中小银行AI采购转向：算力堆砌的黄昏，应用落地的黎明
几年前，中小银行行长们在台上意气风发地宣布“投资XX亿元建设算力中心”，如今这些故事正在被重新书写。我的判断很明确：这场从“囤算力”到“买应用”的转变，不是预算紧缩的权宜之计，而是AI采购逻辑被彻底重塑的开始。
说实话，我见过太多这样的场景：某城商行花大几百万采购了一台高端GPU服务器，结果却用来跑几个简单的反欺诈模型，硬件利用率不到15%。更致命的是，银行IT部门为了凸显“技术先进性”，热衷于堆叠参数，一个不到500亿资产的农商行，去年居然拆资引进了超80亿参数的大模型。结果呢？模型在测试环境里跑得挺欢，一上生产就卡成PPT，风控报表根本算不出来。后来发现，这家银行连最基础的客户数据治理都没做好，模型喂进去的是一堆脏数据。浪费的不只是钱，还有宝贵的业务窗口。
这种“算力虚荣心”背后，其实是监管与市场的双重挤压。银保监会2023年发布的《关于银行业保险业数字化转型的指导意见》里明确写了：要“聚焦主业、注重实效”。我当时读到这一条时就在想，监管的眼睛是雪亮的，那些拿AI当摆设的银行迟早要露馅。果不其然，2024年一季度，金融监管局在多家银行的现场检查中，直接质疑了算力采购与业务发展的匹配度。我得到的数据是，仅2024年上半年，涉及银行数字化项目过度投资的监管关注函就同比增加了37%。监管态度很明确：银行的钱是储户的，不是拿来搞技术炫技的。
我们来看一个更现实的逻辑。中小银行的核心矛盾是什么？是净息差收窄下，必须用更少的人做更多的事。2024年三季度数据显示，全国中小银行平均净息差已降至1.40%，而人力成本却以每年8%的速度在涨。这种情况下，你告诉我花两千万买一张“算力求”顶个啥用？能降本吗？能增效吗？能堵住那些每天像雪花一样飘进来的贷后逾期吗？反正我是看不出来。真正能救命的，是一个能识别贷后风险、自动生成催收话术、甚至能帮客户经理写授信报告的应用系统。
这种转向已经在头部中小银行中发生了。我调研的某东南沿海农商行就是个典型。他们去年做了个决定：砍掉原本计划采购的50%算力资源预算，转而把这笔钱投到了外部AI应用采购上。他们的逻辑很简单：与其自己养一个不知道什么时候能落地的技术团队，不如直接买现成的、经过市场验证的AI应用。比如他们花20万采购了一个基于大模型的贷后催收机器人，上线后，原本需要十人团队完成的首次催收电话，现在一个系统就搞定了，效率提升了80%，催收成本直接砍掉了60%。这家银行的行长跟我说了一句话我印象特别深：“以前我们总觉得自己能造飞机，后来发现，先买张机票飞到对岸才是正经事。”
说实话，我更愿意把这种转变理解为中小银行在AI浪潮下的“务实回归”。过去几年，很多银行被互联网大厂和咨询公司带偏了，以为AI就是堆服务器、搞大模型，好像没有个自研的算力集群就不是搞科技。结果呢？钱花了，人招了，业务部门的同事却连个可用的工具都没见到。业务部门抱怨IT部门“不食人间烟火”，IT部门还委屈，说我们在搞革命性的前沿技术。我的判断是，这种割裂状态注定无法持续。当一个应用连一线客户经理都不愿意用的时候，它再“先进”也毫无价值。
我最近看到的一份行业报告更能说明问题。报告里提到，2024年中小银行AI采购的预算构成中，应用类支出的占比从2022年的22%飙升至48%，而算力基础设施的采购增速则从年增50%骤降到11%。这个数据让我感到欣慰。因为这意味着，越来越多银行开始用业务语言而不是技术语言来定义AI。他们问的问题不再是“我们的算力有多强”，而是“这个AI应用能不能帮我把重复的报表工作自动化”“能不能让我在30秒内预判一笔贷款的逾期风险”。这才是银行科技投入的应有之义。
当然，买应用也不是无脑买。我见过不少银行在采购AI应用时踩了坑。比如某家农商行之前花80万采购了一个所谓的“智能贷前调查系统”，结果上线后发现，系统对业务数据的依赖极高，但该行的核心系统老旧，数据接口不开放，业务数据需要手工导入，效率反而更低。还有一个案例是，某银行采购了“AI风控模型”，但因为缺乏配套的数据治理和模型验证流程，模型跑出的结果总是偏离实际情况，最后成了废纸。所以我说，买应用不是终点，银行需要配套的“数据使能”和“模型治理”能力，否则买再好的系统也是白搭。
这就引出了我的核心观点：未来三年，中小银行的AI竞争力将不再取决于算力规模，而取决于它们能否快速采购、整合并能落地应用AI产品的能力。换句话说，银行可能不需要成为AI的发明者，但必须成为AI的高效组织者。一个拥有10个精选AI应用、并且每个应用都能切实解决一两个业务痛点的银行，远比一个拥有千卡集群但应用落不了地的银行更有竞争力。
那么，具体该怎么干？我给出三个务实建议。第一，明确业务痛点为采购导向。不要再为了“有AI”而买AI，而是去梳理一线业务中真实存在的高频、重复、耗时问题——比如贷后催收、授信报告撰写、反钓鱼监控等。第二，建立“轻量级”的AI应用评估机制。不要再搞几十人的评审会，而是让业务部门在用、IT部门在评，用3个月的时间跑出实际的数据，能落地就留下，不能落地就果断砍掉。第三，一定要重视数据治理与模型验证。没有干净的数据，再牛的AI应用也是无源之水。建议中小银行引入“数据中台”或与外部数据服务商建立合作，把数据当作核心资产来管，而不是当废纸一样丢给AI应用。
最后我想说，AI在中小银行的上半场是“大算力”的狂欢，下半场注定是“小应用”的胜出。那些能放下技术虚荣心、真正聚焦业务价值的银行，将踩在这波变革的浪尖上，而不是被拍在沙滩上。
本文由「银行人实用工具箱」（deepwater84.cn）出品，专注银行从业者的效率工具与专业内容。