“银行正经历从数字化到智能化的新一轮跨越，大模型和智能体就是最佳跳板。

有多少人知道，我国银行手工记账全面被电子记账替代发生在哪一年？答案是2018年——中国农业银行西藏自治区分行最后一批114个手工作业营业网点，完成电子化联网。

这件事不大，但非要赋予一个意义，那这就是中国银行数字化转型的一个缩影。

话说有一年，外宾参观人民银行营业部，走进大厅，就听到噼里啪啦打算盘的声音。外宾看到一叠叠的手工账本，提出了灵魂拷问，“怎么还不用电脑？”这一看似魔幻的一幕，就发生在上世纪七十年代初。

而到了2025年的今天，别说听不到算盘声了，连营业厅的大堂经理都开始被AI数字人代替了。

试着回忆一下，你上一次去银行网点是什么时候？是不是感觉已经很久远了。那就对了，现在，打营销电话的是AI，在线客服是AI，审核贷款资质的是AI，提醒你信用卡还款的还是AI……银行数字化搞了这么多年，砸了这么多钱，就是为了让你能够“少往银行跑”。

经过几十年、几代金融人的努力，数字化建设成果斐然。但现在单讲数字化已经无法满足银行的需求了，翻开2024年一些上市银行的财报，几乎被AI、大模型、智能体这三个词组霸屏。国有大行和股份制银行已全面启动大模型应用建设，并在前、中、后台推进应用的落地。

作为数据密集、场景密集、应用密集的行业，银行天然与大模型适配，银行正以AI为核心抓手，启动下一个阶段的进化。

数据猿走访天创信用、数势科技、容联云、诸葛智能等多家深度服务银行机构的科技企业，试图回答三个关键命题：

1.银行为什么必须完成“从数字化到智能化”的惊险一跃？

2.大模型与智能体如何在风控、营销、运营等核心场景落地？

3.当AI成为“数字员工”，银行与AI的合作范式将如何重写？

“从数字化到智能化”的惊险一跃

当我们打开历史的卷轴，会发现银行的数字化转型，就是一场“线上大迁徙”。

1979年，国务院批准引入IBM大型机，中国银行香港分行率先使用。80年代开始进入PC单机时代，也称为“会计电算化”。随着中国改革开放的深入，银行的信息化建设随之提速。移动互联网时代的到来是又一个重要节点， 2014年双十一，支付宝支付峰值达到了惊人的285万笔/分钟。 当时，有银行主管科技口的领导感慨，这么大的并发如果换做我们，系统会崩掉。

而崩塌的不只是系统，还有银行对于“渠道”的自信。2014年微信红包“偷袭”春节，那一年银行转账业务骤降。与此同时，各类互联网金融大规模涌现。银行猛然惊觉，他们的对手不只是另一家银行，在新一代数字技术生长起来的新企业和新模式，也开始跨界竞争了。这是历史上从未发生过的事情。

一开始银行有些发懵，但很快惊醒过来，从被动防御展开主动反击。银行通过自建技术自研（如成立了金融科技子公司）、联合科技公司（如BAT）的模式，一方面收获了前所未有的流量与数据，另一方面吸收引进了分布式数据库、大数据风控、云计算、机器学习等新一代数字科技。

过去，人们办理银行业务，得亲自跑到银行柜台，拿着号，排着长队，填各种表单，等待两三个小时后，才能见到柜台业务人员，满满的仪式感。如果赶上特殊情况，还得证明你是你，你爸是你爸。有时候就感觉，我银行卡里的那点钱都对不起这一套流程。

随着银行各个业务线数字化改造的完成，风控审批、转账汇款、账户查询……这些原本需要跑腿的业务，普通用户只需在手机上动动手指，就能轻松搞定。

就像《BANK 4.0》所说的，“金融常在，银行不在”。经过波澜壮阔的数字化改造，银行产生了很多显著的变化。

1、去网点化

2025年上半年，累计约有2677家商业银行的线下网点“关门停业”。那些矗立在大街小巷的物理网点已经不是银行的“全部形象”了，除此之外，线上还有一个“银行”，“云中”还有一个银行，地上、线上和云中“三个”银行在数字化的串联下同生共长。如何同时管理好并利用好“三个”银行，成为当前银行业面临的新课题。

2、客户生态变化

银行客户已经见顶了。据权威统计显示，截至2024年末，全国信用卡和借贷合一卡开立7.27亿张，较2023年末减少约4000万张，同比下降5.14%。

同时，数字化也让客户的形态发生了改变，形成了接触型客户和数字型客户两类客户并存的格局。客户无处不在，但又不常见面；客户的需求个性化十足，同时又千变万化。银行如何与这两类客户同步建立起长期、深层次的信任关系，事关银行的发展未来。

3、开放生态

数字化让银行走向了开放银行的路线。以招商银行为例，截至2021年6月底银行App累计用户1.58亿，月活用户6140.69万，接入了几十种场景，覆盖人们的衣食住行。工商银行“工银聚富”平台，通过开放API对接电商、物流等场景，2023年累计服务小微企业超50万家，贷款余额突破800亿元。

银行从刚开始的单一数据共享向场景金融、生态共建演进，但在开放生态的环境中，系统烟囱、数据壁垒仍在：营销、风控、运营各跑各的模型，数据口径不一， 这些数字墙成为了银行发展的刚性约束。

数字化建设已经棋过中场，初步完成了它的历史使命，当下，银行遇到的新挑战，需要寻找一套新的解决思路了。

银行新的转型

大模型和智能体是最佳跳板

银行推动智能化的时间比很多人想象中要早，大概在2013年前后，深度学习技术刚刚大放异彩，一些嗅觉敏锐的银行就开始“尝鲜”了。但在早期，所谓的智能化只是单点的算法优化，就像一个单项运动的运动员，只能用于特定任务。比如用于人脸识别的OCR，或者搭建营销模型、风控模型等。但它们彼此割裂，无法形成协同效应，更无法真正“理解”业务。

而大模型和智能体的横空出世，惊艳了世界的同时，也为银行带来了新的气象。

天创信用联合创始人赵千里认为，大模型有强大的非结构化数据的分析能力，以及对于多模态数据的解析能力。“金融领域沉淀了大量的非结构化数据，在传统算法模式下这些数据很难被有效利用。基于大模型，我们可以从这些非结构化信息中挖掘某些新特征。把这些新特征与传统算法进行结合，就能对风控模型进行极大优化。同时，大模型强大的解析和生成能力，能够将传统的静态画像升级为动态、实时画像。那么金融机构，就可以得到一个更接近于企业当前状态的信用状况。”

数势科技数据智能产品总经理岑润哲则表示：“大模型带来了两个层面的革命，一是交互革命。从GUI（图形用户界面）到LUI（语言用户界面），大大降低了业务人员使用数字工具的门槛；二是价值创造。大模型拓宽了价值创造的深度。原来数字化只能让银行做好what。有了大模型和智能体，我们可以在将能力延展到why和how。”

目前银行布局AI大模型主要的应用落地场景有两类。

一类是对内部，比如用于会议纪要、授信报告关键信息提取、代码自动化生成等日常办公辅助工作，以及用于数据分析、风险管理、用户运营等决策分析类场景。

另一类面向外部，AI大模型直接面向客户服务，创造收益。比如零售信贷或财富管理业务。

当前，我们看到很多银行接入了各类大模型，但单纯接入大模型或搭建开源平台，并不产生实际业务价值，这也是困扰银行的一个问题。毕竟大模型的投入是一笔不小的开支，很多项目大部分都沦为了“领导展示”工程。除了给领导考察的时候演示之外，并没有产生实际价值。

大模型在银行系统落地，主要面临三个方面的挑战。

1、数据孤岛问题

银行体量很大、场景很多，内部数据孤岛的问题也很严重。不同部门之间，数据质量和数据治理水平参差不齐。

2、安全和权限问题

银行以强监管、严监管著称，在很多场景下，AI的输出结果需要具备可解释性。大模型整个推理链路要实现“白盒化”和“可视化”。比如说每个指标的选取逻辑是什么，每一次查询的依据在哪，都清晰地展现出来。保证银行从结果回溯到原因，每一次的查询，从过程到结果都是可信的。

银行还涉及到权限的问题。在现实中，一个基础行员是没办法获取全行的财务情况的，只有行长或分支行长才能够了解一些核心指标。这样的话，在设计智能体的任务流程时，必须考虑到不同角色的权限因素。目前AI大模型应用正在从效率提升逐步过渡到信贷、财富管理、金融市场交易等创造价值的核心业务中，但这类应用能否落地的关键之一是权责划分。

3、幻觉

大模型在开放性话题中存在“一本正经地胡说八道”的“幻觉”问题。赵千里表示：“大模型无法直接得出一个信用评分，它在推理上始终存在幻觉问题。”

面对这些问题，怎么能够让银行真正把大模型高效的利用起来呢？

1、以用促治：不贪大求全，由小及大

数势科技岑润哲认为，面对数据孤岛的问题，当前不急着上来就建一个全行级的平台，可以先从局部入手，慢慢扩展到其他部门。以数据分析的场景为例，我们可以先做好领导的驾驶舱。或者从对公贷款的场景做起，先把这个场景下100个指标几十个维度梳理好，让AI大模型和智能体学会分析对公业务。而不是上来让大模型把全行几千、上万个指标治理好，再做应用。我们称之为 “以用促治”，用这种方式循序渐进打破数据孤岛，将大模型渗透到银行的业务中。

2、大小模型协同：大小搭配，科学分工

大小模型架构的协同，有两个主要优势。首先就是缓解幻觉问题，比如在数据分析的场景下，数势科技通过大小模型协同，以及指标语义层的配合，能够有效解决取数的幻觉问题。“用户用自然语言描述需求，大模型做意图解析，把任务分拆底层的指标语义匹配，到指标引擎执行是小模型去做的。这种方式既可以发挥大模型对于语义理解的优势，又能够通过指标语义以及归因小模型的配合，让数据查询准确率更高，生成报表的准确率也更高” 岑润哲表示。

大小模型的协同还有一个重要优势，就是成本。小模型在聚类分析等任务上效率高、准确率高并且成本较低，语义深度理解、跨上下文关联则是大模型的强项。大小模型的协作，能达到效果与性价比的平衡。

“场景决定了模型的配置。” 容联云大模型产品负责人唐兴才表示。

以智能客服为例，在618或者双十一期间，银行客服会迎来用户咨询的高峰。如果用户咨询的是常规话题，就可以用小模型解决：去FAQ库快速匹配。如果遇到的是非常规问题，就结合大模型做上下文语义理解和个性化回复。同时，常规与不常规不是一成不变的。“比如我们利用模型帮助银行优化，其中30%的客户问题是非常规问题，系统会分析其共性规律、并形成标准应对话术，经人工审核后纳入FAQ库，这样一来非常规的问题就变成了常规问题。循环往复之下，系统的“常规问题”会越来越丰富，效率会形成滚动提升的态势。”容联云大模型负责人唐兴才说。

3、嵌入场景：不是“AI+业务”，而是“业务×AI”

不要让AI成为你唯一的焦点，它只是手段，而不是目的。

这是天创信用赵千里对大模型应用的一个观点。“想要大模型发挥作用，必须将它嵌入到银行业务流程之中，除了AI之外，包括大数据分析、规则引擎、甚至人的经验都要充分结合”。

赵千里举了一个案例，这是在营销场景上，天创信用为银行提供的方案。天创信用首先利用大数据建模，构建营销意向分对客户分层，识别出高潜力客户。把潜在用户吸引过来后，再结合大模型制定触达策略，完成客户转化。

“传统营销策略比较依赖人工，规则也比较简单。在生成阶段，我们正探索大模型生成策略的模式。利用大模型在短时间批量生成营销策略，我们再利用对照组反复验证和迭代优化，经过筛选，最终沉淀出一批最优策略。在执行阶段，利用大模型优化营销话术，针对不同客户群体的特征，精准制定触达渠道、话术、态度等策略，推动客户的转化效率”。

嵌入场景并非只是在单一的封闭空间内展开，在一个开放的生态中，大模型也能有机的融合进去。

天创信用以地方产业园为抓手，比如长沙高新区，把不同类型的几万家企业聚拢在一起，与当地的银行合作，打造园区的信用管理平台，用智能手段为中小企业做信用的量化评估。

中小企业融资是世界性难题，中小企业数据散、小、乱，缺乏完整的财务信息。天创信用通过打造数据生态，把不同数据源的数据如税务、发票，销售数据，水电数据等，聚拢在一起。同时，小微企业还有很多非结构化的数据，例如手写的票据、纸质凭证。基于大模型和智能风控手段，能够高效识别、整合和挖掘这些结构化和非结构化的数据，形成企业动态更新的信用报告和信用评级。基于平台，跟当地的金融机构如浦发银行的长沙分行合作，用信用架起企业和金融机构合作的桥梁。

4、智能体框架：不只把它看成工具，要把它当成同事

Deepseek是一个转折点。此前很多银行和科技公司不惜重金投向模型层面，但Deepseek问世后很多机构纷纷转向：当下最重要的是让大模型更好发挥价值，而不是打造一个更好的大模型。

AI Agent成为了大模型落地银行业务的新枢纽。国有大行投入百亿级资金自研大模型，如工商银行企业级千亿金融大模型“工银智涌”，赋能20多类业务、200余个场景。为每个岗位打造专属AI助手，构建端到端的一体化智能体生态。交通银行打造设计中心、知识中心等五大功能模块的智能体平台，支持自然语言交互和可视化“拖拉拽”模式编排智能体，还提供预制“横控链”“实时库”等。微众银行设计“多Agent协同”框架，通过任务分解解决大模型幻觉问题……

银行之所以加大智能体的应用，其本质在于智能体的核心价值。智能体的价值不仅在于单点工具替代，而是通过任务分解、多智能体协作与工具调用，实现技术与业务的匹配。同时还能激活“知识”这样的隐形资产，解决大模型的幻觉问题。

诸葛智能的智能业务分析一本通DataInsight Agent，基于用户行为与业务数据，融合预训练行业知识库，以及行业分析指标体系、历史最佳分析实践等，并通过监督微调、强化学习、自动标注实现持续进化，实现了从数据到洞察的自动化升级。

传统的数据分析工具依赖人工设置分析逻辑，而诸葛智能一本通首先对分析目标进行多维度拆解，确定关键分析节点；随后自动匹配适当的分析模型（如归因分析、聚类算法等），并在关键分析节点引入人为控制，整体目标和节点都会要求确认；最终根据业务场景需求，智能生成结构化报告（表格、摘要或可视化图表）。这种架构设计使智能体能够模拟专业分析师的核心工作流程。

“整个作业过程中，我们把智能体看做一个985的毕业生，是一个可塑之才。” 诸葛智能CTO文革表示。

诸葛智能从多个维度去训练这个“可塑之才”。

反馈闭环系统：银行的分析人员可对一本通输出的结果做校正，校正的过程，就是智能体学习的过程。循环往复之下，准确性会螺旋上升。同时，一本通会基于不同维度构建奖励评估数据，依靠大模型的自学习能力，人工对于不同结果的价值度进行奖励或放弃，智能体在这个基础上形成经验沉淀。在这种模式下，一本通事实上已经脱离了工具的属性。

语义对齐技术：企业内部懂科技又懂业务还对政策有关注的人少之又少，造成很多指标体系不统一，数据源口径不一致，这是可以统一后提效的。一本通基于大模型内置的行业知识和深度语义理解能力，会在业务员提出诉求的时候进一步确认分析结果和目标，实现指标和口径的对齐。

知识沉淀机制：一家上规模的商业银行，需要数百名分析师作为业务支撑，但是很多银行养不起这样一支奢侈的团队。在一本通的辅助下，不仅可以大幅增加分析师的作业效率，个体分析师的优化经验还可以横向复用到同类业务场景。比如说，某城商行业务分析员A，用诸葛智能的智能体做业务分析，但是分析结果出来后，跟业务人员的判断有一定的分歧，那么业务人员会做认可或不认可的标注、智能体会去捕捉行为并反哺到模型训练中。以后遇到同类型的问题的时候，就能接收优化后的结果了。

当 AI 成为“数字员工”，

银行智能化的范式将如何改写？

当前，大模型在银行的渗透速度非常快，越来越多的银行将AI大模型应用到核心业务中。银行正在努力摆脱对单一大模型的依赖，将目光放在构建“自主平台+场景深耕+生态共建”三位一体的AI赋能体系上。一些新的合作模式正在悄然发生。

银行与科技服务商的关系，不再是简单的甲乙两方。大模型需要不断迭代，更多数据的训练，在场景落地反馈，进而形成一种循环。而且，大模型的迭代速度更快，传统软件的迭代周期是以半年计，大模型则是以月为单位快速进化，在这种高频率、强交互的模式下，科技企业与银行会形成一种共生关系。

同时，智能体在银行的应用正在会从单一智能体向智能体群进化。比如说，数势科技提供的是数据分析智能体，天创信用提供风控智能体，容联云提供质检智能体、诸葛智能提供的分析智能体。各家提供的都是独立的一套系统，将来势必要整合在一起，就像复杂的工作需要多人的协作一样，复杂任务也需要多个智能体分工配合。A智能体的记忆可以被分享和传递到B和C，C智能体遇到的问题可能反馈给D，形成"任务接力"的机制。

面对新的发展形势，银行都要完成一次思维的升级，智能体不单是一个工具，我们要把它当“人”看。银行要把智能体当成刚入职的“数字员工”，银行要做的不是“买软件”，而是招一个持续成长的"数据员工"：

·给他配电脑（算力）；

·带他熟悉业务（数据、场景）；

·给他定KPI（价值评估）；

·允许他犯错、持续培训（迭代优化）。

而科技公司的角色则变成了培养数字人才的大学，为银行提供985级别的"数字人才"，并告诉银行这名“数字员工”的能力边界在哪，有哪些潜力可挖，用什么方式去更好地训练这名员工。

在收费模式上，我们也可以大胆做个猜想。当前比较流行的项目制、SaaS收费模式可能会慢慢转向"员工租赁+能力订阅"，价值评估标准从功能实现变为价值实现。

在将来，智能体作为新一代的打工人，不仅要为效率负责，还要直接为收益负责。这也将是银行选择合作伙伴或技术产品的重要衡量标准。