285亿砸向AI,工行算清这笔账了吗?
一、三大考题
深圳,APEC工商领导人峰会。
中国工商银行董事长廖林没有站在展台前展示产品,而是抛出了三个问题——技术能否提高生产力?能否改善风险管理?投入能否持续?
这并非学术讨论。工行的答案直接体现在真金白银上:2025年金融科技投入285.88亿元。
这个数字意味着什么?如果把一家中型股份制银行的年度净利润换算成科技投入,工行几乎把半条命交给了AI和数字化系统。更直观的比较是:它超过了绝大多数A股科技公司全年的研发投入总额。
但问题来了——投了这么多,钱去哪了?赚回来了吗?
二、规模已经不小
工行的回答是:先看规模,再说回报。
在金融市场交易领域,智能对话交易系统覆盖了从客户准入到风险敞口管理的全流程。智能询价交易比率超过96%——这意味着绝大部分固定收益类交易不再依赖人工逐单询价,而是由AI自动生成报价并完成撮合。
在客户服务端,“工小财”面向个人客户经理提供服务,2025年上半年累计调用超2200万次。每个客户经理每天面对的不再是几个重点客户,而是数百个潜在需求的实时响应请求。
在信贷审查环节,“工小审”辅助信贷审批涉及的信贷金额超万亿元。对于一家资产规模突破40万亿元的银行来说,万亿级的自动化预审量是一个不可忽视的业务体量。
更重要的是底层平台——“工银智涌”大模型已落地600余个应用场景,覆盖业务前端到后台管理的多个环节。AI数字员工承担的等效工作量相当于5.5万个全职岗位。
横向对标来看,招商银行同期(2025年上半年)披露其AI替代的等效人工工时为1388万小时——约合630个全年满负荷运行的全职人力。两个数字放在一起看,工行在应用规模上的领先程度一目了然。
三、为什么算不清账
规模令人瞩目,但财务回报的清晰度却远低于预期。
第一个难题:替代效应不等于成本节约。
5.5万人年的AI承担工作量,听起来像是省下了大量人力成本。但实际上,银行不可能因此裁减5.5万个岗位。更多情况下,腾出的工时被重新分配到新的业务线上——比如客户经理从繁琐的数据录入中解放出来,去开拓更多的零售客户。这意味着节省下来的是时间成本而非直接的薪资支出。
第二个难题:模型开发和运维成本不透明。
285.88亿元的金融科技投入中,有多少是硬件采购、多少是软件采购、多少是大模型训练推理费用、多少是日常运维?财报层面通常只给出一个总数。而大模型的持续迭代需要不断购入算力资源,这部分成本随使用时间线性增长,且与使用频率成正比——用得越多,花钱越多。
第三个难题:效益归属难以隔离。
当一笔贷款的审批速度从三天缩短到三小时,是因为AI快了,还是因为之前的人工流程本来就低效?当智能询价让某笔交易的执行价格优化了5个基点,这个超额收益应该归因于交易员的经验、市场的波动,还是算法的优势?在多因素叠加的业务场景里,很难给AI单独算出一本利润账。
这也正是廖林第三题的核心——“投入能否持续”。不是技术不可行,而是商业账本尚未闭环。
四、谁在买单
回到最初的疑问:285亿砸下去,有没有赚到钱?
答案是模糊的。工行目前公开的成效主要体现在应用规模和业务流程提效上,但要算清财务回报,还要看腾出的工时带来了多少新增业务或实际成本节约,以及模型开发和运行花了多少钱——原文也承认这一口径的缺失。
不过可以观察到一条清晰的趋势:银行正在用技术手段对冲传统业务的利润率收窄压力。
利率市场化推进下,存贷利差持续压缩。工行2025年的净息差大概率延续了近年来的下行趋势——行业普遍在1.5%-1.7%区间徘徊。在这样的背景下,通过AI降低运营成本、提高单笔业务的处理效率,就成了维持利润空间的必要动作。
换句话说,投AI不是为了“赚更多”,而是为了“亏得更少”、活得更有底气。
五、治理新命题
另一个值得关注的信号来自行长刘珺的观点。她在外滩年会上提出:需要回答一个新的问题——怎么判断AI模型本身是否可信?
她的建议是把AI视为类人准法律主体,将运行记录纳入统一治理框架以追溯核验。业务分工的原则也很明确:高度依赖数据的流程给AI更多自主权,直接面对客户的重大决定仍由人把关,涉及较大风险敞口的定价业务需人工从一开始参与。
责任归属的逻辑简单而务实:工行部署了AI、收益计入了报表,相应责任也由工行承担。
这句话的背后是对风险的清醒认知——如果AI在信贷审查中放过了不该放的贷款,或者在交易中给出了错误的报价,最终买单的还是银行自己。监管层对于AI在金融领域的应用态度也在逐步收紧,2026年以来多份文件都强调了算法可解释性和人类监督的重要性。
六、接下来关注什么
对于投资者和行业观察者来说,有几个关键指标值得持续追踪:
第一,AI相关支出的明细拆解。 未来如果能看到285.88亿的构成比例(硬件vs软件vs运维vs研发),就能更准确地评估投入效率。
第二,单位业务成本的下降幅度。 每笔信贷审批的平均耗时、每万元交易额的处理成本、每个客户经理管理的客户数量变化——这些微观指标比总量更有说服力。
第三,坏账率的结构性变化。 如果AI风控确实有效,应该在不良贷款生成率上有所体现,尤其是在小微贷和消费贷等标准化程度较高的品类中。
第四,同业竞争格局的演变。 目前仅能看到招行公开了等效工时数据,建行、中行、农行等大行何时公布类似指标?谁跑得更快?
第五,合规边界的确定。 刘珺提出的“类人准法律主体”思路是否会演变为行业通用标准?这将直接影响AI应用的授权范围和风险承担机制。