数智化不是数字化的升级版，而是决策权的重新分配

从数字化到数智化，只多了一个"智"字。但我一直认为，这一个字加的不是技术含量，而是决策权的转移——过去十年银行忙着把流程搬上线，接下来要做的，是把判断交给模型。前一件事是IT工程，后一件事是治理工程。这两件事的难度，不在一个量级上。

2024年11月，人民银行等七部门联合印发《推动数字金融高质量发展行动方案》，明确提出到2027年基本建成与数字经济发展高度适应的金融体系；今年3月，金融监管总局又印发银行业保险业数字金融高质量发展的实施方案。文件里的措辞变化很值得琢磨，"数字化"三个字后面，悄悄跟上了"智能化"。政策语言从来不含糊，一个词的增减往往意味着一轮新的考核口径。

渠道替代率摸到天花板，数字化的账该结了

先看一组我比较熟悉的数据。农业银行手机银行月活已经站上2亿，工行、建行都在1.5亿以上；柜面交易替代率，大中型银行普遍在95%以上，很多分行报上来的数字是97%、98%。这个指标再往上加，已经没有多少空间了。

换句话说，数字化这一轮的红利，银行基本吃完了。手机银行的功能堆到几百个，MAU却开始横盘；线上贷款占比冲到六七成，获客成本反而在涨。2025年一季度商业银行净息差1.43%，城商行、农商行更低，成本收入比压到30%上下——这时候再靠"多上一个系统、多加一个功能"来要效益，说实话，边际收益已经薄得像纸。

所以数智化不是一个更好听的说法，它是被逼出来的。当流程效率已经没有水分可挤，剩下的空间只能从"判断效率"里找。

大模型是个放大器，它先把脏数据放大成脏决策

我参加过几次同业交流，最常听到的一句话是"我们的数据量很大"。数据量大和數據可用，完全是两回事。

举个例子。一家股份行的客户画像标签有三千多个，听起来很唬人。但我后来发现，真正进入授信决策环节的不到5%，其余大部分躺在标签库里，只在报表和汇报材料里出现过。问题出在哪？出在口径。1104报表一套口径，EAST报送一套口径，业务系统里又是第三套口径，同一个"逾期"在不同系统里能算出三个数。监管这几年对EAST数据质量的处罚一直没停过，罚单金额从几十万到几百万，原因大多写得很朴素——数据报送不准确、不完整。

2024年12月发布的《银行保险机构数据安全管理办法》，2025年6月1日起施行，把数据治理从"技术问题"正式提到了"合规问题"的高度。我的判断是：大模型是一个放大器，好数据进去放大成好决策，脏数据进去就放大成脏决策，而且放大之后你还看不清它错在哪。这比不用模型更危险。

模型批的贷款出了不良，字该谁签

这是我认为数智化真正的坎，而且技术部门解决不了。

现在银行的智能审批，基本都跑在小额消费贷、线上经营贷这些标准化场景里，单笔金额小、样本量大、模型可以快速迭代。一旦到了对公授信，尤其是几千万上亿的项目贷，模型基本只能做辅助——出个评级、跑个预警、生成一版尽调初稿，最后拍板的还是人。

为什么？不是模型不够聪明，是责任链条没设计好。客户经理签字的贷款出了不良，要追责、要问责、要扣绩效，这些制度是现成的；模型批的贷款出了不良，追谁的责？追算法的责任，还是追训练数据提供方的责任，还是追那个在系统里点了"同意"的人的责任？

我见过一些行的"人机协同"流程，人工复核环节名义上保留了，实际上就是看一眼点通过，通过率99%。这种复核不叫风控，叫免责。

所以我的观点很明确：如果风险责任的分配机制不重新设计，数智化就只能一直在营销、客服、运营这些"不出人命"的场景里打转，永远进不了核心的风险决策环节。而这恰恰是价值最大的地方。

科技算投入，业务算不良，两本账永远对不上

六大行一年的金融科技投入合计超过1100亿元，工行一家2024年就接近290亿。这个投入强度放在全球银行业都不算低。但钱花在哪儿，账怎么算，各家差别很大。

科技部门的KPI是系统上线数量、需求交付周期、系统可用率；业务部门的KPI是不良率、AUM、中收。两套考核体系之间没有交集，结果就是科技部门乐于建平台、建中台，业务部门乐于提需求、要报表，中间的"模型到底有没有被用起来"，没人真正负责。

智能客服是个典型。几乎每家行都在年报里写过"智能客服替代率超过90%"，但如果你去问"一次解决率"是多少，答案往往含糊。解决率的定义本身就有一堆操作空间——转人工之前挂断算不算解决？客户重复进线算不算解决？反正口径各家自己定。

换把尺子量：从"上线率"到"干预率"

要我说，数智化时代的考核指标，至少有三个得换。

一个是模型调用率。不是模型建了多少个，而是一线每天真正调用了多少次，在多少笔业务里发挥了作用。建而不用，等于没建。

一个是人工干预率。自动化决策的业务里，人被触发了多少次，触发之后有多少比例改判了模型结论。改判率高说明模型还嫩，改判率极低说明人工复核已经形式化，两个极端都要警惕。

还有一个是数据一次准确率。从业务发生到进入报表，中间不返工的比例。这个指标最能反映数据治理的真实水平，也最能决定模型的上限。

我的建议是，把这三个指标写进分行的经营考核，而不是只在科技条线内部流转。指标跟着钱走，事情才推得动——这话听起来不够体面，但在银行干了这些年，我确实没见过只靠倡导就能落地的转型。

往远看，数智化真正拉开差距的地方，不在于谁家的大模型参数更多，而在于谁先把数据口径统一、把责任边界划清、把考核尺子换掉。这三件事做完，技术选型反而是最不难的一步。反过来说，这三件事不做，投再多钱也只是把数字化又做了一遍，只不过这次贵得多。

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。