银行AI Token消耗激增：规模上去了，利润呢

2026年第三季度，中国主要商业银行的人工智能基础设施迎来了集体扩容。招商银行日均token消耗突破800亿，平安银行环比增长近3倍达到217亿，工商银行建成超6000卡的自主可控词元工厂日耗600亿——这些数字叠加起来意味着，仅头部四家银行的每日基础推理成本已达千亿级别。然而，尽管AI应用场景从客服扩展到授信尽调、放贷、风控等核心环节，累计落地数量从300多个跳到1500＋，各银行在前三季度财报中均未披露AI带来的明确降本增效金额。AI能力向财务价值的全面转化，比预期更为艰难。

从试水到标配：Token消耗的指数级跃升

token是大模型读写信息的基本计量单位，其消耗量直接衡量了银行在AI应用上的投入强度。从今年来看，这一指标经历了从个别披露到批量出现的转变。

今年中报季，token消耗量首次批量写进银行财报。招商银行半年报显示，上半年日均token吞吐较上年增长超78％，当时落地智能化场景1386个。到了11月3日的三季度业绩说明会上，招行数字金融发展办公室主任韦江波给出了更高数据：截至9月末，全行业务日均token规模超800亿，累计落地超1500个场景。

关键的变化节奏在环比数据中看得更清楚。今年5月底，招行首席信息官周天虹在股东大会上披露日均token消耗量为330亿。从330亿到800亿＋，一个多季度增长了约1．4倍。同期，平安银行三季报称，第三季度日均词元消耗量达217亿，较上季度增长近3倍；9月末累计落地大模型应用场景超500个，覆盖精准营销、智能投顾、合规风控、办公辅助等重点领域。

其他银行的增幅同样惊人。兴业银行官网9月末推文显示，全行日均词元调用量已达100亿，日均大模型调用接近500万次，运行中智能体超500个——而6月底股东大会上，该行提及的token日均消耗量仅为41亿，半年内翻了将近一倍半。邮储银行半年报透露已落地超370个大模型应用场景，日均交互token超百亿，副行长牛新庄预计在2026年底日均token吞吐量将超300亿。

工行的数据虽来自非财报口径，但方向一致。工行软件开发中心金融科技高级专家刘承岩在9月的署名文章中提到，目前工行已建成算力规模超6000卡的自主可控词元工厂，日均词元消耗量达600亿，较年初披露的百亿级大幅抬升。

千个场景落地后：效率提升的真实版图

token消耗狂飙的直接产物，是AI能力对银行业务流程的持续渗透。三家代表性银行的做法呈现出清晰的演进路径。

浦发银行的做法是最系统性的。该行表示，AI在高频业务中已成为稳定生产力。以AI智能体重塑流程范式，系统AI覆盖率达52％。科技金融“浦新贷”产品实现了财报智能识别和在线精准测额，将开户时间从天级缩短至小时级。前三季度，数字劳动力累计承担了4200人年的工作量。这个数字意味着什么——相当于每年节省了近4200个全职岗位的人效，但需要注意的是，这说的是“承担的工作量”而非直接节省的人力成本。

中信银行则在多个细分场景找到了突破口。AI理财助手推动产品筛选与营销物料制作效率提升了5倍；授信尽调报告生成助手使财报分析和行业分析的时长压缩了80％；综合运用“多模态大模型＋OCR＋规则引擎”组合迭代升级的“集中运营2．0”模式，让业务处理效率提升了超70％。该行还创设了柜面智能助手“智小营”，业务预审成功率达96．06％。

民生银行的策略则是把AI大模型规模化嵌入放款、外汇、对公账户、远程服务等业务场景，以减少客户等待与重复操作。

这些案例有一个共同点：它们都集中在操作层面——加快文件处理速度、减少人工填报错误、缩短业务流程。效率确实上去了，但这些效率提升是否足以对冲动辄千亿级的token消耗成本，目前无人能说清。

效能不等于利润：银行面临的算账难题

这正是当前银行AI应用的核心困境。各大银行在量化场景数量和token消耗方面毫不吝啬，但在回答“AI创造了多少利润”这个问题时，全部选择了沉默。

招商银行韦江波的表态很能代表行业共识——他明确指出，AI能力向财务价值的转化“不是一蹴而就的”，需要先融入具体业务流程，提升关键环节能力，再带动业务效能提升，最后才转化为财务价值。这条传导链条的长度，决定了短期内AI投入很难直接体现在银行的利润表上。

从成本结构来看，问题更加复杂。token消耗只是AI支出的可见一角。背后还包括算力基础设施的资本开支（如工行6000卡规模的GPU集群）、模型训练和微调费用、系统集成和运维团队的成本。而这些固定成本不会因为某个场景“跑通了”就自动摊薄——相反，随着场景从试水扩到1500个甚至更多，新增的智能体和管理复杂度仍在持续推高边际成本。

另一个被忽视的问题是ROI分布不均。客服中心的大模型应用往往能快速见效——因为对话模板相对固定，模型训练样本充足，替换人工的效果立竿见影。但授信尽调、风控建模这类涉及核心资产定价的场景，AI的准确度提升需要一个漫长的验证周期，短期内可能连盈亏平衡点都达不到。

因此，目前整个行业处于一个尴尬的阶段：token用量呈指数级增长，证明了AI已经从实验室走进了生产环境；但财务回报依然模糊，因为大部分增量预算花在了“能力建设”而非“直接创收”上。

三个观察指标：何时能看到真金白银

要判断银行AI投入是否真正进入了回报期，可以跟踪以下三个可验证的指标。

第一个是“人均产出变化”。如果某家银行在员工总数基本稳定的情况下，净利润或营收出现持续改善，且同期AI场景数量在快速扩张，那么至少可以推断AI对产能的贡献开始显现。浦发的“4200人年工作量”是一个起点，但需要对比的是该行整体人力成本的变动趋势。

第二个指标是“单token成本曲线”。当前各家银行几乎没有披露token单价，但这是一个关键的商业信号——随着大模型推理技术的成熟（如平安银行提到的“推理加速等技术提升词元供给”），单位token成本如果快速下降，即便总量上升，总体AI支出也可能持平甚至下降，这将改变成本收益比的计算方式。

第三个是“AI驱动的收入占比”。目前所有银行披露的都是AI节省了多少工时、缩短了多少流程——这是防御性的成本优化叙事。只有当银行能够量化AI带来的新增收入（例如智能投顾管理的资产规模、AI风控支持的不良贷款率下降幅度、AI营销转化的信贷投放额），才能形成进攻性的财务叙事。

在这三者全部清晰之前，银行AI仍处于“烧钱建能力”的阶段。800亿token不是终点，而是这场竞赛的入场券。