当前，大模型技术发展呈现出基础资源跃迁、模型演进主线、应用场景深化、生态格局重构的四大趋势。银行业正以前所未有的决心和速度拥抱大模型技术，战略驱动与价值导向成为布局新兴AI场景的双轮驱动力。领先的金融机构已经意识到，人工智能的真正价值不仅在于降低成本，更在于通过提供智能化的产品和服务，无缝嵌入生态系统，从而以前所未有的方式吸引和服务客户，最终实现收入的增长。这种转变促使越来越多的银行采取“人工智能优先”的战略。

一、银行业大模型应用建设概况：能力渗透率显著提升，应用审慎推进

中国银行业在大模型落地应用方面走在前列，应用范围已经从国有大行、股份制银行迅速扩展到头部区域性银行。目前，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、后台均有正式投产的应用案例。国有大行凭借雄厚的资金与技术积累，更注重技术的全栈掌控，旨在通过构建自主可控的技术体系，满足自身多样化的业务需求，进而提升核心竞争力。在此过程中，他们积极与华为、清华、中科院等国内顶尖机构开展深度合作，共同推进计算资源、计算调度与模型能力的全栈信创建设；股份制银行则展现出更为灵活多样的建设模式，它们在探索的宽度与广度上均取得了显著进展；区域性银行虽然起步较晚，但基于战略与价值驱动的探索热情同样高涨。目前，约80%的区域性银行涉足大模型领域，多数仍处于实验室阶段或全行范围内的“Agent”demo竞比阶段，少数城商行在代码助手、知识库问答、智能问数等场景中进行小范围试点应用。

海外金融业，特别是美国金融机构，在AI大模型应用方面展现出更强的主动性和规模化落地能力，倾向于优先将大模型部署于核心业务场景，如智能定价、流动性管理等，并逐步拓展至内部运营。值得注意的是，部分美国银行已将大模型驱动的智能投顾等直接面向客户的服务嵌入业务流程，体现了基于人机协同的“技术直连用户”模式。总体而言，国际领先金融机构在大模型的应用广度与深度上已形成先发优势，更注重技术整合与业务创新的协同演进。

二、银行业大模型应用建设模式：以实际效益为导向，建设方式渐进收敛

面对大模型热潮，银行业正积极探索适合自身的应用建设模式，并呈现出以投入产出效率（ROI）为导向的渐进收敛趋势：聚焦能力建设方式、应用部署方式、应用落地路径三大领域，逐步形成了几种较为普遍且更注重实际效益的建设模式。

表1：大模型能力建设方式（以下建设方式亦可混合并行）

表2：大模型应用部署方式

面向应用落地路径，总体可分为模型训练、模型应用与模型协同。

表3：大模型应用落地路径

金融机构对模型协同的需求源于业务场景的差异化特性：

• 生成式模型的大小协同：在资讯摘要、格式文本生成等低复杂度场景中，70B参数模型凭借其快速响应与低成本优势，可覆盖90%以上的标准化需求。但当涉及投资策略推演、风险因子关联分析等高阶任务时，671B参数大模型展现出的深度推理能力和知识泛化优势。这种效能差异驱动机构构建弹性化的模型协同体系，既避免为简单任务过度配置计算资源，又能确保关键业务获得充足算力支持。
• 决策式模型与生成式模型的多模协同：在信用评分、高频交易等结构化数据处理场景，随机森林、梯度提升树等经典算法仍保持显著优势。通过构建混合模型协同框架，平台可将传统机器学习模型的精准特征提取能力与大模型的语义理解优势相结合，在舆情事件影响评估等复合型任务中，使分析结果的准确率大幅提升。这种多层次技术融合不仅突破单一模型的能力边界，更形成具备自我演进能力的智能生态系统。

三、银行业大模型应用建设全景：全面渗透金融业前中后台应用

大模型正全面渗透至银行业务的前、中、后台，带来前所未有的效率提升与创新突破，其应用实践呈现分层深化、增强融合与价值重构的特点。

图1：金融业大模型行业实践特征

四、银行业大模型应用路线：从效率提升工具逐步向价值创造引擎演进

尽管大模型应用正从效率提升工具向价值创造引擎演进，但场景落地仍面临核心制约因素，主要是“可控性”、“可解释性”与“投入产出比”。受此影响，当前趋近成熟的应用模式主要集中在“降本增效”（如办公管理）和“生产力革命”（如AI生成营销文案、分析报告等）；面向“流程重构”类，部分场景已经过验证且投产，部分场景仍处于探索的中间状态（如知识库问答类Agent、智能问数类Agent已经验证且投产，投研Agent、风控Agent仍处于探索阶段）；而涉及 “模式创新”及“颠覆性变革”的应用模式仍处于探索或未经验证阶段，银行业目前多在流程重构层面进行探索。

图2：大模型在金融业的应用路线图（截至2025.04）

五、银行业大模型的核心挑战与应对举措

尽管引入人工智能已被银行业广泛认可为提升运营效率和客户体验的关键驱动力，大模型技术正以颠覆性姿态重塑金融业态，但其落地过程面临多维挑战。

挑战一

高价值数据资源的碎片化沉淀与模型训练所需的规模化、高质量语料供给不足之间存在的失衡

银行数据常呈碎片化状态。结构化数据治理尚未与业务体系深入融合，海量贷款审批材料、贸易融资单据等非结构化数据价值未被充分释放，且缺乏面向复杂银行业务（如信贷审批逻辑、投资策略分析）的CoT（思维链）推理数据集。数据主权与合规风险更使跨机构及跨境数据共享受阻。这些因素共同导致AI模型在信贷风控、交易反欺诈等垂直领域性能受限，金融产品与服务创新滞后，并累积操作风险与合规风险 。

对策

规划建设“湖仓一体”平台整合账户、交易等多模态数据，推行主动数据治理；利用专家经验生成合成数据，为智能投研、反欺诈等领域建“场景化语料工厂”；积极采用联邦学习等隐私计算技术，在满足相关合规要求前提下，实现客户信用评估、风险联防联控等场景的“可用不可见”数据协作。

挑战二

金融机构在大模型应用上面临着战略规划不清晰和价值验证困难的双重挑战，导致资源浪费和投资失衡

头部银行呈现单点多头建设态势，扎根于技术视野过深，缺乏基于全盘数据资产、业务价值的全局化、系统化的路径设计，可重用组件的抽象与建设较为困难；中小银行则对技术与需求适配性缺乏判断力，且对AI如何深度赋能银行核心业务的规划尚不清晰。同时，由于大模型应用场景价值量化体系未成熟，算力等隐性成本高昂，且易忽视其在提升客户体验、优化风险管理体系等方面的长期战略价值。这导致AI项目可能重复建设，或因价值不明而投资失衡。

对策

从银行整体经营战略出发，制定与银行业务场景紧密结合的AI应用蓝图，同时按需选定建设模式与落地路径，以适度建设原则迭代投入；建立AI项目全生命周期成本核算与跨部门分摊机制，构建如信贷审批通过率、不良贷款率改善等量化效益评估指标。

挑战三

银行业务对低幻觉、强可控AI的严苛要求

银行业务对准确性要求极高，AI模型的“幻觉”问题后果严重。金融数据的专业性与复杂性、金融知识与监管政策的快速迭代、以及对跨账户、跨市场信息综合推理的困难，都加剧了AI幻觉风险，比如错误的授信决策、投资组合风险暴露即可引发资产损失、监管处罚和声誉危机。

对策

技术层面，采用RAG（检索增强生成）引入最新市场数据与监管政策；通过偏好对齐技术确保AI生成的内容符合金融法规；引入模型反思与协同策略提升分析准确性。同时以管理机制兜底，建立针对AI输出结果的多层次安全检查与人工审核机制，特别是在核心交易、大额授信等关键环节，形成“AI+人工”决策闭环。

挑战四

银行人才与组织敏捷性的新挑战

既懂AI算法又深谙银行风险管理、合规内控或特定金融产品的复合型人才稀缺。技术团队对银行核心业务逻辑理解不足，业务部门难以评估AI技术方案；组织层面，AI战略价值探索常缺乏强力跨部门统筹，场景价值的敏捷创新单元未有效建立。这些易造成人才结构失衡、敏捷能力缺失及项目失败率高升。

对策

推行技术与业务双向嵌入机制及产学研合作，培育复合型人才；重构敏捷组织，设立高层AI战略委员会，并在业务与科技间组建“场景突击队”或AI卓越中心（AICoE），针对具体业务痛点进行敏捷开发。同时采用MVP（最小可行产品）模式快速上线速赢场景核心功能，快速迭代优化。

六、展望未来，大模型将驱动银行业迎来范式革命，呈现五大趋势

1.专家级金融能力逐步下沉和普惠

开源生态加速技术民主化，金融大模型应用门槛降低，专家级金融能力下沉与普惠；例如：

• 复杂的投资研究分析、精密的风险建模、专业的合规文本解读，乃至高度定制化的财富管理策略，将借助大模型变得更加普及
• 先进且易于接入的AI模型将为小型机构乃至个人投资者提供前所未有的分析和决策支持工具。这将对依赖信息不对称和专家服务的传统盈利模式构成挑战，可能引发行业结构的深刻调整

2.人机协同深度融入金融运营与管理

AI驱动运营自动化与智能化升级，人类转向策略制定与决策监督，从业者需强化AI协作与伦理管理能力；例如：

• 在信贷审批、交易清算等核心流程中，AI将承担更多的数据处理、模式识别、风险评估和初步决策建议工作；在投资分析、风险预警、客户服务等领域，AI强大的数据处理和预测能力将为人类专家提供更精准、高效的决策支持
• 专注于设定目标、监督AI运行、处理异常情况、进行关键判断，并负责维护客户信任和伦理规范；人类独有的批判性思维、创造力、同理心、伦理判断以及建立信任关系的能力，其价值将更加凸显

3.金融产品与服务的“实时、动态、超个性化”

多模态大模型融合重构金融服务逻辑，服务范式从“功能实现”到“体验重构”跃迁，“数字员工”升级为“金融数字伙伴”；例如：

• 在远程视频服务中，结合声纹和行为分析辅助身份验证和风险评估；在智能投顾交互中，通过理解客户的语气和表达，动态调整沟通策略和产品推荐
• 投资组合则会随市场波动与投资者情绪变化自动再平衡
• 人格化的生态金融工具将使得数字人成为有温度的金融伙伴

4.“数据精炼”与“数据协同”成为AI应用核心竞争力

从“数据规模”到“数据价值密度”，通过构建领域知识图谱、优化特定任务数据集（如利用思维链CoT方法构建的推理数据集）等方式，提升数据的价值密度，使模型具备更强的专业知识和因果推理能力，同时优化算力效率，将真实数据与高质量合成数据的协同应用成为补充手段，以多模态数据协同增强综合分析能力，同时需保障数据价值挖掘与隐私保护的平衡。

5.监管科技升级与可信治理体系持续完善

AI对金融稳定性的影响已上升为全球监管重要议题，监管科技（RegTech）正围绕监管端能力升级形成新的发展路径，金融机构需要建立健全覆盖AI应用全生命周期的内部治理和风险管理体系。

然而，技术的进步必须与可信AI治理体系的建设同步，确保数据安全、算法透明、伦理合规将是银行业在应用AI过程中不可逾越的红线。银行业在推进“人工智能+”战略时，应深刻认识到这不仅是技术层面的革新，更是涉及战略重构、组织进化、数据要素治理与体系融合的系统工程。未来，随着多智能体等技术的渗透，大模型将逐步迈向人机共生的新范式，但其成功必然建立在跨学科、跨机构、跨监管的协同基石之上。

本文内容仅供一般参考用，并非针对任何个人或团体的个别或特定情况而提供。虽然我们已致力提供准确和及时的资料，但我们不能保证这些资料在阁下收取时或日后仍然准确。任何人士不应在没有详细考虑相关的情况及获取适当的专业意见下依据所载内容行事。本文所有提供的内容均不应被视为正式的审计、会计或法律建议。

©2025毕马威华振会计师事务所（特殊普通合伙）、毕马威企业咨询（中国）有限公司及毕马威会计师事务所，均是与毕马威国际有限公司（英国私营担保有限公司）相关联的独立成员所全球组织中的成员。毕马威国际及其关联实体不提供任何客户服务。各成员所均为各自独立的法律主体，其对自身描述亦是如此。毕马威华振会计师事务所（特殊普通合伙）——中国合伙制会计师事务所；毕马威企业咨询（中国）有限公司——中国有限责任公司；毕马威会计师事务所——香港合伙制事务所。版权所有，不得转载。毕马威的名称和标识均属于毕马威国际的商标或注册商标。