转自：中国经营网

中经记者 秦玉芳 广州报道

商业银行AI建设正从“点状探索”走向“体系化建设、规模化应用”新阶段。

2026年上半年，上市银行AI建设从“技术探索”加速迈向“价值转化”，多家银行披露智能体落地情况，以AI底座为核心的智能体场景应用进入全面提速阶段。

分析认为，银行AI布局的重心已经从过去的大模型和算力部署等基础设施建设转向智能体落地、客户旅程重塑以及企业级的能力沉淀，智能体开始成为叙事主角。不过，目前行业总体仍处于“场景验证向规模化复制”过渡阶段，多数智能体集中于低至中风险环节，真正自主执行核心金融交易的案例较少。未来的关键不是上线智能体的数量，而是围绕客户旅程重塑流程，建设统一的智能体平台，重构端到端运营效率。

智能体迈向“体系化运营”

8月，上市银行进入半年报密集披露期。2026年上半年，各银行AI场景应用、业务智能体的布局明显加速。

中信银行（601998.SH）在2026年半年报中明确，报告期内强化人工智能应用能力，重点探索投研分析、智能交易、客户服务等核心领域AI应用，搭建公司级智能体管理平台，推动技术与业务深度融合。

平安银行（000001.SZ）在运营管理上也在拓展AI智能体应用范围，上半年共上线140个运营审核类智能体，覆盖55个业务场景，助力反洗钱尽职调查、账户审核、资金清算、跨境汇款等业务场景的作业效率提升。

南京银行（601009.SH）报告期内新增30个高价值业务智能体，累计建成156个AI智能体，逐步构建起覆盖全行经营场景的智能化应用矩阵，推动智能体场景由单点试用向规模化应用转变，组建AI+数字化敏捷组织，AI能力加快融入营销、运营、风控和办公等重点领域。

中国社会科学院金融研究所支付清算研究中心主任杨涛指出，国有大型银行在智能体数量和能力建设上相对领先，股份制银行更多围绕重点场景形成体系化布局，城商行、农商行和民营银行则侧重特色场景与数字员工。应用效果已在客服、尽职调查、审批、运维和托管等中后台领域得到体现。

微众银行相关业务负责人告诉《中国经营报》记者，目前该行已有80多位数字员工“入职”，这些数字员工并非传统聊天机器人，而是能完成具体工作的数字同事，7×24小时在线，已在全行各领域多岗位承担实际工作。例如研发数字员工，从需求接收、任务拆解、代码生成到测试上线可完成完整研发流程，原来约两周的安全工单上线时间缩短至30分钟，效率提升超10倍。

通俗来说，智能体是以大模型为核心认知引擎，能够理解目标、拆解任务、调用工具并自主完成工作与决策辅助的数字化体系。它不只是“能对话的AI”，更是“能办事的AI”。

在天府立言金融研究院院长曾刚看来，传统流程自动化难以处理非结构化资料、跨系统协同和复杂决策，而智能体可将理解、规划、执行串联起来，直接作用于获客、风控、运营与研发效率。“在净息差承压、降本增效需求强化的背景下，这种可复制的生产力尤其具有吸引力。”

正因如此，今年商业银行对于智能体场景落地布局愈加积极。整体来看，BCG董事总经理、全球资深合伙人何大勇认为，商业银行AI布局的重心已经从过去的大模型和算力部署等基础设施建设转向智能体落地、客户旅程重塑以及企业级的能力沉淀。

零壹财经方面也表示，银行AI布局的重心已经明确从过去的基础设施与模型能力建设转向场景规模化落地和智能体矩阵构建，智能体开始成为叙事主角。在业务侧，AI从客服、营销话术等浅层辅助，向信贷审批、风险定价、尽调、贷后管理、反洗钱等核心流程纵深嵌入。在经营侧，AI被写入战略主线并开始产生可量化的经营价值。

何大勇认为，2023至2024年大家普遍更多关注基础大模型部署并做一些基础的知识问答，2025年起出现很多点上的突破，2026年则开始强调智能体的应用以及财务价值的论证，领先银行开始披露AI贡献工时、成本收入比、客户触达提升、审批时长下降等指标，说明AI已从科技部门的创新项目逐步演变为全行业务经营的重要生产工具。

何大勇还表示，当前，领先银行开始关注算力调度、知识工程、智能体评测体系、权限管理等企业级能力，某头部股份制银行已上线200多个智能体、赋能260多个场景，并以统一模型服务平台统筹模型接入、部署、调用、评测和运营，这表明竞争重点正在从场景数量转向平台化建设与企业级能力沉淀。

曾刚则指出，目前行业总体仍处于“场景验证向规模化复制”过渡阶段，多数智能体集中于内部助手、客服辅助、信贷材料处理等低至中风险环节，真正自主执行核心金融交易的案例仍较少。

何大勇也强调，AI在银行业务领域的应用，正在从“生成内容”转向“执行任务”，但在授信、交易、审批等高风险环节并不追求完全无人化，主流做法仍是智能体在一定约束条件下自主运行，关键环节由人工最终把关。

智能体平台建设是未来关键

从发展阶段来看，当前商业银行智能体仍处于早期阶段。

何大勇指出，按照《银行转型2035》书中划分的L1至L5五个阶段来评价，当前商业银行处于“广度进入规模化、自治深度仍处早期”的阶段，多数银行的智能体成熟度集中在L1至L2，即知识检索、内容生成、任务辅助和受限工具调用，部分领先银行在部分场景正在探索有人监督的L3，真正实现L4、L5的实践还比较少。

在此背景下，智能体在金融领域的规模化落地与应用仍面临多方面的挑战。在何大勇看来，第一类挑战是“价值与场景”，如果单纯从技术视角出发，容易形成能演示、难运营的试用版，智能体是否值得建设，应同时看业务价值、任务复杂度、数据可得性和治理风险，并在试点前设定基线与价值目标；第二类挑战来自“数据、知识与系统”，银行数据多但语义不统一，隐性经验大量存在于员工和文档中，核心系统又往往缺少标准化接口，没有高质量数据集、可持续更新的知识工程和稳定的工具接口，智能体只能停留在外围问答，无法形成业务闭环；第三类挑战是可信度挑战，智能体不仅可能产生幻觉，还可能越权调用、错误执行，银行需要把身份、权限、审计、人工干预、熔断、回滚和持续监控嵌入设计，而不是上线前做一次合规评审就结束；第四类挑战是“规模化后的治理难题”，如果每个条线分别选模型、搭平台、做知识库，那么智能体越多，技术债和治理成本越高。

何大勇认为，下一步的关键不是继续堆数量，而是围绕客户旅程重塑流程，建设统一的智能体平台，推动常用能力标准化、组件化。

曾刚也强调，未来的突破口是建立可信数据底座、权限与审计机制、人机协同闭环，以及面向具体任务的评测体系，使智能体从“能对话”走向“可控、可用、可问责”。

何大勇表示，未来行业将出现“少量平台级智能体统筹大量原子能力”的趋势，竞争焦点将从模型能力转向编排能力、知识能力和治理能力。

实际上，从近期披露的上市银行2026年半年报来看，中信银行、浙商银行（601916.SH）等多家银行已明确提出“智能体平台”相关内容的建设进展。

随着智能体平台建设的推进和AI应用向核心业务流程的逐步深入，商业银行组织架构和业务运营模式也在呈现新的变化。

何大勇指出，目前有四类比较明显的变化。第一，AI转型从科技条线上升为全行级战略议题，越来越多的银行由董事长或行长牵头设立AI专班。第二，交付模式从“业务提需求、科技接项目”转向跨职能共创，围绕客户旅程组建跨职能的敏捷工作小组。第三，运营模式转向人机协同，重复检索、材料处理、规则核验和初步分析更多交给智能体，人类员工负责目标设定、例外处理、客户沟通等。第四，人才需求从专业分工转向复合经验，未来最稀缺的不一定是纯算法人员，而是能够把业务问题翻译为智能体目标、把风险要求转化为机器规则、把模型结果转化为经营动作的人。

曾刚强调，AI深度应用正推动银行组织从以部门和系统为中心，转向以客户旅程、业务流程和数据能力为中心。科技部门不再只是交付系统，开始承担模型运营、知识管理、智能体编排、安全治理和成本管理职责，业务部门则更多参与场景定义、规则沉淀与效果评估，从而形成业务、科技、风险合规共同负责的机制。在运营上，重复性人工处理逐渐由“人审人办”转为“AI预处理、人工复核、系统留痕”，后台作业向集中化、实时化和例外管理演进。

曾刚认为，值得关注的是，多智能体协同是否能打通营销、授信、贷后等链条，以及银行能否建立统一的模型治理、身份权限、数据目录和价值核算体系。“真正的分水岭不是上线多少智能体，而是能否在安全合规前提下重构端到端运营效率。”