转自：中国经营网

中经记者 张漫游 北京报道

8月19日，江苏银行披露2026年半年报，一组AI应用数据引发市场关注：该行已部署从十亿级到万亿级的15种模型；推出八大数字行员助手，将AI技术深度嵌入审批辅助全流程，实现智能尽调与自动核验，推动中小企业线下授信审批时间缩短30%；日均Token使用量较2025年年末增长18倍，各类AI应用累计替代120万工时。

今年以来，头部城商行在AI领域的投入明显提速，从模型部署到流程嵌入，从算力调度到价值评估。多位业内人士向《中国经营报》记者表示，城商行AI应用正从“试点验证”进入“规模化铺开”阶段，下一阶段的竞争焦点将从“谁部署得多”转向“谁用得更精、产出更高”。

头部城商行AI落地提速

江苏银行半年报披露的数据，为观察城商行AI应用进度提供了一个窗口。

天府立言金融研究院院长曾刚向记者分析称，江苏银行日均Token半年增长18倍，代表头部城商行大模型从试点测试转向业务规模化落地。在他看来，过去大模型建设主要集中在国有大行与头部股份行，如今头部城商行依托自身数据底座，把大模型嵌入授信审批、风控、内部运营等高频业务，数字行员大量上岗带来调用量爆发。“这也意味着AI不再仅仅是大行的专属技术优势，优质城商行借助本地化场景优势，正在努力缩小与头部机构之间的智能化代差。”

从行业格局看，城商行AI应用的提速正在改变银行业的AI梯队结构。曾刚指出，对比国有大行数百亿级的日均Token消耗，城商行绝对体量仍存在明显差距，但快速追赶的态势反映出银行业AI应用的梯队格局正在发生变化。

IDC中国研究经理思二勋也向记者表示，江苏银行Token消耗量半年18倍的增速本质上是低基数下，核心业务场景快速渗透带来了高弹性增长，是头部城商行AI落地从“试点验证”进入“规模化铺开”阶段的典型表现。“Token是大模型推理的核心计量单位，其消耗量级直接对应算力需求的规模、架构与成本模式，百亿级与亿级的差距绝非简单的数字倍数，而是算力体系的代际差异。首先，日均百亿级的Token消耗量通常需自建千卡级GPU算力集群，配套独立的算力中心、高速网络与分布式存储体系，单年算力基建投入可达数亿至十几亿元，属于重资产投入，而这往往是头部大行的‘游戏’。而城商行亿级用量仅需数十至百卡级算力规模即可覆盖，多数机构以‘公有云API采购+少量关键场景本地化部署’，算力年投入多在千万级，无须建设独立算力中心，投入门槛和资产重量远低于头部银行。”

从“模型数量”到“业务产出” 竞争逻辑生变

Token消耗量的快速攀升，是否等同于业务价值的同步提升？对此，受访人士均认为不等同。

易观千帆金融行业咨询专家陈毛川认为，在看增速的同时，更应关注模型是否真正嵌入了业务流程、创造了可量化的业务价值。

思二勋也认为，Token能够衡量AI消耗了多少，却无法衡量AI完成了什么。

陈毛川判断，模型数量解决的是“有没有”的问题，下一阶段解决的是“用得好不好、有没有价值”的问题。他梳理出四个竞争焦点：一是模型编排能力，即多模型路由与分级调度能力，高频低价值任务交给轻量模型，复杂推理才调用大参数模型；二是流程级智能体深度，竞争单位从场景个数变成对核心业务流程的重塑深度；三是数据资产与知识工程，模型可以买、可以开源，但本行的信贷经验、区域产业认知、客户行为数据买不来；四是评测与治理体系，在监管明确“谁使用、谁负责”的背景下，谁能建立可量化、可审计的模型评测与合规治理框架，谁就能跑得更快。

思二勋进一步指出，当前银行业AI正从规模化铺设转向价值深耕阶段，日活智能体数（DAA）是穿透AI真实生产能力、衔接技术投入与业务价值的核心中间指标。“DAA上承Token资源投入，下接有效任务产出，可以衍生出‘单DAA日均Token消耗’‘单DAA日均有效任务量’等效率指标，精准衡量AI资源的使用效率。”他补充说，DAA可以按部门、岗位、核心业务流程拆解，让AI从科技部门的技术指标变成经营管理层可理解的“数字劳动力”指标，直接关联到组织分工与业务产能。

在成本管控层面，曾刚提醒，Token调用量快速攀升带来算力成本上涨，银行不能简单依靠限制调用抑制业务发展，需要通过技术优化、分级调度、预算管控实现成本与业务价值的平衡。他建议机构采用大小模型分级调度，简单办公、文本处理任务调用轻量小模型，高风险信贷、投研场景才启用高性能大模型，同时通过缓存、提示词优化削减无效Token输出。“成本管控的合理边界，核心是算力投入要和业务收益相匹配，不能单纯追求调用规模。”他强调，一方面要设置部门级算力预算，把工时替代、效率提升、风险损失减少等收益纳入核算；另一方面，成本管控不能一刀切阻碍创新，对于普惠风控、审批提效这类高价值场景，应当预留合理算力空间。

对于资源禀赋有限的城商行，如何在有限的算力预算下找到投入产出比最优的场景？陈毛川向记者介绍了三条路径。一是按高频、人力密集、规则相对清晰、降本增效明显的特征筛选场景，例如信贷材料审查、尽调报告撰写、客服与外呼、公文纪要、贷后预警。二是建立AI项目ROI（投资回报率）前置评估机制，每个AI应用上线前明确测算预期工时节省、审批时效提升、不良压降、获客增量等可量化指标，上线后持续跟踪每万Token带来的业务收益，及时关停低效项目，动态把算力资源倾斜给效果好的应用。三是走垂直深耕的差异化路线。“城商行不用对标国有大行全场景铺开，立足自身区位优势，深耕本地中小微、产业金融、普惠业务，打造垂直领域AI能力，用更少算力在细分赛道做出深度。”

（编辑：杨井鑫 审核：何莎莎 校对：颜京宁）