从囤算力到买应用:中小银行正在挤掉AI的水分
2023年那会儿,我参加过一场省级农信联社的科技条线座谈会,茶歇时走廊里聊得最热的不是信贷投放,而是"你们今年能批多少卡"。两年过去,同一批人坐在一起,谈的是智能客服的单次会话成本、贷后报告的生成准确率。中小银行的AI采购,正在从"囤算力"切到"买应用"。这不是技术路线的调整,是花钱逻辑的纠偏。
那一轮抢卡,买回来的多数是心安
2023年到2024年上半年,算力在国内是卖方市场。一台八卡训练服务器,报价从80万一路被炒到一百二三十万,还得排队等货。我们行当时也报了预算,理由很朴素——"总得有吧,万一以后要用"。后来发现,这台机器在机房里跑了不到三个月的训练任务,剩下时间基本半休眠,GPU利用率长期在15%上下晃。
这不是个案。我接触过的几家城商行,情况大同小异。买的时候想的是"自建大模型底座",用起来才明白,底座不是买来的,是调出来的。而调模型要人。中小银行科技人员占全行比例普遍不到3%,真正懂深度学习的可能一只手数得过来,个别行压根没有。
掉头的三个推手
转折点出现在2025年初。DeepSeek-R1开源之后,本地化部署一个能用的推理模型,硬件门槛从"八卡集群"降到了"两张卡"。一夜之间,2023年囤下的算力从资产变成了包袱——你花一百多万买的东西,隔壁行花二十万跑出差不多效果。这笔账,谁心里都清楚。
成本只是一面。更要命的是监管口径。2024年12月金融监管总局发布《银行保险机构数据安全管理办法》,把数据分类分级、出域管控写得非常细。客户信息、信贷流水这
再加上净息差。2025年一季度末商业银行净息差已经掉到1.43%,中小银行的处境比大行还紧。这种时候,任何一个科技项目都得回
所以你去看现在中小银行的采购清单,模样变了。不再是"AI中台""大模型平台"这类听着体面但说不清用途的东西,而是一个个具体场景——信贷调查报告辅助生成、贷后管理预警摘要、反洗钱可疑交易初筛、柜面业务智能问答、合同要素抽取。
关的。现在买的到底是什么
所以你去看现在中小银行的采购清单,模样变了。不再是"AI中台""大模型平台"这类听着体面但说不清用途的东西,而是一个个具体场景——信贷调查报告辅助生成、贷后管理预警摘要、反洗钱可疑交易初筛、柜面业务智能问答、合同要素抽取。
举个我们行自己做过的事。一份信贷调查报告,客户经理写下来,加上查征信、翻流水、核工商信息,平均两三个小时。接了一套本地化小模型的辅助工具后,初稿生成大概十分钟,客户经理改改就能用。这个投入产出比,算得清,也报得上会。业务部门后来主动来找科技部加场景,这在以前是很少见的。
厂商那边也变了。2023年卖的是"一体机",一台几百万,交付完就走人。现在卖的是"场景+订阅",按调用量或坐席数收费,一年几十万,效果不达标还能换。这种模式对中小银行友好得多,本质上把技术风险转嫁给了供应商。
我的判断:别高兴太早
说实话,我对这波转向是支持的,但也有点担心。支持的理由很直白:中小银行没必要在底层技术上证明自己,你的竞争力在客户和区域,不在参数量。担心的理由同样直白——场景采购的坑,比自建更深。
自建的时候,出了问题自己心里有数。买应用的时候,模型是别人的,数据是你的,中间隔着一层黑箱。模型幻觉在通用场景里是段子,在信贷、合规场景里就是风险。我见过一个案例,某行的智能问答把一份已经废止的内部制度当成现行制度推给了柜员,好在是内部使用,没捅出大娄子。这种事一旦涉及客户,性质完全不同。
还有外包风险。《银行保险机构信息科技外包风险监管办法》对重要外包有明确要求,包括集中度管理、退出安排、审计权。我翻过不少中小银行签的应用合同,条款薄得像张纸——数据怎么处理、模型怎么更新、退出时数据怎么拿回来,写得含含糊糊。真出了事,你连追责的路径都不清晰。
我的判断是,未来两年中小银行的AI采购会明显分化。一批行会把场景做深,把数据和流程打通,形成实打实的效率差;另一批行会变成"AI应用展览馆",买一堆工具,每个都浅尝辄止,最后什么都没沉淀下来。分野不在预算多少,在于有没有人能把业务流程拆到可以被模型接住的那一层。
今年有预算,该怎么花
如果你手上正好有一笔科技预算,我建议先别急着看厂商的PPT。拿出一张纸,把行里最耗人力的三个流程写下来,标出每个环节里有多少是"读材料、抄材料、核材料"。这些环节才是AI真正能吃掉的。然后去谈单点,别去谈平台。先跑出一个业务部门愿意天天用的小场景,比什么都管用。
AI这件事,中小银行输不起,但也急不得。买对了是效率,买错了是账单。
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。
