当前，我国金融机构正处在数字化转型的关键期。上海金融与发展实验室副主任董希淼指出，金融机构若想在数字金融领域实现突破，必须深度运用以大模型为代表的AI技术。

在大模型赋能的浪潮中，大型银行凭借资源优势，在基础设施、技术能力、数据生态与业务场景层面持续发力，已在风控、营销、运营等领域形成可观的成果；与此同时，中小银行虽起步稍晚，但也在积极布局，以“追赶者”的姿态加速推进大模型相关探索。

科技投入持续加重

结合已披露的2024年年报内容，许多中小银行正持续加大金融科技投入，占营收的比重也在提升。

《中小银行数字金融发展研究报告（2024）》显示，28.57%的受访银行金融科技投入占总营业收入的比重在5%-10%，较去年有大幅提升。以2%为标准，本年度金融科技投入占比超过2%的受访银行超过八成（83.4%），较去年（77.5%）实现较快增长。

上海农商银行2024年年度报告显示，该行当年金融科技投入约13.35亿元，同比增长17.64%，其占营收的比重已达5%。此外，厦门国际银行也已连续两年实现金融科技投入占营收比重超5%。

从具体行动来看，部分中小银行通过加大硬件和技术投入来推动大模型建设，期望借助其算力和数据处理能力重塑业务流程。例如，盛京银行2025年人工智能大模型平台硬件采购项目金额达798万元，苏州银行、青岛银行的同类招标项目金额更是突破1000万元。这些招标项目主要集中在算力及相关配套设备，为后续大模型的训练、推理与应用提供了基础的硬件支撑。

效果未达预期

然而，尽管这类中小银行在大模型建设上投入巨大，其实际落地效果却未达预期。某城商行部署大模型后，仅在基础业务场景有微小效率提升，尚未实现实质性的突破。原因在于，大模型的通用性与银行业务的专业性存在矛盾。大模型基于通用文本数据训练，缺乏对金融场景的深度学习，难以适配银行复杂多样的业务流程、专业术语和法规政策。中国银行首席信息官孟茜指出，目前预训练基础大模型的金融知识比例仅约5%，专业性不足，限制了深度应用。

对此，破解这一问题需从两方面发力：一方面要聚焦金融知识补全，当前部分国有大行已率先行动，通过对基础大模型开展专业化微调和企业级二次训练，以增强金融知识储备和专业适配能力；另一方面，推动行业能力共建，倡导大型银行与中小银行加强交流合作，整合资源共同建设行业大模型，避免中小银行重复投入基础研发，进而缩小银行机构间的数字鸿沟。

应用大模型的挑战

除了专业性不足，数据安全与合规风险也是中小银行面临的难题。中小银行在大模型预训练和应用过程中，需要处理大量敏感金融数据，一旦数据泄露，会带来声誉损失和潜在法律风险，因此，中小银行在应用大模型过程中，必须将安全合规作为前提，要坚持“模型不联外网、数据不出行、敏感信息不入模”等原则，定期审查大模型表现与运行效果。

数据质量同样制约着大模型落地。许多中小银行内部还普遍存在数据孤岛和格式不统一的问题，导致模型输入质量参差不齐。以某农商行为例，其涉农贷款合同分散在五个未打通的数据库中，且部分手写内容使得OCR识别率不足50%。这类数据若直接输入大模型，会因数据不完整、不准确导致模型训练偏差，既难以支撑大模型的有效应用，也推高了数据预处理成本。对此，江门农商银行办公室总经理助理杨竹清建议，中小银行应加强数据治理，整合内部资源，建立统一数据平台，并通过数据清洗、标注和建模等手段，提高数据质量和可用性。

大模型幻觉也影响了中小银行的应用。例如，中小银行部署的大模型AI客服可能会出现答非所问的情况，这不仅严重降低了服务效率，还会削弱客户对银行的信任度。清华大学计算机科学与技术系教授孙茂松指出，由于大模型缺乏真正的理解能力，处理信息时容易出现偏差，容易生成不准确甚至虚假的内容。

针对这一痛点，华院计算董事长宣晓华提出解决方案：“RAG技术可通过优化提示方式，有效提升回答准确性。”其核心逻辑在于，采用RAG技术后，大模型在回答问题时能实时调用专业领域的知识与数据，从而从根本上增强输出内容的准确性和可靠性。苏商银行便是通过应用RAG技术实现了话术的精准推荐，相关准确率已提升至75%。

此外，在具体业务场景中，大模型的准确度仍有不足，还需要人工干预来保证结果的可靠性。例如，若大模型对客户资质评估出现偏差，可能导致不符合条件的业务审批通过，进而形成不良资产。因此，中小银行在关键业务的最终决策环节，仍需由专业人员或管理人员进行把控，避免因模型误差引发风险。