的時候，銀行還有余糧為AI的「試錯成本」買單。如今，隨著凈息差持續承壓，利潤增長進入瓶頸期，留給銀行探路的空間已經不多。

而且，布局AI真的太燒錢。

根據行業數據，GPT-4同等性能的成本，已從每百萬Token 近40美元降至0.5美元以下，但企業的AI支出，反而更難控制了。(注：Token是AI大模型處理文本的最小單位，也稱為「詞元」。）

原因很簡單：單價的降幅，趕不上用量的暴漲。

有數據統計顯示，OpenAI工程師團隊一周處理的Token量高達2100億，相當于復寫33遍維基百科。國內商業銀行中，招行也首度披露，2025年，其日均輸入輸出Token量同比增長10.1倍。

一個值得注意的信號是，國內銀行業整體的科技投入增速，已逐漸放緩，甚至出現連續回調。

典型如幾家頭部股份行，科技投入規模普遍在2023年達到巔峰，但是在2024-2025年連續回落。

這究竟是前期投入趨于飽和后的自然回調，還是銀行對AI投資的態度趨于審慎？

無論答案如何，銀行對科技投入的態度確實在發生轉變——從「重速度」轉向「重質量、重效益」。

要知道，前幾年全行業 all in AI的一個重要原因，就是希望它能成為破解息差困境、重塑增長模式的核心抓手。

萬億級的科技投入，到底在哪里砸出了「水花」？銀行不僅要心中有數，還得向資本市場證明AI價值。

尤其，在銀行板塊整體估值長期偏低的當下，資本市場需要看到的是：這些投入帶來了多少業績提升、多少估值修復。

而經歷了過去幾年的發展之后，隨著AI在銀行的各個業務場景中批量落地，他們也到了「交卷」的時候。

注：數據來源為各銀行年報，馨金融整理

以零售場景來看：

招商銀行：RM小助為超過1萬名金葵花客戶經理在主要工作環節提供支持。2025年客戶經理人均有效觸客次數提升了14%，客均交易規模提升了 20%。

建設銀行：基層客戶經理可以通過「幫得」系統管理 2 萬個以上的客戶。

摩根大通：客戶服務領域每個運營人員服務的賬戶數增加了25%，而每個賬戶的服務電話減少了近30%。

3、AI 效能去哪兒了？

一個無法回避的問題是：既然財報里的 AI 已經干了上萬人的活，為什么沒有轉化為經營層面的成本下降，或是利潤的增長？

銀行的統計口徑，和一線的真實體感之間，為什么會有這么大的鴻溝？

除了統計手段和方法的局限之外，銀行業的強監管屬性，決定了AI的落地，必須在合規的框架內推進。

算法的可解釋性、數據的安全合規、客戶隱私的保護，都是銀行AI落地不可逾越的紅線。

這注定了銀行AI的落地，不可能像互聯網行業一樣，快速試錯、野蠻生長。

更重要的是，AI從來不是一個「即插即用」的效率工具。它需要配套的組織變革、流程再造與人才升級。

這注定是一場十年以上的「慢革命」。

正如上世紀的IT革命，也曾經歷漫長的「生產率沉默期」。

當計算機開始在企業中普及，美國的勞動生產率數據，并未出現同步提升，反而陷入了長達十余年的停滯。正如諾貝爾經濟學獎得主羅伯特·索洛所言：「你可以在任何地方看到計算機，唯獨在生產率統計中看不到它的身影�！�

如今的AI革命，也來到了新的關口。

在2026年英偉達GTC大會上，公司創始人黃仁勛提出了「Token工廠經濟學」范式。圍繞Token，已經延伸出了一整套生產行為，一整套經濟活動。

算力不再是靜態的資源，而是一個日夜運轉、產出「詞元」的工業流水線。在這條線上，數據是原材料，模型是生產設備，Token是產出的成品，每一次推理都是一次完整的生產循環。

而要真正讓流水線高效運轉，需要的不只是算力堆疊，更是從數據治理、模型調度到業務流程的全面適配與重構。

眼下，很多銀行的AI應用，本質上只是「點狀替代」。

用AI替代了客服的重復性咨詢、生成了盡調報告的文本，或者輔助了代碼編寫，但卻沒有對整個業務流進行系統性重構，更沒有打破部門之間的壁壘。

IBM商業價值研究院發布的《2025年銀行和金融市場展望》提到，截至2024年，僅有8%的銀行系統性地開發AI技術，而78%的銀行仍采用戰術性的、碎片化的方法。

這帶來的結果可能是，前端看似實現了人工替代，節約了少量成本；中后臺卻因為重復建設、無效投入，產生了更高的成本，最終的ROI，自然無從談起。

當然，這也不只是銀行業面臨的挑戰。

美國國家經濟研究局（NBER）一項覆蓋6000名高管的大規模調查顯示：

近90%的受訪企業表示，AI在過去三年內對其就業或生產率沒有產生任何可觀測的影響。約三分之二的高管使用AI，但每周使用時間僅約1.5小時，25%的受訪者完全不使用AI。

更進一步來看，現在銀行業有個很普遍的困境：

一千個人心里，有一千個AI落地的樣子。

比如，如果銀行想要布局智能體，不同條線、部門、職位對這個問題的理解都是不一樣的。

技術部理解的，可能是一個場景一個，按業務條線拆分；業務部門理解的，可能是一個總智能體下面關聯N個子智能體；管理層的想法又不一樣，他們希望1個部門對應1個智能體，方便管理和推進。

認知都不統一，何談資源調度和落地推進？

但反過來想，這恰恰驗證了銀行給AI「算賬」的必要性。如果沒有一把公認的價值標尺，連分清哪些該做、哪些先做，都成了奢望。

畢竟，不看ROI的投入，都是耍流氓。 不計成本的 AI 變革，都是「講故事」。