2025年以来，股份行AI已从“有没有”走向“用得好不好”。本文以第三方视角，拆解中信银行在1700+场景、大小模型协同与AI+三条线上的实践，看一家股份行如何把AI落到业务实处。

行业进度：股份行AI已过“有没有”的阶段

把几家股份行的2025年数据放在一起，能看到行业进度的参照：招商银行落地856个场景应用，日均Tokens吞吐较2024年增长10.1倍；平安银行大模型应用场景超390个，AI代码生成量占比超30%；兴业银行人工智能赋能260多个场景，上线200多个智能体；浦发银行在五大领域落地超200个AI场景，大模型累计调用量超5亿次；民生银行新增261个细分AI场景，AI服务日均调用量超500万次。中信银行智能服务场景超过1700个，这个数字在2023年还不到400。

把这几家放在一起看，股份行AI已经走过“有没有”的阶段，正在回答“用得好不好”的问题。

表1：部分股份行AI布局对照（以各银行2025年年报及公开报道口径）

作为长期陪跑银行数字化的科技伙伴，我们在近年多家股份行的系统改造中观察到同一个现象：AI项目从POC（概念验证）到落地，转化率往往取决于银行是否想清楚了“模型该怎么配、场景该怎么选、组织该怎么跟”。中信银行在这三个问题上的回答，恰好构成一个可供同业参考的样本。

大小模型协同：谁管“准”，谁管“懂”

银行落地AI，第一个需要厘清的是模型路线。从同业做法看，大小模型协同已是股份行的共识：招行落地183个领域专精模型，与“AI First”战略并行；平安构建统一算力平台，全场景部署DeepSeek等20余种国内开源模型；民生打造覆盖营销、风控、运营等场景的系列智能辅助工具。各家都在走“小模型管精准决策、大模型管理解和生成”的路线。

图：大小模型协同，小模型管“准”，大模型管“懂”

中信的小模型：管“准”

中信银行的做法比较典型。其“中信大脑”小模型平台累计上线660多个智能数据模型，月调用量接近5亿次，覆盖风控评分、反欺诈、智能推荐、量化交易等场景，这是小模型的主场，高精度、低延迟。

中信的大模型：管“懂”

大模型补上的是理解、生成与推理：该行组建全行级大模型融合团队，搭建覆盖训练推理、应用开发和知识管理的平台，引入DeepSeek等20多种开源模型，在智能客服、智能投研、智慧运营等方向落地120多个场景，大模型日峰值调用超过300万次。

分工逻辑：先判断、后生成、人确认。大小模型在实际作业中很少单打独斗，以对公信贷尽调为例，通常是小模型先完成企业风险画像和标签匹配，大模型再基于画像生成个性化尽调提纲或授信建议，最后由客户经理确认并补充。两类模型分工明确，前者管“准”，后者管“懂”。

从公开披露的业务实践来看，这种“先判断、后生成、人确认”的范式，已经嵌入到中信多条业务线的作业流程中。

三类典型业务场景：语义库、信贷流程与绩效辅助

这套协同落到具体业务，有几块场景比较有代表性。它们都不是摆在台面上的单点工具，而是模型能力进入业务闭环的体现。

语义库：把行内外的制度、知识和历史问答沉淀成可检索、可治理的资产，支撑客服、投研和制度问答等场景。关键是大模型只在可控的知识边界内作答，避免脱离依据地编造。

信贷流程：小模型完成额度测算、准入评分与风险画像，大模型随后生成授信报告、尽调提纲和审批摘要，与“先判断、后生成、人确认”的分工范式一脉相承。

绩效辅助：把业绩数据与考核规则结构化，由模型产出小结、预警偏差，把报表解读从人工逐项翻阅变成自动生成、人复核。这三块，也是我们在相关系统改造中最常遇到的真实诉求。

从场景到链路：AI正在改变银行的作业方式

AI在银行里是否产生价值，要看是否改变了端到端的作业方式，而非模型上了多少。同业里，平安零售AI营销平台全年节省费用6000万元，民生贷后报告生成效率提升20%、法律合同审查从小时级压缩至分钟级，浦发累计释放超300人年新质生产力，这些数字指向同一个方向：AI正在整条作业链上替代重复、辅助判断、加速流转。

中信银行2025年年报里的“AI+经营”“AI+管理”“AI+运营”三条线，也对应这种转变。

图：AI贯穿经营、管理、运营三条线，重塑端到端作业链

从我们的项目实践中看，这些数字背后的逻辑是一致的：AI的价值贯穿整条作业链，替代重复、辅助判断、加速流转，而非仅在单个节点上“帮忙”。对科技服务商而言，这意味着交付的不再是模型或系统，而是对信贷、财管、运营、风控各自业务闭环的理解。

进入2026年，这种链路重构还在加速。一季度，中信银行落地信息技术新“一部三中心”架构，形成64支专项融合团队，科技业务需求共创率超90%；7月，信用卡面向全量用户开放AI算力Token兑换权益，将金融服务与AI生产力工具直接结合，AI已经从“内部提效”走到了“客户赋能”。

风控与组织：AI规模化的两道分水岭

AI用得越深，安全与协同的权重就越高。同业里，平安构建零售智能风控体系覆盖贷款审批、催收、反欺诈全流程，跨境智能审单识别准确率超93%；民生财务风险信号识别率超50%、开户信息录入准确率95%。中信银行在这件事上，也提供了值得关注的解法。

风控侧：“AI天盾”把安全做成底座

该体系采用“1个底座+1个中枢+N个AI关键应用”架构，在同业中首次引入“多模态交互式风控”能力，可解析诈骗话术、挖掘隐性风险网络，累计拦截涉案资金超35亿元。其设计理念是：权限隔离、数据脱敏、操作留痕、模型可解释，必须作为平台内置能力，而非事后补丁。我们在CRM和信贷系统设计中，也把“权限原生态化、操作全留痕、人在回路”作为AI功能上线的前提，这与中信的思路高度一致。

组织侧：融合团队把AI推到了一线

多家股份行都在往“业务技术融合”上走：兴业银行成立由董事长挂帅的“人工智能+”行动领导小组，印发专门工作方案；浦发将AI能力建设提升至战略地位。中信银行在2025年业绩发布会上明确提出，要继续推动业务、技术、数据和智能的深度融合，组建更快响应市场的数字化融合团队，由高管层直接统筹人工智能行动，目标是在两年内让AI渗透到每一项业务决策和经营活动中。

AI要真正改变银行，不能只靠科技部门。业务、数据、科技、风险多条线需要一起定义问题、共建场景、共担结果。我们在多家银行的系统改造中反复验证了这一点，AI效果好的项目，业务骨干往往深度参与知识库建设和效果验收；纯技术团队闭门训练的模型，常常落不到一线。

一个判断：下一阶段的比拼是“下线的勇气”

如果说2024-2025年银行AI比拼的是模型上线速度，那么2026-2027年比拼的将是另一项能力：哪些场景AI不适合、哪些决策必须留给人，这可能是比上线更难的能力。中信银行在“AI天盾”和“人在回路”上的审慎，也说明他们意识到：AI走得远，靠的不是能做多少事，靠的是清楚地知道不能做什么。

截至2025年末，中信银行总资产突破十万亿，并提出到“十五五”末力争实现90%以上关键业务流程的AI重塑，完成从“AI辅助”到“AI原生”的跨越。从智算硬件一年增长5倍、统一AI中台与GPU集群全面成形的节奏来看，这家股份行已经把AI推进到规模化生产阶段。

但“AI原生”并不意味着100%的事都交给AI。90%的流程被AI重塑后，剩下10%最关键的判断，依然由人来做。知道哪些该留、哪些该放，是AI规模化应用走向成熟的标志。

核心语义库支持知识库建设的方案

前面提到，语义库把制度、知识和历史问答沉淀为可检索、可治理的资产。这一能力背后，是一套可复制的方法。作为长期参与银行系统改造的科技伙伴，我们把它归纳为一个分层的知识库建设方案，供同业参考。

表2：核心语义库支撑知识库建设的四层结构

语义库是大小模型协同的“知识底座”

在大小模型协同的框架里，核心语义库承担“知识底座”的角色：小模型负责精准匹配与权限控制，大模型在语义库划定的边界内生成内容，二者通过语义库打通。落到场景上，客服问答因此更准确、投研检索因此更快、制度问答因此可追溯，信贷尽调提纲也能直接引用制度依据。

对银行而言，知识库建设不是一次性工程，而是伴随业务持续演进的能力。核心语义库的价值，在于把“知识”从文档堆里解放出来，变成可被模型调用、可被业务信赖的生产要素。这也是理解中信样本时，最值得同业借鉴的一条隐性经验。

行业数据速览

股份行AI场景规模化，不断完善大模型应用与组织配套。

注：数据引自各银行 2025 年年报及公开报道。

写在最后

下一阶段银行业的分野，将越来越多地体现在业务理解、数据治理、组织协同和安全合规的复合能力上。中信银行在这条路上已经走在了同业前面，其实践本身，就是一个值得持续关注的样本。对同业而言，看的不只是1700个场景这个数字，而是这些场景背后的模型配置、链路改造和组织协同，是否真的经得起规模化生产的检验。