“从数字化到数智化，一字之差，但大多数银行正在用‘自动化’的旧酒，去灌‘智能化’的新瓶子——我认为这是行业最大的伪装。”
一、数字化还没补完的课，数智化凭什么跳级？
2022年，银保监会发布的《关于银行业保险业数字化转型的指导意见》里，白纸黑字写着“提升数据治理能力”。可你知道吗？同年，因数据质量问题被处罚的银行多达127家，罚没总金额超过3.2亿元。这数据来自我翻看的年度监管处罚汇总——说实话，每次看到“数据源不一致”“客户信息失真”这些老问题，我都觉得脸红。
其实，很多银行连数字化的地基都没夯实。我见过一家上市城商行，信贷管理系统里客户的“年收入”字段，居然同时存在三个版本：CRM系统抓的是客户自填数，核心系统录的是客户经理录入数，税务接口拉的是实际纳税推算数。三个数字偏差超过40%，你说贷前审批用哪个？这就是典型的“有数无质”。
后来我发现，数据孤岛才是真正的“顽疾”。银行内部的存款、贷款、财富、信用卡条线，各自建数据仓库，各认各的口径。比如“全量客户”这个概念，零售部算的是借记卡开户数，信用卡中心算的是信用卡持卡人，而个贷部只认有贷款余额的。互相不认账，导致全行级交叉营销模型总要手动清洗数据——这事我亲身经历过，一个模型上线调试就花了三个月，因为数据对齐就耗掉两个月。
我们不禁要问：数字化阶段的基本功——跨部门数据治理、统一数据标准、实时数据采集——都还没有完全到位，凭什么谈“智”呢？
二、数智化的本质就是“让机器做决策”，但银行敢放手吗？
从数字化到数智化，最核心的跨越是从“数据辅助人决策”到“数据驱动机器自主决策”。这不是玩文字游戏，而是效率的指数级提升。拿风控来说，传统数字化风控是：系统跑规则、出预警、生成报告，最后还是人工判定。而数智化风控是：模型直接根据实时行为数据判定是否授信、调额、冻结，毫秒级响应，且事后可解释。
招商银行的“天秤”系统是我认为目前行业内最接近数智化的案例。据招行2022年报披露，“天秤”实时智能风控系统全年识别疑似欺诈交易超过200万笔，拦截成功率超99.7%，直接避免损失超过5亿元。它的核心是机器学习模型在交易链路中实时计算风险分数，并自动决策——而不是先打人工电话确认。这种“机器决定，事后复核”的模式，才是数智化该有的样子。
但我要泼一盆冷水：招商银行在科技投入上每年超过100亿，有3000多人的技术团队，才能做到这一步。反观中小银行，2023年一份行业调研显示，资产规模5000亿以下的银行中，真正在风控、营销、运营三个领域同时应用了机器学习模型的，连15%都不到。大部分所谓的“智能”，不过是把原来线下的“白名单+黑名单+规则”搬到了线上，再套上一套统计报表。
说白了，很多银行的“数智化”其实就是“数字化”的换皮——自动化报表代替人工摘数、电子审批代替线下签字，这就敢叫“数智”了？我心想，这跟往自动售货机里贴张“智能”标签有什么区别？
三、真相是：数智化不是技术问题，是组织问题
我经常跟银行朋友聊，问他们数智化转型最大的难处是什么？答案不是技术选型，不是数据量不足，而是“部门墙”和“人才荒”。说实话，银行的数据治理委员会大多形同虚设：科技部主导，业务部门出人不出力，数据标准推不下去，数据质量责任归属不清。一个典型的场景是，信贷条线要求“贷后预警的客户标签”由风险管理部维护，但风险管理部说“标签的底层数据在科技部，我们改不了”。结果预警信号滞后了三天，客户已经逾期了。
引用一个真实案例：某省联社旗下的农商行，为了搞智能贷后系统，花了800万外包开发。系统上线后，贷后预警准确率只有42%，因为历史不良贷款样本太少，且数据标签定义混乱。后来聘请外部咨询团队才发现：该行38个业务系统中，光“企业规模”这一字段就有5种不同的分类标准——有的按营收、有的按员工数、有的按行业代码。最后项目停了，钱打了水漂。这就是典型的“用数智化去解数字化的题”，根本解不开。
我认为，银行要向数智化演进，首先得打破“数据归部门所有”的思维。必须建立全行级的数据资产目录和治理委员会，由行长或者分管副行长亲自挂帅，设定统一的数据标准，并强制所有系统接入。这不是技术活，是管理活。平安银行在2021年就成立了“数据治理与企业架构委员会”，由董事长牵头，将全行数据治理与业务架构合并推进，其“AI Bank”体系目前的智能审批覆盖率已经超过60%。这个例子说明：自上而下的组织变革，才是数智化的真正起点。
四、我的建议：别追大模型，先做“场景+数据”的闭环
去年以来，大模型火得不行，不少银行开始投入研发类ChatGPT的智能客服或风控助手。但我个人的判断是：对于绝大多数银行，尤其是城商行、农商行，现阶段跟风大模型无异于缘木求鱼。原因很简单：大模型需要海量的、高质量的训练数据和巨大的算力成本，而中小银行连基础数据质量都没搞定，训练出来的模型就是“垃圾进，垃圾出”。
我觉得更务实的路线是从“高频小场景”入手，围绕找得到数据、能快速闭环的环节，用传统机器学习模型解决具体问题。比如：贷后预警中的“关联交易识别”，利用已有的对公、零售、票据等系统的交易数据，构建图算法模型，找出隐性关联方。再比如：信用卡分期营销，利用客户的消费流水和还款行为，用LSTM序列模型预测客户提额意愿，精准推荐分期产品。这些场景数据成熟、业务价值清晰，见效快。
我统计了一下，在2023年《银行家》杂志评选的“十佳数智化案例”中，有7个案例都是聚焦于单一场景、利用存量数据做模型优化，而不是全面推倒重来。网商银行的“大山雀”系统虽然用了卫星遥感这样的黑科技，但本质也是先解决“农业贷款的场景数据缺失”这一个痛点，数据闭环后再逐步拓展。
所以，我给银行的行动建议很直接：第一，立刻启动全行级数据标准统一工作，哪怕先从客户和产品两个核心域做起。第二，强制存量系统改造，做到“一数一源”，取消手工数据补录接口。第三，选择一到两个场景（比如贷前反欺诈、贷后早期预警），与现有风控团队共同设计基于机器学习的辅助决策模型，先做“人机协同”，再逐步过渡到“机器决策”。
从数字化到数智化，一字之差，差的是决心与耐心
说实话，我们不必对银行过于苛责。从手工记账到电子化用了20年，从电子化到集中式核心系统又用了10年，从集中式到数字化的道路至今尚未完全走完。数智化不是一蹴而就的，它要求银行同时具备数据治理的自律、组织变革的勇气和技术创新的耐心。但如果我们总是把“自动化报表”当作智能化成果，把“电子审批”当作数智化转型，那五年后回头看，依然会是一地鸡毛。
方向是对的，但步子要踏实。2024年银保监会已把“数据治理”纳入了监管评级的重要指标，罚款只会越来越重，转型窗口正在收窄。我建议每一位银行从业者，从今天起，不再把“数智化”当作一个营销词汇，而是真正去审视你的数据质量、你的决策流程、你的组织协同——因为一字之差，差的不是技术，而是思维。
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。