AI采购大变局：中小银行从囤算力到买应用
2024年，中小银行AI采购正在经历一场静悄悄的革命：从过去一窝蜂地抢购GPU算力，转向采购场景化的智能应用。这背后，是预算的收紧、ROI的焦虑，以及应用层滞后的现实驱动。说实话，我接触过的不少银行IT负责人都有这个体会：去年花了几百万买的GPU服务器，至今还在机房里“吃灰”呢。
中小银行在AI采购上的转变，其实是被逼出来的。2023年，国内银行业在AI领域的投资同比增长超过60%，其中近一半砸向了算力基础设施，特别是GPU。我刚翻了翻几家城商行的年报，杭州银行2024年IT预算达到20亿，但70%用于运维和合规，仅30%留给创新；北京银行则是采购了上千张A100芯片。然而，问题来了——据中国信通院统计，企业的算力利用率平均只有30%左右。后来发现，很多银行的GPU利用率长期徘徊在10%-15%之间。说白了，就是买了一堆跑车却在乡间小路上开，根本跑不起来。
这种“囤算力”的冲动，部分源于对市场风向的盲目追捧。去年ChatGPT火起来的时候，不少银行行长冲进科技部门，开口就问：“我们为什么没有大模型？”于是，算力采购成了政治任务。但真实情况是，中小银行的数智化水平还停留在数据孤岛阶段，连OCR合同识别都做不好，更别提训练千亿参数大模型了。我认为，这就是典型的“买椟还珠”——花了90%的钱在算力上，忽略了对业务真正有用的应用程序。
进入2024年下半年，风向变了。银行业净息差持续收窄，2024年三季度末已降至1.40%，加上监管对房贷、普惠金融的让利要求，中小银行普遍面临利润压力。在这种背景下，IT预算必须往刀刃上花。我们看到，越来越多的中小银行开始优先采购“货架式”的AI应用——比如智能客服、反欺诈引擎、贷后管理工具。这些应用不仅价格亲民，而且落地快，通常3个月内就能看到效果。
我印象最深的一个案例是华东某城商行，2023年跟风买了3000万的GPU，结果发现自己连数据湖都没建好，模型训练根本跑不动。后来2024年初，他们果断调整策略，把剩下的预算砍掉算力采购，转而购买了一家金融科技公司的通用OCR套件和智能文档处理系统。据该行科技部负责人透露，采购费用只有原先算力预算的20%，但上线后处理贷款合同的时间从每天6小时缩短到1.5小时，效率提升了50%以上。这才是真正的看得到回报的投入。
监管层的态度也在推波助澜。2023年金融监管总局发布的《银行业保险业数字化转型指导意见》中，反复强调要注重应用效能和场景落地，而不是盲目追求技术先进性。今年监管部门对银行IT系统检查时，也开始关注算力资产的利用效率。我听说，有家农商行因为GPU长期闲置被约谈，监管直接要求其说明采购理由和后续使用计划。说实话，这给银行行长们敲了一记警钟。
不过，我得泼一盆冷水：这种从“囤算力”到“买应用”的转向，并非没有隐患。最大的问题在于供应商的筛选。中小银行通常缺乏自研能力，必须依赖第三方AI应用。但市场上的应用供应商鱼龙混杂，有些把传统规则引擎换个包装就说是“AI大脑”，有些则缺乏与银行核心系统的对接经验。我就见过一家银行采购了智能审批系统，结果因为和核心系统接口不兼容，被迫多花了2个月去改接口，最后项目延迟差点导致监管通报。
另一个让我担忧的是数据安全问题。银行采购的外部AI应用，不可避免地会涉及客户信息和交易数据的传输。2024年人行发布的《金融数据安全分级指南》明确指出，银行对第三方系统的数据流转负有最终责任。如果采购的应用出现了数据泄露，锅还是要银行来背。像长沙银行采购部署AI应用时，就特别要求供应商的数据处理必须在银行本地服务器上进行，禁止上传到云端。这种做法值得借鉴——宁可慢一点，也要保证安全。
对中小银行来说，2025年是一个关键的窗口期。与其在GPU上卷生卷死，不如踏踏实实买几个靠谱的应用，把钱花在刀刃上。我建议银行领导层在制定AI预算前，先花一个月做一次业务痛点的深度调研。比如，贷后管理人员经常抱怨催收效率低，那就可以先采购一个智能外呼系统；柜员反馈合同录入太累，那就买OCR工具。应用采购的核心，不是在PPT上打败对手，而是在一线业务中解决问题。
展望未来，我认为中小银行很可能形成“轻算力、重应用”的标配模式：算力统一采购云服务商的大模型API，只有敏感的客户数据才用本地小模型；应用层则通过采购成熟套件，快速解决业务流程的痛点。这样既能控制成本，又能满足监管对科技投入回报的要求。毕竟，银行不是科技公司，我们不需要每一家都去搞千亿参数的大模型。与其死磕底层算力，不如花心思去理解客户的真实需求——这才是最管用的“AI战略”。
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。