日均词元消耗涨18倍，银行晒出的AI账单值不值？
“token”出现在银行半年报正文里，今年还是头一回。
江苏银行披露，上半年全行日均token（词元）使用量较2025年末增长18倍；招商银行披露，上半年日均tokens吞吐较上年增长超78%，其首席信息官周天虹在6月底股东会上给出的另一个数字是，招行日均token消耗量已达330亿；平安银行大模型日均词元消耗量超过53亿，同比增长约130%；邮储银行日均交互词元超百亿。
词元是大模型读写信息的基本计量单位，一次AI调用要消耗多少词元，粗略可以理解为模型“读了多少字、写了多少字”。这些数字看着像一份成绩单，但它计量的是“用了多少”，不是“赚了多少”。招商银行行长王小青在8月31日业绩说明会上把这层意思说得很直白：智能化带来的机遇，“可能不一定直接体现在财务报表上的收益，甚至阶段性地体现为支出和成本。”
银行为什么突然集体把技术指标写进财报，这些增长数字为什么不能互相比，比完之后又能看出什么——这才是词元进半年报真正值得拆解的部分。
一个后台监控数字，为什么挤进了财报正文
过去，词元消耗量只躺在银行科技部门的监控系统里，它属于运维指标，和CPU占用率、接口响应时长一个层级。今年它被批量搬进财报正文，本身就是一个动作。
直接的背景是命名与定位变化。2026年3月，国家数据局将token正式定名为“词元”，把它确立为数据要素价值释放的新计量单位，使其成为连接数据、算力与模型服务的标准化计量单位，AI服务的投入产出比由此可以被量化、被审计。有了统一的官方口径，银行才有一个可以对外讲的“通用语言”。
更现实的原因是报表上缺一个成长指标。息差、中间业务收入、不良率这些传统科目，很难讲出技术故事；而“落地多少个AI场景”这种叙述，在连年披露之后已经失去区分度。词元消耗量的好处在于它是行为数据——员工真的在用、系统真的在调，才会产生消耗。它比场景数量更难造假，也更像“使用强度”的证明。
但同一枚硬币的另一面是：每一次AI调用都按词元计费，员工用得越勤、场景铺得越广，账单越厚。银行在披露这个指标时，交出的既是成绩，也是一张尚未给出总额的开销单。
18倍、130%、78%，三条曲线不在同一把尺子上
把这几家银行的数字摆在一起，最容易犯的错误是直接排序。它们用的基准并不相同。
平安银行的“同比增长约130%”，比的是2026年上半年与2025年上半年的日均水平，基数是一整年的平均值，已经不算低。招商银行的“日均tokens吞吐较上年增长超78%”，同样是一个跨年度均值口径。而江苏银行的“较2025年末增长18倍”，比较对象是一个年末时点值：时点基数容易被一次性部署、模型切换等因素压低，用半年后的日均去除以一个年末当日的数字，倍数天然会被放大。江苏银行同时披露，上半年部署了从十亿级到万亿级的15种模型，并用量化压缩、分时调度等机制实现单卡运行千亿参数模型，以提升整体token输出效率——这本身也说明其词元规模仍在快速重建基数的阶段。
还有两类银行干脆不给增幅。邮储银行给出绝对量（日均交互词元超百亿）和场景数（超370个）；工商银行副行长赵桂德在中期业绩说明会上表示，“工银智涌”大模型已在多个领域落地600余个场景，“Token使用量保持领先”，但未给出具体数值。
绝对量之间的差距同样需要谨慎解读。招行330亿与平安53亿相差近六倍，这更可能来自统计范围不同——是否只计自研大模型、是否包含语音与图像多模态调用、是否覆盖全行所有条线——而不宜直接读成两家银行AI能力的差距。在各行口径未统一之前，跨行比较词元消耗量，参考意义有限。
快25倍的那个环节，不是储户排队的柜台
更值得看的，是词元到底换来了什么。把各行披露的效果数字摊开，会发现一个共同特征：真正被量化的提速，大多发生在客户看不见的中后台。
工商银行半年报“AI赋能，重塑业务见实效”专栏中，“单笔处理速度较人工快25倍”出自运行管理领域——深化大模型多模态能力融合应用，贯通集约运营“录入、授权、审核、抽检”全链路，构建凭证全字段要素识别能力。也就是说，这25倍说的是后台凭证处理效率，而非储户在网点柜台前的等待时长被压缩了25倍。
同一逻辑下，工行在私人银行建设AI原生的综合金融服务智能体，客户综合化、个性化服务方案生成时效由5天降至3小时；在内控合规领域打造“AI智审”，上半年辅助合规审查人员风险揭示能力提升130%。邮储银行在自助设备应用数字人辅助人工业务审核，人工作业效率提升40%；平安银行借助AI优化跨境业务流程，6月末放款效率较上年末提升约30%。
这些环节有一个共同点：劳动密集、规则清晰、文本量大，恰好是大模型最擅长啮的题型。它们的收益落在人力工时与处理时效上，不直接生成中间业务收入，在利润表上往往表现为成本端的变化，甚至在报表科目上难以单独辨认。这也解释了为什么词元消耗涨得比报表上的收益快得多。
唯一一份“人力账单”，分母还是空的
行业里目前最接近“价值兑现”的表述，来自招商银行半年报给出的首份等效工时账单：AI提效带来1388万小时等效人工工时贡献。同时，招行在零售金融、批发金融、风控、运营、办公等领域落地智能化场景1386个，较上年末增长62%；落地领域模型256个，较上年末增长40%。
这仍是这份账单里最有信息量、也最不完整的一个数字。1388万小时是上半年贡献还是累计贡献、按什么工时标准折算、折算时是否扣除模型运维成本，披露文本中都没有给出答案。而与之配对的另一个数字——算力采购、模型训练与运维、技术人员投入这些花了多少钱——同样没有出现在这份半年报里。
分子分母都缺一半，投入产出比就算不出来。词元消耗量衡量的是投入强度，不是价值兑现，烧得多不等于烧得值。市场真正需要的，是下一次披露里能同时看到“消耗多少”和“省下多少、赚了多少”。
接下来值得盯的三个信号
第一个是口径。2026年年报中，各行是继续披露词元，还是改换一个说法；是统一成同比、较上年末，还是给出日均绝对值。一个指标能否活过两个报告期，往往能说明它到底是管理层真实的经营抓手，还是阶段性的一次性叙事。
第二个是成本配对。是否有银行开始同时披露AI相关的算力与人力投入金额，或者把等效工时进一步折算成人工成本节约。只要出现一对能相互勾稽的数字，银行AI的估值逻辑就会从“讲故事”切换到“算账”。
第三个是场景迁移。目前所有可量化的效果集中在凭证、单证、合规审查、方案生成等中后台环节，随着词元消耗继续放量，模型会向信贷审批、智能客服、营销触达等直接对客、直接影响风险敞口的环节渗透。那里既可能产出更大的收入弹性，也会把模型误判、客户投诉与合规责任这类问题第一次真正摆到台面上。
词元登上财报，是银行给AI找到的进度条，还称不上结账单。判断这笔投入值不值，还得等下一份账单。