ARTICLE · 1318282

新代码八成由AI生成之后:拆解中国平安的三层重构、一个飞轮与三大工程

发布时间：2026-11-06 08:07:01 最近访问：2026-11-06 08:07:02

新代码八成由AI生成之后

拆解中国平安的三层重构、一个飞轮与三大工程

数据截至 2026 年 9 月

数据来源：《中国平安2026年中期业绩报告》“科技赋能”（港交所，2026-08-20）、《释放AI生产力：中国平安的三大AI工程》（巨潮WAVE，2026-08-28）、《从Token到价值：平安之解》（王晓航，2026云栖大会，2026-09-22），另参考“九九归一”计划公开报道。数据截止2026年9月22日。

金融机构的AI建设，公开材料多是“上线了多少个应用”式的清单。平安是少数把指标披露到任务级的机构：新代码AI占比、需求交付增量、岗位工时节约、端到端解决率。

这些数字串起来，能看出一个完整的工程结构。本文按公开材料还原这套结构，并对其中的关键数据做拆解核算。

一、建设思路：三层重构、一个飞轮、三大工程

从公开材料看，平安的AI建设首先体现为一个完整的重构框架，而不是一张工具清单。它给自己定的命题是“同时改三层”，而非“上多少个AI应用”。这一框架在国内金融机构中具有领先性和系统性。

图 1-1 三层重构、一个飞轮、三大工程的关系总览。数据截至 2026 年 9 月，来源见文末。

1.1 三层重构

平安把AI转型拆成三个方向，且强调必须同时推进：向外重构客户服务、向内重构企业生产、向下重构技术底座。这个划分的价值在于，它把“AI项目”从部门级动作提升为集团级的结构性改造，避免了只做前台应用的常见做法。

表 1-1 三层重构的内容与代表成果

层次	重构对象	代表成果	最新公开数据（时点）
向外	客户服务	AI快捷服务、AI医生、全球急难救援	300余项高频服务、使用人次破亿、端到端解决率92%、办理时长节约一半以上（2026.9）
向内	企业生产	三大企业AI工程：AI编码、AI运营、AI办公	新代码AI占比约80%、AI测试67%以上（2026.9）；标杆岗位综合提效21%（2026.8）；办公场景覆盖70%（2026.6）
向下	技术底座	AI Max Harness、万卡智算、安全治理体系	日均Token 3,000亿、单位Token成本−76%、单位算力Token产出+368%（2026.9）

1.2 四要素飞轮

2025年，平安提出“AI in ALL”原则，构筑“数据、算力、算法、场景”四大核心能力并形成飞轮闭环。该飞轮的逻辑是：以场景优势转化为数据优势，再用数据反哺模型，最终以更低的成本回到更多场景。闭环一旦运转，后来者的追赶成本会递增。

飞轮的输入端是“场景”而非“模型”，这与多数机构“先选模型、再找场景”的顺序相反。对拥有丰富业务场景和私域数据的金融机构而言，这一顺序更能发挥自身优势，也为“模型可替换”的开放策略提供了基础。

1.3 三大工程的分工逻辑

三大工程处于同一条链上的三个位置，各自解决一个不同的问题：

这条链的设计是完整的：编码提升供给侧产能，运营重构作业分工，办公完成全员扩散，三者互为支撑，缺一环则整体效率难以兑现。多数机构只做了其中一到两个环节，平安的完整性是其主要特点。

1.4 一条被反复强调的原则

原文中有一句方法论表述，值得直接引用：

“局部替代不等于人力降本，单点提效不等于整体提效。只有当需求、研发、测试、交付和运营同步重构，单个环节省下的时间才能转化为组织的整体效率。”

这句话体现了平安对AI落地规律的清醒认识：它不以单点指标为满足，而是把“整体效率兑现”作为检验标准。这一方法论对同业具有很强的参考价值——在规划AI项目时，应同步设计下游环节的承接能力，避免“局部加速、整体不动”。

二、AI编码：从“生成代码”到“重构生产方式”

AI编码是三大工程中披露数据最多、成熟度最高的一块。公开讨论多聚焦于新代码AI占比，而其变化更多发生在流程与知识层。

2.1 三个转变：爱码不只是代码生成器

平安自研的编码工具“平安爱码”，其设计目标不是“多写代码”，而是推动三个结构性转变。

表 2-1 平安爱码的三个转变

转变	从	到	实质
开发模式	人写机辅	人机协同、AI深度参与；7×24小时云端编码，端到端自动化交付	开发者角色从“生产者”转为“审核者与定义者”
提效范围	单点编码	需求—编码—测试全链路贯通；上游需求AI化以降低返工	把局部加速变成流水线加速
编码范式	vibe coding 模型自由发挥	知识驱动规范编码；代码、系统信息、工程规范、文档资产化，每系统建专属知识库	用企业知识约束模型自由度，把“运气”变成“可重复”

2.2 数据的三个时点

表 2-2 AI编码相关指标的时点演进

指标	2026年6月末	2026年8月	2026年9月	口径说明
新代码AI占比	62%	77%	约80%	中报“新代码AI占比”；8月为业绩会披露；9月演讲称“80%的代码”
AI辅助需求占比	63%	—	—	2026年上半年口径
AI测试占比	>50%	—	67%以上	持续提升
需求交付增量	—	—	约20%	“在很多团队”多交付约20%需求
无人值守交付	—	—	约20%	“常态化场景中约20%的常规需求”

从时间轴看，各项指标均呈持续上行态势：新代码AI占比在三个月内从62%提升至约80%，AI测试占比从50%以上提升至67%以上。这一斜率在国内大型金融机构中处于领先位置，反映出编码智能化已越过试点期、进入规模化兑现阶段。

2.3 一个可以拆开看的样本：AI-MDT

AI-MDT是面向肿瘤等重疾患者的多学科会诊平台。上半年，团队组建4人的“AI原生敏捷战队”，用爱码重写该平台，流程是：先把历史代码与项目文档蒸馏成千余篇结构化知识，形成知识库；再由AI推进全链路交付——需求生成、自主编码、部署联调、直到端到端全量测试用例跑通；最后由人工专项审核校正。

结果是4个人、1个月，完成了原本需要10人、3个月的交付。

该案例的示范意义主要在过程：人只负责“定目标、划边界、做验收”，每一轮发现的问题与经验回流进知识库，准确度持续提升，形成自我强化的结构——用得越多，知识库越厚，下一轮起点越高。这为存量系统的AI化改造提供了一条可复制的路径。

2.4 分析：为什么第三个转变最关键

前两个转变在行业内较为常见，第三个转变是平安方案的主要差异点，也是最值得同业借鉴的部分。

行业主流做法是把通用模型直接接入IDE，靠提示词和上下文窗口生成代码。这条路的上限相对明确：模型不了解企业自身系统，生成结果语法正确但结构未必匹配。平安的做法是先建知识库再谈生成率——把代码、系统信息、工程规范、文档资产化，为每个系统建专属知识库。原文对此的表述是“让老代码重构有据可依，让系统迭代有章可循”。

这一选择同时支撑了其“开放引入”的模型策略：当知识沉淀在企业侧，模型就是可替换的推理引擎，换模型不会损失知识资产，反而能更快获得新模型的能力增益。从工程角度看，这是一种可维护性较好的架构选择。

2.5 一个值得关注的数字：20%

云栖演讲中有这么一句：

“在平安，大概80%的代码、67%以上的测试由AI生成。在很多团队，我们已经看到，AI真实地帮助我们多交付了20%左右的需求。”

从分析视角看，20% 比 80% 更能说明问题：80% 回答“生成了多少”，20% 回答“多交付了多少”，后者直接对应端到端结果。演讲中同时提到“约20%的常规需求可无人值守交付”，两个20%分别对应需求增量与自主交付比例，指向的是同一件事——AI开始从“工具”变为“产能”。

需要说明的是，AI提效的度量是整个行业的共同课题。目前通行的三类做法各有局限：

表 2-3 AI提效的三类常见度量及其局限

度量方式	典型表述	主要局限
自评	问卷“你觉得快了多少”	存在主观偏差
同比	与去年同期比交付量	混入业务波动、人员变动等因素，归因困难
单项目回溯	某项目从X人月降到Y人月	样本代表性有限

行业正在探索更客观的度量方式，如需求交付周期、单位需求人力投入、返工率等。这些指标不依赖主观评价、跨团队可比，但需要打通需求系统、代码库与发布系统。平安在AI运营中推行的“环节级拆解”，正是朝这个方向迈进的一步。

三、AI运营：以岗位为单位的任务重构

在三大工程中，AI运营更接近一次岗位再设计，而非传统IT项目。三份材料中，这部分的借鉴价值较高。

3.1 路径：单岗位—多场景—逐个环节AI化

平安的AI运营有一个明确的推进次序：先锁定单个岗位，再拆解该岗位的多个业务场景，最后逐个环节做AI化改造，让AI逐步承接完整任务而不是零散动作。

配套的组织机制是“OPC共创”：由业务专家、产品经理和AI工程师组成混编敏捷小分队。其中业务专家的角色变化较大——不再只是提需求，而是直接参与业务规则梳理、Skill编写、知识库建设和生产验证。这一安排改变了传统“业务提需求、科技排期开发”的协作模式，大幅降低了需求翻译损耗，是组织层面的重要创新。

验证机制有两条漏斗：用户体验漏斗与生产运营漏斗，跟踪使用率、任务成功率、处理时效和AI替代率四项指标，形成了可量化的闭环验证体系。

3.2 一个拆到环节级的样本：金融风控审批岗

表 3-1 风控审批岗的任务拆解与AI化进度

环节	数量	说明
业务场景拆解	5 类	审批岗的全量作业场景
作业环节识别	400 余个	把岗位拆到不可再分的最小作业单元
完成AI化改造	320 余个	占比约八成
沉淀Skill	300 余个	覆盖规则匹配、资料核查、外呼验证
端到端可AI完成	40%	审批作业整体，非环节口径

这一拆解方法的精细程度在行业内少见：将一个岗位拆到400余个不可再分的作业单元，再逐一评估AI化的可行性。八成环节完成AI化改造的同时，端到端达到40%，体现出推进节奏的稳健——优先改造标准化、可验证的环节，把需要复杂判断的环节保留给人，与“让AI承担标准化、可验证的作业，让员工聚焦复杂判断、客户沟通和创新”的方法论一致。

3.3 提效数据的两个口径

中报披露“AI运营 13% 岗位提效”，公开报道披露“截至8月底，首批7个标杆岗位阶段性综合提效达到21%”。两个数字的统计范围与口径不同：

表 3-2 13% 与 21% 的口径差异

指标	数值	分母	定义	时点
岗位提效	13%	集团内七个业务运营类岗位	通过AI节约的人工工时	2026年6月
综合提效	21%	首批7个标杆岗位	阶段性综合提效，含使用率、成功率等复合口径	2026年8月底

前者是全集团七个岗位类别的整体水平，后者是首批标杆岗位的先行数据。两组数字共同说明：标杆岗位的提效速度领先于集团整体，随着改造经验向更多岗位复制，集团口径的提效水平有望继续上行。公司提出的年底30%目标，针对的正是标杆岗位这一先行梯队。

四、AI办公：覆盖率的另一面

AI办公的披露数字在三大工程中覆盖面最广——70%的办公场景覆盖、2,700余人试点。

4.1 建设内容

平安面向全集团推出员工办公“万能服务”，打通邮箱、会议、OA、绩效等核心系统，做“能搜索、能总结、能写作、能办事”四件事，并按岗位角色上线开箱即用的技能包，目标是“员工一句话，AI来办事”。

代表性功能是“记一笔”：会议智能纪要，支持纪要、诊断报告、质量评分一键生成。在招聘场景中，它作为面试官的数字助手，协助记录重点、总结评价、生成报告，仅在面试评价环节即可为每位面试官节约0.27小时。目前“记一笔”已嵌入客户拜访、面试招聘等五大核心业务场景，试点覆盖2,700余人。

4.2 分析：覆盖广、渗透深处于爬坡期

70%的场景覆盖说明AI办公已完成“面”上的铺开，这是规模化应用的第一步。从 token 消耗的分布可以旁证这一点：按25万员工与2.53亿客户两个口径分别推算，token 消耗的主体在客户服务与业务处理侧，办公侧的使用量仍在爬坡过程中。

办公场景的特点是单点节约小、涉及面广：0.27小时/人的面试评价节约看似不大，但当此类技能包覆盖到全部岗位与高频场景后，总量将相当可观。随着技能包按岗位持续上线、使用习惯逐步形成，办公侧的渗透率还有明显提升空间。

五、客户侧：从“十几个App”到“一句话办事”

前四章讲的是企业内部的AI——编码、运营、办公。本章讨论面向客户的AI。这一块的特色是：其指标（端到端解决率、办理时长）直接形成了可验证的服务闭环。

5.1 做了什么：先统一渠道，再谈AI入口

2026年4月9日，平安推出“九九归一”计划：将旗下十几个App、超7亿互联网注册用户整合至一个统一入口，并上线金融业首个“一句话能办事”的AI助手“快捷服务”。

中报的表述是：在线上渠道以AI为核心驱动，打造统一科技平台与“快捷服务”入口，整合金融与非金融账户，贯通平安金管家、平安口袋银行、平安好车主、平安好医生等多个App与各类服务场景，AI查问办覆盖集团88%的业务场景，实现“一个入口、一站式解决”。

其中“整合金融与非金融账户”是难度最高、也最具战略意义的一步。十几个App各有自己的账户体系、权限、产品目录和办理流程，完成这一步的打通，才让“一句话办事”具备了真正的办理能力。这一实践说明：AI入口的效果取决于后端业务的API化与统一编排程度，渠道整合先行是客户侧AI落地的前提。

5.2 关键指标一览

表 5-1 快捷服务的关键指标

指标	数值	时点
整合规模	十几个App、超7亿注册用户	2026.4
业务场景覆盖	88%	2026.6
体验人次	4,700万	2026上半年
累计使用	破亿	上线4个月（约2026.8）
服务品类	300余项高频服务	2026.9
端到端解决率	92%	2026.9
办理时长	较传统模式节约一半以上	2026.9

用披露数据可以做一个简单测算：4月9日至6月30日约83天、4,700万人次，日均约57万；到8月上旬约120天、累计破亿，日均约83万，日均强度在两个月内提高约45%。使用人次的快速增长说明该服务已进入规模化推广阶段，且用户接受度较高。

5.3 客户侧指标为何更具说服力

客户服务天然有明确的起止点——一次咨询、一个诉求、一笔办理，起点和终点都在系统里留痕，因此能够给出“端到端解决率92%”“办理时长节约一半以上”这类直接反映服务结果的指标。这也是快捷服务成为观察AI落地成效的优质样本的原因。

对同业而言，这一经验提示：在规划AI应用时，优先选择起止清晰、结果可验证的场景切入，更容易形成“投入—产出”的可信证据链。

5.4 两个值得关注的方向

一是“查、问、办”的结构。 “AI查问办”涵盖检索、问答、交易办理三类能力，其中“办”直接创造业务价值。随着后端办理能力的持续扩展，快捷服务有望从服务入口进一步升级为交易入口。

二是数据反哺。每天数十万次真实诉求的会话，属于稀缺的需求图谱与语料来源。若会话数据持续回流至垂域模型训练，快捷服务将同时成为“垂域飞轮”的输入端，形成“服务越多、模型越准”的正循环。

六、底座：算力经济性与治理体系

三大工程的规模化依赖底座层。底座层的数据技术化程度最高，本节以核算方式呈现其经济性的改善。

6.1 算力与Token

表 6-1 算力、Token 与利用率（2025年12月—2026年9月）

指标	2025.12	2026.9	增长
日均 Token 消耗	300 亿	3,000 亿	10 倍
算力规模（峰值 FP16）	800 PF	1,500 PF	1.88 倍
单位算力产出	0.375 亿 token/PF/日	2.0 亿 token/PF/日	5.33 倍
有效利用率（折算）	≈12%	≈28%	2.33 倍
单位算力产出（官方口径）	—	—	4.68 倍（+368%）

十个月内，Token 消耗增长 10 倍，而算力规模仅增长 1.88 倍，单位算力产出提升约 4.7 倍（官方口径+368%）。这意味着算力使用效率实现了数倍提升。

① 单位算力产出的提升来源

3,000 亿 ÷ 1,500 PF ＝ 2.0 亿 token/PF/日\ 300 亿 ÷ 800 PF ＝ 0.375 亿 token/PF/日

同一份算力，产出提高 5.33 倍。该倍数可分解为两个来源：

表 6-2 5.33 倍的分解

来源	倍数	靠什么
利用率 12%→28%	2.33×	潮汐混部、PD 分离、连续批处理
每 Token 计算量 −56%	2.29×	蒸馏、模型小型化、MoE

即：产出提升主要来自利用率提高与模型小型化两方面，分别对应调度优化与模型工程两类能力。

② 理论产能与实际负载

以70B模型估算（生成一个 token 约需 2N 次运算，N 为参数量）：

1,500 PF × 86,400 ÷（2 × 70B）＝ 9,257 亿 token/日

实际日均 3,000 亿，理论产能仍有较大余量。结合训练任务占用、主力模型小型化、负载波峰波谷等因素，现有算力对未来 Token 增长具备充足的承接空间——后续的用量扩张无需等比例增加算力投入，这对成本控制是积极信号。

③ 算力规模与卡型结构

以昇腾 910C（理论 BF16 稠密约 800 TFLOPS）折算：

1,500 PF ÷ 0.8 PF/卡＝约1,875 张等效910C

结合“万卡规模”“多卡型整合”的披露口径，可以推断其算力池为多卡型混编结构：以少量高端训练卡承担模型迭代，以大量推理卡承接业务流量。配合“算力切分、潮汐混部”的调度策略，这一结构在外部算力供应链紧张的背景下，兼顾了性能与可得性，是务实的工程选择。

6.2 模型与垂域飞轮：榜单第一的背后

平安的模型策略是“蒸馏 + 强化学习外部先进开源模型”，自建金融与医养垂域大模型。公开战绩是：医疗大模型在 HealthBench Hard 排名全球第一，金融大模型在 CNFinBench 综合排名第一。

6.2.1 技术路径：用好基座，筑高垂域

垂域模型的建设路径可归纳为四步：

第四步是金融机构的结构性优势：保险与医疗有大量“答案唯一”的历史数据——核保结论、理赔金额、病历编码、条款适用，都是天然的可验证奖励信号。这是通用模型厂商不具备的条件，也是垂域模型能够登上榜首的根本原因。

6.2.2 榜单的持续领先机制

榜单成绩是能力的一次快照，持续领先靠的是迭代速度。平安将“模型发布到全员可用”的周期压到一周以内，意味着每次基座升级都能快速完成垂域重训与全量推广，把“追版本”变成了流水线。这一机制是其垂域优势得以保持的关键工程保障。

6.3 治理

平安从0到1构建了“1个AI研发流程管控 + 5项AI应用安全保障能力”，覆盖AI模型及智能体的全生命周期，目标“安全可控、可靠、可溯”。对一家管理2.53亿客户、25万员工的金融集团而言，AI治理体系的全生命周期覆盖，是各项AI应用得以规模化推广的重要底座。

七、数据全景：一条持续向上的增长曲线

把三份材料按时间轴拼起来，可以看到一条方向明确的增长曲线，可作为后续跟踪的基线。

表 7-1 平安AI关键指标时间轴（2025年12月—2026年9月）

指标	25.12	26.1	26.6	26.8	26.9
日均Token	300亿	400亿	1,200亿	2,100亿	3,000亿+
新代码AI占比	—	—	62%	77%	约80%
AI测试占比	—	—	>50%	—	67%+
AI辅助需求占比	—	—	63%	—	—
办公场景覆盖	—	—	70%	—	—
运营岗位提效	—	—	13%	21%（标杆岗）	—
算力单位成本	—	—	−50%	—	—
单位算力产出	—	—	—	—	+368%
Token成本	—	—	—	—	−76%