界面新闻记者 | 安震

　　“这三版海报，你觉得哪版好看？”一银行宣传部门负责人向界面新闻记者发来该行重阳节宣传海报待选模版后问询道。

　　“第一个，暖一些。”

　　“1是我做的，2、3是设计公司做的。”该负责人不无自豪的向界面新闻记者展示她的人工智能（AI）应用成果。

　　这是AI应用对银行中后台渗透的一个缩影，效果显而易见。

　　另一银行宣传部门负责人对界面新闻记者透露，“用AI大模型制作宣传海报只需要几分钟，很多情况下不需要找外部供应商了，采购成本压缩了超过80%。”

　　不过，AI并不局限于做银行中后台的“辅助工具”，更进一步，是成为业务流程中的“参与者”。

　　与此同时，一个比“银行有多少AI场景”更现实的问题正在浮现：AI究竟可以替银行做什么？又有哪些事情还不能交给AI？

　　2026年6月18日，金融监管总局发布《关于银行业保险业人工智能安全开发应用的指导意见》（下称《意见》），从治理架构、数据安全、风险管理等方面明确金融机构人工智能应用的基本要求。

　　10月19日，工商银行行长刘珺在2026外滩年会上谈及银行AI应用时，直指问题核心：AI可以越来越像一个“员工”，但在法律责任、风险承担和最终决策层面，它目前仍然不是一个真正意义上的“责任主体”。

　　AI应用“遍地开花”

　　过去一年，银行业对AI的应用正在不断深化。

　　对公客户经理打开“访前一页纸”智能助手，输入一家企业名称，工商、股权、舆情、诉讼等信息自动汇总，访谈提纲、风险提示一并生成，原本要耗上数小时的访前准备，缩短至8分钟完成；

　　网点柜员遇到制度、产品细则疑问，直接调取行内AI助手，建行披露其网点问题AI助手覆盖率已经达到99.42%，日均访问量超10万人次；

　　上海银行同业存单AI机器人自动完成询价、报价、认购流程，累计处理询价消息2700余次，协助募集资金突破百亿元。

　　在信贷辅助场景，招商银行对外披露，小企业贷前尽调报告约90%基础工作量由AI完成，保函业务处理时间从30小时以上压缩至平均2.72小时，投标保函支持分钟级出函，贷后AI风险预警平均提前45天。

　　一位股份制银行人士向界面新闻举例，该行建设了基于大模型的消费者权益保护智审平台，将“AI智审前置，人工复核兜底”作为基本架构，针对信贷产品、代销理财和营销宣传材料进行智能审查。AI负责识别违规表述、匹配法律法规并生成修改意见，但审查人员仍然可以修改或者补充AI意见，最终专业判断权仍然掌握在人手中。该平台上线一年多后，AI意见已经覆盖90%的审查场景，单份文件审查时间从30分钟压缩至5分钟以内。

　　多位银行业人士对界面新闻表示，从目前落地情况来看，智能客服、营销推荐、风险预警、运营提效等非对客场景仍然是银行比较容易规模化推进的领域。

　　可以说，对于银行中后台部门，AI应用带来的效率提升和成本缩减效果是立竿见影的。

　　平安银行三季报披露，9月末累计落地大模型应用场景超500个，上线164个运营审核类智能体覆盖67个业务场景，平均运营作业效率提升约57%；数字员工平台注册用户破万，累计调用超730万次；第三季度日均词元消耗217亿，较上季度增长近三倍。

　　一位国有行管理层人士总结说：“上述场景的共同特征是，即使AI出现一定程度的错误，也通常还有人工核验或者后续纠偏空间，并不直接触及重大风险决策。与之对应的是信贷审批、资金交易、投资建议、价格管理等高风险环节。这些业务的共同特点是，一旦判断错误，影响的不再只是服务效率，还可能直接涉及客户财产权益、银行资产质量甚至金融市场稳定。”

　　深度介入业务流程，是AI应用的“前景”，但门槛是否完全可跨越仍是未知数。

　　“监管对于对客业务的AI应用始终是鼓励多做尝试，但审慎大范围推广。据我所知，一些头部银行开发了基于本行的对客金融大模型，可以完成对客理财配置建议购买等全流程服务，但还未获得监管批复。”有银行人士对界面新闻透露。

　　一位银行业人士对界面新闻表示，银行内部实际上已经开始按照业务风险对AI进行分层。低风险场景可以更多采用自动化方式；中风险场景由AI先给出建议，再由人工审核；对于高风险业务，则应由人工完成最终决策，AI更多承担信息整理、数据分析和辅助研判工作。

　　显然，AI应用深入高风险业务并不容易。

　　AI应用有哪些“天花板”？

　　风险考量之外，责任如何认定是AI应用的另一道门槛。

　　过去银行使用信息系统，责任链条相对清晰。系统只是工具，员工按照制度和流程操作，最终责任仍然落在人身上。但当AI开始具备自主生成、判断甚至调用系统执行任务的能力之后，传统的“工具和使用者”的关系正在变得复杂。

　　刘珺在2026外滩年会上提出，AI进入金融业务之后，需要首先解决“身份”和“责任”问题。他认为，传统银行业务中，员工不能因为“系统不是自己开发的”而免责，但AI业务链条上可能同时涉及算法开发者、程序员、部署方、使用方以及最终用户，算法本身又具有一定程度的黑箱属性，因此责任认定和核实都更加困难。

　　一位银行软件开发人士向界面新闻举例，拿合同的合规审核来说，如果银行没有自研底层基座，由外部大模型厂商提供基础模型、外包算法团队做微调、银行合规部门标注训练样本、科技部负责行内部署、合规岗审核人员采信AI给出的修改意见，这个链条中涉及的权责主体非常多，排查到底是哪个环节出了问题非常难。

　　这也是为什么金融监管目前对AI应用采取了明显的分类管理思路。

　　金融监管总局6月18日发布的《意见》明确提出，金融机构应坚持“谁使用谁负责”，压实金融机构作为金融服务提供方和人工智能技术使用方的主体责任，同时强调分类分级管理。对于面向公众服务或者高风险场景使用生成式人工智能的，金融机构需要向金融监管总局或其派出机构报告。

　　这意味着，银行不能把AI当成一个外部供应商提供的“免责工具”。

　　一位银行业人士对界面新闻表示，对于银行而言，AI采购其实只是第一步，更重要的是明确模型进入业务后的责任链条，包括谁负责数据、谁负责模型、谁负责业务规则、谁审核AI输出、谁批准上线，以及发生异常后谁有权停止模型运行。

　　这也解释了为什么目前银行业更倾向于在相对可控的内部场景中推进AI。银行业对AI保持谨慎，最核心的原因并不是模型能力不够强，而是金融业务对确定性、稳定性和责任闭环的要求远高于普通商业场景。

　　事实上，除了业务应用本身的责任主体难以确认，银行目前在技术路线上的分化，也是应用落地需要审慎考虑的“天花板”。

　　有东部地区银行人士表示，在大模型应用选择上，银行大致分成了两种路径：

　　一部分银行选择与大型科技厂商合作，建立统一的大模型底座，再向不同金融场景进行微调；

　　另一部分银行则采取“百花齐放”的方式，由各业务条线自行试点不同模型，经过一到两年的市场验证后再考虑统一迁移。

　　前一种方式效率更高，但可能形成供应商绑定；后一种方式试错成本相对分散，却可能出现系统碎片化和重复建设。

　　上述人士坦言，对于大型银行而言，这实际上又增加了一层新的AI风险：技术依赖风险。如果一家银行的核心业务大量绑定某一家模型厂商，那么未来模型自身迭代能力、架构、价格体系、数据接口乃至技术路线发生变化，都可能反过来影响银行自身。

　　因此，AI时代银行需要管理的已经不只是模型“准不准”，还包括数据能否自主掌握、模型能否解释、供应商能否替换、系统能否迁移以及出现事故后责任能否追溯。

　　如果说第一阶段的银行AI竞争是“谁先把模型用起来”，第二阶段则更可能是“谁能把AI管起来”。

　　组织结构、业务流程重塑

　　再进一步，在探索银行的AI应用边界与天花板的同时，已然发生的是，AI应用正在重塑整个银行业务流程和组织架构。

　　农业银行董事长谷澍在2026金融街论坛年会上提出，数字技术正在推动金融经营模式从“串联运行、标准供给”转向“智能协同、场景定制”，风险管理从“经验判断、响应处置”转向“实时感知、主动干预”，金融生态则由以“人+渠道+资本”为核心，转向数据和算法发挥更重要作用的新生态。

　　前述银行管理层人士表示，此前银行数字化更多是把线下流程搬到线上，AI时代一个数字员工可以在多个系统之间调用数据、形成判断并推动流程向下一个环节运行。这显然意味着银行业务流程和组织结构的变化。

　　一位国有大行人士对界面新闻举例，过去风控条线，风险预警、材料整理、报告撰写、监管口径梳理等工作往往需要大量人工完成，其中相当一部分属于规则明确、流程标准化但耗时较长的工作。尽管核心授信判断仍然需要依赖从业人员的经验，但大模型明显压缩了这些环节的时间。

　　一位银行业人士认为，未来银行中后台大量岗位可能出现的变化，并不是简单意义上的“岗位消失”，而是岗位内部任务结构发生变化。AI可能承担绝大部分标准化事务，人则更多集中于少量复杂、高风险和需要沟通协调的事项。这也是为什么银行业AI应用不能简单用“替代多少人”来衡量。

　　一东部地区银行人士也认为，不同银行、同一银行内部不同部门之间，受到的冲击差异较大，以总行集中管理模式的银行为例，AI对总行人员的影响更大，分行受到的冲击相对有限。分行核心职能偏向营销获客；风控、合规、管理统计等大量可以被AI赋能的职能集中在总行，因此总行中后台岗位受AI的影响更突出。“大量人工处理的风险预警、方案撰写、口径梳理等重复性工作，过去需要多人耗时数天完成，借助大模型可以在短时间内输出初稿，极大压缩作业时间。但这并不代表核心风险审批岗位会被完全替代：关键授信、核心风险判断仍然依靠从业人员的专业经验”。

　　前述国有银行管理层人士也认为，AI确实会替代一部分简单重复工作，但客户经理维护客户信任、进行专业判断和提供情绪价值的能力并不会因此消失，反而可能随着基础事务被机器接管而变得更加重要。

　　目前一些银行已经开始从“模型建设”转向“企业级治理”。

　　建设银行董事长张金良披露，该行AI技术已经覆盖超过900个应用场景，但同时强调金融机构应统筹发展与安全，健全全生命周期治理体系，并强化核心技术自主可控。

　　银行软件开发人士对界面新闻表示，场景数量越来越多之后，银行最终需要建立的，是类似银行员工的“全生命周期管理”：上线前进行压力测试和风险评估，上线后持续监测模型表现，对数据、模型、提示词、知识库和调用权限进行审计，并建立异常情况下的人工接管和紧急停止机制。

　　多位业内人士表示，未来银行业真正成熟的AI模式，或许不是让AI完全替代人，而是让AI承担那些机器更擅长的工作，让人把精力重新集中到机器难以替代的判断、责任、信任和价值选择上。

　　当AI进入银行的速度越来越快，真正决定行业竞争力的，可能不再是谁拥有更多模型，而是谁能够率先建立一套清晰的边界：让AI在该自动化的地方充分自动化，在该辅助人的地方有效辅助，在必须由人承担责任的地方始终把决定权留在人手中。