导语：工商银行在最新业绩发布会上披露，其自研大模型“工银灵眸”已深入信贷审批、智能运营等超百个场景，标志着AI已从银行业的辅助工具，升级为驱动核心业务的生产力引擎。
工商银行在2026年3月下旬的业绩发布会上披露，其“数智工行”建设已进入规模化落地阶段。截至2025年末，工行AI应用场景突破500个，覆盖30余个业务领域；其智能风控系统同年拦截电信诈骗资金14.52亿元。这些进展共同揭示了AI角色的深刻转变：它正从流程自动化的“效率工具”，转变为直接参与信用定价、客户经营与风险抵御的“核心生产力”。这一转变如何发生？应用模式有何新特征？商业效能怎样？又面临哪些深层约束？
从“数字”到“数智”的战略跃迁
银行对AI的价值定位已经改变。在2023年及更早，AI的应用大多停留在智能客服、OCR识别等环节，主要目的在于降低运营成本。变化的节点出现在2025年。在2026年3月的业绩发布会上，工商银行副行长赵桂德明确将“数智化转型”定位为全行发展的战略核心，强调其是“必答题”和“战略选择”。这意味着战略重心从“线上化与自动化”，转向“数据驱动”与“智能决策”。
这一战略转向，迅速反映在资源投入的轨迹上。2025年，工行金融科技投入高达285.88亿元。头部银行的具体动作与之同步。建设银行2025年年报披露，其AI大模型技术已规模化赋能近400个场景；招商银行持续加码“AI Bank”建设，2025年信息科技投入达129.01亿元。持续加大的投入，共同标示了AI从“试水”走向“深耕”的发展路径。
进入2026年，政策层面为这一趋势提供了更明确的背书。2026年3月12日，中国人民银行召开年度科技工作会议，首次明确将“深化业技融合，积极稳妥、安全有序推进金融领域人工智能应用”作为年度科技工作主线。这一政策定调标志着金融AI正式从“试点探索”进入“规模化规范应用”新阶段。与此呼应，工商银行在2026年经营管理工作会议中进一步提出“升级打造数智工行，增强数智化动能”。
从“点状应用”到“系统整合”的范式转换
战略升级驱动了应用模式的变革。早期，AI在银行内部呈“点状”分布，场景间数据与模型各自为政。如今，头部银行正构建企业级AI平台，旨在实现“系统整合”与“规模复用”。工行那“500多个应用场景”，背后并非散落孤岛，而是统一在“工银图灵”机器学习平台和“灵眸”大模型构成的体系之下。
平台化能力让AI得以贯通跨业务线的复杂场景。在营销端，AI模型能融合客户多维数据，实现“千人千面”推荐，智能营销的转化效果显著优于传统方式。在风控端，智能反欺诈系统实时分析交易流水、设备、位置、行为序列等上千个特征，精准识别风险。在运营端，AI的触角伸得更远。一笔小微企业贷款申请，过去抵押物评估可能需要数天，现在通过AI图像识别与估值模型远程初评，效率得到大幅提升。从“单点提效”到“全局优化”，AI的价值得以在更广范围内实现。
平台化建设正在催生新的技术架构与载体。工行已建成“训推一体AI算力底座”，并建立了企业级智能体平台。在近期的行业展会上，工行亮相的轮式具身智能机器人，深度接入了“工小证智能体”，实现了机器人与自助终端的全链路业务协同。这标志着AI的物理载体与数字服务开始深度融合，应用边界进一步拓宽。
从“工具”到“生产力”的效能革命
当AI深度嵌入核心业务流程，它的角色便从“工具”转变为“生产力”的一部分，开始直接创造收入和抵御风险。其效能革命体现在两个核心维度。
在收入端，财富管理是引擎被“强化”的典型。招商银行持续升级“AI小招”智能服务，使其从财富场景拓展至“存贷汇”全场景，其生成的资产配置建议获得了较高的客户采纳率，显著优化了客户体验与服务效率。在风险与成本端，AI的作用在于“压降”。工行等银行的AI模型能分析企业数百个弱变量数据，从而更精准地识别“灰度地带”客户的风险，在控制风险的前提下有效扩大了信贷服务的覆盖面。
毕马威在2026年初的展望报告中分析，成功规模化应用AI的银行，其运营成本收入比有望在未来三年内累计优化2-3个百分点，而风险成本的节约效果更为明确。按此趋势推算，AI对银行财务指标的改善潜力巨大。
尽管效能趋势明确，一个可能的质疑是：这些提升是否足以支撑“AI已成为核心生产力”的论断，还是仅仅停留在“效率工具”层面？对此，英伟达2026年3月的全球调查提供了更广泛的佐证。数据显示，在积极使用AI的金融机构中，高达89%的机构报告AI同时帮助增加了年收入和降低了年成本。具体来看，多数受访者表示AI对收入和成本均有超过5%的改善。这些数据表明，AI对财务指标的正面影响已成为行业普遍现象。另一个关于应用广度的质疑，也被行业数据所回应。据威科集团2026年报告，约61%的金融机构已在生产环境使用或试点AI，表明应用已具备相当广度。因此，“生产力”的论断建立在头部银行深度实践与行业普遍趋势的双重基础之上。
未来挑战：数据、人才、风险与质疑的“三重门”
银行业AI的规模化深耕仍面临外部审视与内部的约束。市场对这场转型的投入产出与潜在风险存有疑虑。一种观点认为，巨额投资可能陷入“军备竞赛”，难以短期内兑现清晰财务回报。毕马威报告亦警告，模型风险、算法偏见及“黑箱”决策可能成为金融机构下一阶段操作风险的主要来源。
面对关于“投入产出”的质疑，银行的回应在于具体的业务指标。工行AI场景的规模化落地、智能风控拦截资金的显著增长，构成了投入的直接价值注解。真正的挑战，在于将技术效能无损耗地转化为财务成果，这需要更精细的业务与财务核算体系。
除此之外，内在的“三重门”约束更为紧迫。首要是数据治理。AI模型的效果严重依赖数据质量与融合能力。现实是，银行内部对公、零售、金融市场等业务条线的数据孤岛依然存在；外部数据合规引入成本高昂。这直接制约了AI模型效果的进一步提升。其次是复合型人才短缺。“双栖”人才稀缺导致部分AI项目与业务需求脱节。最后是模型风险与伦理的实质性管理。AI决策的“黑箱”特性、潜在的算法偏见已引起监管关注。
监管框架正在快速细化，对AI应用的合规要求日趋具体。2026年4月10日，国家互联网信息办公室等五部门联合发布《人工智能拟人化互动服务管理暂行办法》。这为银行在利用AI提升客户体验的同时，如何平衡创新与个人信息保护、数据安全，划定了更清晰的合规边界。与此同时，香港金融管理局于2026年3月推出“生成式人工智能(GenA.I.)沙盒++”。国内外监管机构同步推进“监管沙盒”与“明确底线”，显示出对金融AI创新“鼓励”与“规范”并行的监管思路。能否跨越外部质疑与内在约束的“三重门”，将决定银行AI转型的最终深度、安全边界与商业成色。
工行超500个AI应用场景的落地，不仅是一个数字里程碑，更标示了银行业竞争逻辑的深刻转向。决定未来银行竞争力的关键，正从传统的资本与网点规模，转向对数据资产的高效运营、对智能模型的深度应用，以及对AI自身风险的审慎驾驭。这要求银行必须打破内部数据孤岛，构建企业级的AI平台与治理体系，在创新“沙盒”与合规底线间找到平衡。这场“数智化”转型已步入“深水区”，其成败将取决于银行能否在战略、组织与风控上完成一场深刻的系统性重塑。对于所有市场参与者而言，关于“智能生产力”的竞赛，规则已然改变。
