每经记者|刘嘉魁 每经编辑|许绍航
当工商银行在年报中写下“AI数字员工年承担工作量相当于5.5万人年”时 ，这份报表的读者或许会停下来想一想：5.5万人年 ，究竟意味着什么？按照商业银行人均薪酬粗略匡算，这几乎对应着上百亿元的人力成本 。然而翻遍年报，却找不到与之匹配的成本缩减或利润跃升 。
过去一年 ，一场围绕AI效能的“数字竞赛”在银行年报季悄然升级。招商银行在年报中宣称 ，报告期内AI节约人工效能超1556万小时；中信银行在年报中表示，报告期内全行智能模型增效超1.7万人年；摩根大通CEO杰米·戴蒙的表态更直接——“投入20亿美元 ，获得约20亿美元效益 ”。
这些数字足够亮眼 ，但当记者走向银行一线，听到的却是另一番声音 。
西部地区某国有大行公司业务部客户经理对记者坦言 ，一线日常仍是传统工作模式 ，柜面业务 、资料审核 、对公材料整理、台账统计、客户对接，基本靠人工完成 。“所谓AI大多是基础辅助工具 ，比如简单文案生成 、基础数据整理 ，谈不上‘替代人工’。总行年报里提的人工替代 、智能降本这些指标，下沉到地市二级行 ，体感很弱 ，完全感受不到明显的成本下降、利润提升这类实际变化 ” 。
一边是年报里动辄数万“虚拟员工”的亮眼换算，一边是一线员工“感受不到 ”的冷淡回应 。这种温差究竟从何而来？当银行业万亿科技投入进入回报率拷问时刻，AI效能的真实账本正在被重新审视。
深入到具体的日常工作场景 ，AI带来的效率提升并非空谈 。
西部地区某城商行总行资产管理部人士向记者描述了一幅极具说服力的画面：“就拿客户经理的日常说吧 ，这两天用大模型分析财务报表，把基础数据扔进去 ，几十秒精准给出想要的东西 。往往客户经理需要一天去整理 、计算 、分析。确实方便和高效了很多 。 ”
这种效率跃升 ，对于“白天营销客户、晚上写尽职调查报告”的客户经理而言，是切切实实的减负 。但这位资管人士话锋一转 ，道出了效率背后的深层焦虑：“微观看 ，提高了效率；长远来说，谁还需要这么多客户经理规模是否持续维持现状？毕竟逐步单个客户经理可以利用AI管理更多的客户。不管是客户经理还是其他岗位 ，都有更多焦虑——行业下滑 、内卷压力 、随时被替代的风险……以后真的就只需要拉资源的人了 ，以前干活儿卖苦力还能自保 。 ”
这段来自西部城商行一线的声音，揭示了AI在银行业渗透的两面性：工具层面的效率提升真实可感 ，但组织层面的替代焦虑同样真实 。当“几十秒 ”可以完成过去“一天”的工作 ，效率公式的另一端，必然指向人力需求的重新计算。
这种焦虑并非空穴来风。数据显示，2025年国有六大行金融科技总投入达1300.91亿元 。拉长周期看 ，2021至2025年仅六大行累计科技投入约6000亿元 ，若计入头部股份行和城商行，全行业累计科技投入或逼近万亿元 。真金白银的投入背后 ，必然对应着对产出和效率的期待。
但问题恰恰在于 ，个体的效率提升感，尚未传导为组织层面的体感变化 。
某资深银行业研究人士对记者分析指出 ，当前银行一线对AI的感知呈现出明显的“两层分化 ”：在工具层面 ，智能客服、报表分析 、文案生成等应用确实在提升单点效率；但在岗位层面，绝大多数一线员工的日常工作模式并未发生根本性改变 。其根源在于 ，银行AI应用目前仍以“点状嵌入 ”为主 ，尚未穿透到业务流程的底层重构。这就好比给马车装了一个更好的鞭子，而不是换一辆汽车——鞭子确实更好用了 ，但马车还是马车 。
如果一线网点的感知是“有工具但没颠覆” ，那么更下沉的机构感受则是“几乎还没开始 ” 。
西部地区另一家城商行纪检监察综合管理部负责人对记者直言：“目前AI应用在我们行几乎还感受不到，我们也没说过‘人工替代’这种提法。 ”他特意举了一个颇具象征意义的细节：“例如我行的等一些综合性工作，总行从最高层今年发的文件就说禁止用AI生成研讨材料讲稿等 。”
在这位负责人看来 ，科技应用的落地不是简单的工具部署 ，而是一整套组织能力的适配 。“前沿科技的前沿感知 、前沿应用，必然会出现在社会的前沿 ，但需要前沿的思想、前沿的人才 、前沿的管理模式和运营基础。而相对偏远地区的重点根本不在这些事情上 ，起码目前还不在 。”
这段来自西部城商行的坦诚表述，揭示了一个被“万亿投入 ”“人年换算 ”等宏大叙事掩盖的现实：科技投入和AI应用在银行业内部存在显著的梯度落差 。当国有大行和头部股份行高调宣布AI应用场景突破500个 、800个时 ，大量中小银行尤其是中西部区域性银行 ，尚处于“感受不到”的阶段。
这种梯度落差带来的一个深层问题是：当行业以头部银行的标准来讨论AI效能时，是否忽视了更广阔群体的真实处境？前述研究人士认为 ，银行业AI应用的“温差效应 ” ，既存在于总行报表与一线网点的纵向维度，也存在于大行与中小银行的横向维度 ，两种温差叠加在一起 ，构成了当前银行业AI叙事中最值得警惕的认知偏差。
深入银行一线会发现，AI的应用并非“万物皆可AI ”，而是在一套复杂的合规框架和风险考量中寻找边界 。
西部地区某国有大行二级分行营业部负责人向记者现场演示了手机银行“智能客服”的应用 。她表示：“可以尝试问AI客服几个刁钻的问题。对于受教育程度比较高、个人文化素养高的人 ，有什么疑问其实自己都能在手机银行解决了 。这从一定程度上释放了一线员工的人力 。 ”在她看来 ，这是大行科技力量给一线带来的最直观红利。
但面向行内员工的AI应用，则处于一个更为审慎的推进节奏 。这位负责人描述道：“行内员工的AI应用还在不断优化 ，目前用起来与市面上的大模型一样 ，你可以问它相关业务问题，遇到不会办的也能问菜单 ，不清楚的制度也可以问它 ，但不保证完全正确，错了就反馈至后台 ，再进行优化 。 ”
“不保证完全正确”这一限定词 ，点出了银行AI应用的核心掣肘。银行业务容错率极低，涉及客户资金、监管合规 、风险定价等关键环节 ，任何模型的“幻觉 ”都可能引发严重后果 。
这也是为什么 ，前述城商行纪检监察综合管理部负责人特意提到“能用的领域，如智能客服问答 、报表初稿生成、制度检索 、简单文案起草，正在逐步铺开；不能用的领域 ，如涉及保密数据的深度分析 、关键授信决策、监管报送材料生成等则被严格限制 ” 。
前述国有大行客户经理对此也有清醒认识：“现在AI尚不成熟 ，而银行业务性质特殊，好多都是保密的 ，对这块风险把控上有特别考虑 ，所以还达不到用AI替代一部分人 、一部分工作的程度。”
IBM商业价值研究院发布的《2025年银行和金融市场展望》印证了这一判断：截至2024年，仅8%的银行系统性地开发AI技术 ，而78%的银行仍采用战术性 、碎片化的方法 。即便在技术领先的机构中 ，AI落地的广度和深度也远未达到“系统性替代 ”的量级 。
尽管替代远未到来，但变化已经在岗位层面发生——银行一线员工正在悄然承担起一个全新的角色：AI培训师。
上述大行二级分行营业部负责人向记者描述了这一角色的日常运转逻辑：“一线网点接触的层面比较基础。柜台人员主要是咨询它基础问题 ，比如具体的操作方法、业务制度 。中后台的维度更高 ，一部分是落实需求的程序员，还有一部分是让AI建立模型并跑需求的工作人员 。客户经理肯定需要它建立模型 ，网点负责人肯定是需要它干更高级的事。 ”
她进一步表示 ，行内还部署了公文写作类AI工具，可以快速检索并整合信息，综合成“文字+表格”的输出 。但使用流程中有一个关键环节——人工校验 。“错了就反馈至后台 ，再进行优化。”
这意味着 ，银行员工并未因AI的出现而变成“被替代者 ”，反而在实际操作中充当了模型的“数据标注员 ”“效果反馈者”和“场景训练师 ” 。这种角色转变 ，意味着AI效能释放的真实路径并非“机器换人 ” ，而是“人训机器 、机器助人”——一个需要大量人力参与 、持续迭代的渐进过程 。
前述研究人士对此评论称，银行一线员工承担“AI培训师 ”角色的现象 ，恰恰说明AI在金融业并非一个“即插即用 ”的效率工具。它的有效性高度依赖使用者的反馈和修正 ，而这个过程本身就需要消耗大量人力资源 。这也部分解释了，为什么银行投入了巨额科技预算、上线了数百个AI场景 ，一线体感却仍是“工作量并未明显减少”——因为AI在消解部分工作任务的同时 ，也制造了新的工作需求：测试 、反馈 、校正、兜底 。
纵览全局，银行业AI应用正站在一个关键转折点：从“敢投 ”向“会算 ”切换。
上述研究人士认为 ，当前银行业AI效能评估面临的核心困境 ，不是缺乏数据，而是缺乏一套公认的价值核算框架 。当前各行统计口径各异，“人年”“小时替代 ”“场景数量 ”等指标互不通用 ，既难以横向比较 ，也难以与财务指标直接映射 。部分银行将AI效能换算为人力成本节省，但这一换算假设“AI完成的每一项工作原都需等量人工”——这个假设本身就值得商榷。
以“节省1556万小时”这类指标为例 ，它描述的可能是：在业务量增长的情况下 ，银行没有新增相应编制，而非直接减员变现。这种“避免增编 ”的效益 ，在损益表中无从体现 ，但对银行长期成本结构的优化却是真实的 。
有业内人士称，从更宏观的视角观察 ，头部银行的科技投入态度也在发生变化 。公开数据显示 ，几家头部股份行的科技投入规模在2023年达到巅峰后，于2024至2025年连续回落。这究竟是前期投入趋于饱和后的自然回调 ，还是银行对AI投资回报的耐心正在收窄？答案可能兼而有之 ，但更大的背景是：随着净息差持续承压，银行留给AI“试错 ”的空间已大为收窄 。
