夜雨聆风AI竞赛正在迎来新的分水岭：银行真正要比拼的不是谁拥有更多应用，而是谁能把AI沉淀为持续进化的组织能力。
银行业的AI转型正在进入新的分水岭。上一阶段，竞争焦点是“谁更快部署AI、谁拥有更多场景”；当前阶段，竞争焦点正在转向“谁能把AI转化为可衡量的经营价值和可持续的组织能力”。Evident AI Index 2025显示，领先银行正在加速拉开差距；研究预测，全球AI相关支出到2028年将达到6,320亿美元，银行业仍是重要投入行业，AI竞赛不会降温；与此同时，全球智库指出，74%的企业尚未从AI中证明切实价值；92%的公司计划在未来三年继续增加AI投资，但只有约1%的领导者认为自身AI部署已经成熟。投入继续加码，价值仍待证明，分化加速进行，银行业正在面对一个更现实也更残酷的命题：AI投入越热，价值拷问越严峻。
这场进化最大的误区，是银行拥有越来越多的AI项目和AI场景，却缺少可沉淀、可复用、可衡量、可治理的组织能力。未来几年，银行之间的差距将不只体现在模型参数、算力规模或场景数量上，而将体现在一个更根本的问题上：AI实践能否沉淀为持续加速增长的组织生产力。能沉淀，就形成复利；只堆叠，就消耗组织能量。
一、AI投入越热，价值焦虑越深：银行业正在面对“AI生产力悖论”
1. AI投资在加速，回报仍待证明
AI已成为银行业最确定的战略投入之一。头部银行年报释放出清晰信号：AI布局已经从试点探索进入规模落地。工商银行在30余个业务领域落地超500个AI应用，邮储银行布局超260项大模型场景；招商银行落地856个AI场景，中信银行披露智能服务场景超1,700个、AI大模型应用场景超120个，兴业银行上线260余个AI应用场景，浦发银行建设超过200个AI场景。应用数量正在快速增加，真正稀缺的已不再是有没有场景，而是能否把数百个场景转化为组织级复利。
多项最新研究给出了同一个警示：AI投入正在继续加码，但价值兑现仍然滞后。McKinsey的研究中指出，绝大多数企业计划继续增加AI投入，但真正认为自身AI部署成熟的领导者仍是极少数；BCG也指出，企业AI价值创造能力仍明显分化。Gartner进一步预测，到2027年底，超过40%的Agentic AI项目可能因成本上升、商业价值不清和风险控制不足而被取消。AI竞赛已经进入价值证明阶段。
场景数量、覆盖率和交互次数仍然重要，但它们更多是过程指标。真正能说服董事会和业务条线的，是AI是否带来了经营结果，并形成可复用的能力资产。数百个AI用例，如果不能进入价值闭环，就只是数百个孤岛；一次成功试点，如果不能沉淀成平台、流程、人才和治理机制，就只是一次昂贵的演示。
2. “龙虾时刻”：Agentic AI元年已至，组织准备时间进一步缩短
2026年被广泛视为Agentic AI元年。决定性变化在于，技术上，AI开始具备连续感知、规划、调用工具与闭环执行任务的能力；商业上，AI原生公司正在从“提供软件工具”转向“交付工作结果”；组织上，企业开始从“人执行、AI辅助”走向“人定义目标、AI承担部分执行”。随着记忆能力、推理能力、工具互联与企业级协议逐步成熟，Agent已不再只是实验性技术，而正在进入真实业务环境，成为新一代组织执行体系的重要组成部分。
我们在《AI银行进化论》白皮书中曾讨论AI时代银行进化的三种演进态：AI Empowered、AI First和AI Native（拓展阅读：《从效率革命到生态重构，打响对公业务数智化升维战》）。今天看，这三种演进态并非线性升级，而会在未来并行存在。同一家银行内部，部分岗位适用于AI Empowered模式，用AI提升个人效率；部分流程进入AI First阶段，让AI参与业务判断和流程编排；部分新业务、新产品和新运营模式，则可能从一开始就具备AI Native特征，围绕AI和智能体重新设计。
技术的快速发展，也让预期中的演进变得更复杂、更紧迫。技术正在以周为单位迭代，组织调整往往以年为单位推进。银行AI转型最大的时间差，正出现在技术能力和组织承接能力之间。Agentic AI真正压缩的，不只是技术部署时间，更是银行重构组织的时间。
3. 生产力悖论：个人高效，不等于组织智能
AI正在重演一场经典的生产力悖论。19世纪末，电力和电动机已经出现，但生产率并未立即跃升。许多工厂只是用电动机替代蒸汽机，仍然沿用旧厂房、传动轴、工序安排和管理方式。真正的改变发生在企业围绕电力重新设计工厂之后：机器按流程布局，动力从集中传动转向分布式驱动，岗位、工序和管理节拍被重新组合，最终催生现代流水线和规模化工业组织。经济史研究显示，美国制造业生产率的显著加速集中出现在几十年后的1920年代。
这对AI时代极具启发：技术真正改变生产力的时刻，往往不是被引入组织之时，而是组织开始围绕技术重新设计自身之时。把AI接入旧流程，只能带来局部提效；围绕AI重构流程、岗位、协同和治理，才可能释放组织级生产力。更重要的是，AI的影响可能比电力时代更深，因为它改变的不只是动力来源，而是知识生产、判断生成、任务执行和组织协同本身。
a16z关于“个人AI”和“机构AI”的讨论也指向同一结论。个人AI解决的是个体任务提效、内容生成、信息整理和即时辅助决策；机构AI要解决跨部门协调、流程嵌入、领域知识沉淀、风险规则约束、价值衡量和可审计复用等。“10x个体”无法自动造就“10x生产力组织”。
银行AI生产力悖论主要集中在4点：个人效率提升，但流程没有重构；场景试点成功，但组织能力没有沉淀；应用数量增加，但价值闭环不足；技术能力增强，但治理和责任边界滞后。AI越接近核心业务，组织准备不足的问题越突出。
二、AI“复利效应”：领先银行正在从“应用领先”走向“体系领先”
1. AI复利的本质，是把每一次实践变成下一次创新的基础
AI复利效应，是银行通过持续的AI投入、场景沉淀、人才增长、平台复用、价值度量和治理建设，让每一次AI实践都提升下一次AI创新的速度、质量和成功率。它追求的是能力连续累积，而非一次性ROI；衡量的是组织系统增厚，而非单个项目成功。
它是多个要素构成的飞轮效应：人才越多，越能识别和落地高价值场景；场景越多，越能沉淀共性能力和业务知识；应用越深入，数据和反馈越丰富；平台越成熟，新场景上线成本越低；治理越清晰，高风险场景越敢规模化；价值越可衡量，资源投入越容易形成正循环。AI复利的核心在于让AI越做越容易、越用越聪明、越管越安全、越投越有底气。
这也解释了为什么领先银行的优势会持续扩大。Evident AI Index 2025指出，排名前十的银行在AI表现上的提升速度是其他银行的2.3倍。差距并非来自某一个明星应用，而来自“能力建设—业务产出—组织再投资”的闭环。领先银行开始把AI沉淀为组织看得见、业务用得上、风险管得住、价值算得清的能力；未系统性进化的银行则容易陷入“项目多、复用少；试点热、规模难；工具多、组织弱”的循环。
2. 从统一入口到AI操作系统：领先银行正在构建体系能力
从全球领先银行实践看，银行应用AI的主流路径仍然是“内部优先、助手优先、统一入口优先”，再逐步进入更复杂的外部客户场景。这一路径并不保守，反而非常务实：内部场景风险相对可控、使用频率高、反馈数据丰富，最适合建立AI使用习惯、治理机制和价值度量体系。全行级AI助手因此成为很多银行组织AI化的第一入口。
领先银行正在形成一个清晰方向：AI建设不能停留在工具层，必须上升为组织级操作系统。这个操作系统包括统一入口、数据底座、模型工程、流程嵌入、价值管理、风险治理和人才机制等。只有这些要素组合起来，AI才不会变成一堆孤立工具，而会成为银行持续进化的基础设施。
银行AI进入核心业务后，治理要求显著提高。监管方向越来越清晰：银行必须证明AI被安全、合规、可审计、可问责地使用。因此，主权可控和可信治理正在成为银行AI规模化底线。银行需要关注数据可控、模型可控、流程可控、责任可控和供应链可控。尤其在使用外部大模型、云服务和AI Agent时，银行须建立全行级AI清单、风险分级、模型评测、人工复核、权限控制、日志留痕、异常回滚和持续监控机制。治理做得越清楚，高价值场景越敢推进；治理越模糊，AI越容易停留在低风险、低价值的外围场景。
作为连续四年登顶 Evident AI Index 榜首的全球顶尖银行，我们曾在《AI银行进化论》白皮书中深度分析摩根大通全面转型的案例（拓展阅读：《摩根大通AI战略解码：金融巨擘的数智罗盘与中国启示》）。2026年，摩根大通正在进一步深入重构组织连接方式：提出面向未来的“fully AI-connected enterprise”，一方面，加大投入，技术预算预计攀升至约198亿美元，其中约12亿美元额外用于AI及相关前沿技术的新增投入，计划突破1,000个AI用例。另一方面，通过LLM Suite为约25万名员工提供企业级AI操作底座，持续接入更多内部数据、系统和业务应用，同时部署Agentic AI，让智能体处理更复杂的多步骤任务。其组织逻辑也在变化：从矩阵式管理转向更接近神经元网络的跨部门小团队协作，持续提升全员AI素养，并推动大量员工的技能转型与内部转岗。我们看到，摩根大通在持续通过自上而下的、全公司范围的部署，将AI升级为贯穿全行的“神经系统”。
三、建立银行AI复利效应：五个组织进化的关键
1. 战略牵引：AI正在改变银行的转型“起手式”
与更多由科技条线主导的数字化转型不同，这一轮AI转型首先改变的，是银行推动变革的方式：CEO/行长开始亲自下场，AI统筹领导者的职责从聚焦技术走向跨职能统筹，AI投入也从创新预算走向长期战略配置。其背后原因是，AI改变的已不只是系统和工具，而是业务、流程、知识、决策与治理的连接方式，因此必须由更高层级、跨组织、持续性的机制来牵引。
1.1. 这一轮，CEO开始亲自下场。高管层不只在战略上支持AI，更亲自理解AI、使用AI、传播AI、追问AI的经营价值，并把AI纳入业务复盘、资源配置和组织考核。
案例1：摩根大通Jamie Dimon把AI上升为基础性战略叙事。 Jamie Dimon对AI的表述，很少停留在“技术工具”层面。早在2023年股东信中，他就明确提到，AI可能像过去数百年里的重大技术发明一样具有变革性，并直接类比印刷术、蒸汽机、电力、计算机和互联网。近几年来，Dimon持续在股东信、公开发布会和经营讨论中强调AI的战略意义，本质上是在为全行建立共同叙事：AI不是科技部门的工具箱，而是下一代银行能力的底座。摩根大通披露超过400个生产级AI/ML用例，覆盖营销、欺诈、风险、客户服务、运营和软件工程等前中后台场景，并通过LLM Suite让AI进入员工日常工作。其高层叙事持续推动AI进入经营目标、组织机制、预算安排和员工行为中。
1.2. AI统筹领导者从技术牵头人转为跨职能统筹者。 从全球领先银行实践看，CAIO、CDAO、Head of AI等角色重点关注三项职责：业务价值、平台能力和可信治理。业务价值回答“AI创造什么经营结果”，平台能力回答“AI如何被规模化复用”，治理体系回答“AI如何安全进入核心流程”。如果AI主责人只对技术交付负责，AI很难穿透组织；当其同时推动价值、平台和治理，AI才有机会成为经营系统的一部分。
1.3. AI投入从创新预算进入长期战略配置。 领先银行对AI的投入已经呈现长期化、基础设施化和组织化特征。对中国银行而言，AI预算不应只被看作试点费用，而应被看作建设下一代生产力基建的资本开支。真正需要管理的是：每一笔投入是否形成下一轮创新可复用的能力资产，包括数据、平台、人才、知识库、评测体系和治理机制。
案例2：S&P Global研究发现AI投入真正产生效率，取决于投资强度、场景发现和能力评估。 S&P Global对全球前200家银行模拟了不同AI投入强度对成本收入比和股本回报率的影响。其核心判断并不是“AI投入越多越好”，而是存在清晰的门槛效应和S型回报曲线：AI投入约占非利息支出的2.5%-3.5%时，当AI与更广泛的银行业务深度整合，效率提升可能扩大至15%—25%，低于该区间，效率提升低于15%，超过该区间则边际回报开始趋缓。这项研究的启示非常直接：AI不宜停留在“投一点、试试看”的创新预算逻辑。投入过轻，容易被试点消耗；投入过散，难以形成复用能力；投入过量但缺少场景筛选，也会遭遇边际收益递减。S&P Global还假设AI支出的放弃率达到48%，指向一个更现实的问题：大量AI试点从概念验证走向生产部署时，会在数据、流程、系统集成、治理和用户采用上被淘汰。银行需要建立的，是“长期战略投入 + 投资强度到位 + 持续场景发现 + 能力成熟度评估”的闭环。
2. 价值突破：构建银行生产力革命的“核引擎”
AI复利需要从价值突破开始。银行须尽快选出少数高价值、可度量、可复制的灯塔项目，用明确收益建立组织信心，再把成功经验沉淀为模板和能力。速赢场景的意义在于证明AI可以改变经营结果，并推动资源、人才和业务条线形成正循环。
2.1. 全行级AI助手，从提效工具到组织进化的速赢竞赛。 不少银行已经拥有众多AI助手，但零散的业务级助手难以形成组织复利。真正关键的是建设全行级统一入口，让员工在受控环境中高频使用，让组织持续提升使用率、活跃度和业务贡献，并将AI应用成效纳入组织能力评估。全行级助手的价值正在从办公提效，延伸到知识复用、流程嵌入、场景发现和能力评估。领先银行已经把AI助手作为全员进入AI时代的统一入口，通过高频使用观察真实需求、沉淀高频任务、识别高价值流程，并为后续Agentic AI进入核心链路打基础。
图1：全行级AI助手标杆案例汇总
2.2. 先行实践揭示银行生产力革命的高价值场景。 全球银行业成百上千的用例探索表明，稳定交付高价值的AI场景主要集中在四大方向：引爆生产力与运营效率、打造超个性化客户体验、开拓“阿尔法工场”新时代、加固风险与合规安全。重要的是聚集资源投入，围绕业务痛点、价值规模和可复制性加速构建灯塔工程。
图2：稳定交付高价值的AI应用场景
2.3. 价值度量要从“有没有用”变成“值多少钱”。 价值管理的关键在于把AI收益拆解为业务价值和经营结果相关的维度，并建立从立项、试点、上线到规模化的全生命周期评估。只有价值被量化，AI投入才会从“信仰式投资”变成“经营性投资”；业务部门也会从配合试点转为主动寻找高价值场景。
案例3：Evident AI Index 2025发现领先银行进一步AI与经营价值强关联。 Evident AI Index 2025把“用例披露”与“结果披露”分开观察，结论很有穿透力：过去一年，披露全行生产中AI用例总数的银行从12家增至25家；但只有8家银行开始披露已实现或预测的AI财务回报。领先银行已经把AI价值讲成了经营语言。摩根大通公开表示，AI相关收益预期正从10亿—15亿美元上调至接近20亿美元，其中相当部分来自欺诈防控；DBS披露，370多个AI用例带来约7.5亿新元经济影响，并预计超过10亿新元；RBC设定了到2027财年由AI创造5亿—7.23亿美元企业价值的目标；BNP Paribas则宣布已达到5亿欧元AI价值创造目标，并将2026年目标上调至7.5亿欧元。Evident判断，银行业正在从零散的AI ROI故事，走向企业级、可持续、可报告的价值交付，2026—2027年可能成为AI回报大规模进入报表和管理口径的关键窗口。
3. 组织重塑：AI生产力释放，取决于业务是否面向AI重构
AI真正嵌入客户经营、风险控制、运营管理和知识流转等核心链路后，个体效率才可能转化为组织价值。一旦业务被重构，职责边界、协作方式和能力结构也必须同步重写。人才问题因此升级为新型组织与人才体系建设：围绕新业务形态，建立适配人机协作的职责、能力和协同机制。
3.1. 核心在于业务、流程、能力和基建是否面向AI重构。 华尔街的关注点和投资正在发生变化：AI竞争的主战场，正在从“生成式AI应用”转向“Agentic AI驱动的流程再设计”。Gartner预测，到2028年，至少15%的日常工作决策将由Agentic AI自主完成；Goldman Sachs提出“AI workers”和“混合劳动力”概念；Citi认为生成式AI和Agentic AI正在重塑投资管理，并从运营提效走向Alpha生成。下一阶段金融机构真正要投资的，是让智能体能够安全进入业务流程、调用系统、执行任务并接受治理的组织操作系统。
案例4：OpenAI与Anthropic的企业服务化转向，AI公司开始进入客户工作流现场。 2026年5月，OpenAI与Anthropic均提出推动企业级AI服务实体：OpenAI将以“The Deployment Company”等形式强化企业部署能力，Anthropic也将与大型金融资本合作探索AI原生企业服务模式。这一信号的战略含义已经非常清晰：前沿AI公司正在从“卖模型能力”走向“帮助企业重构工作流”。它们借鉴的不是传统软件交付模式，而是更接近Palantir式的前线部署工程师模式，把工程师、产品专家和行业顾问嵌入客户现场，连接数据、系统、权限、流程和岗位，从模型能力延伸至AI驱动的可落地、可运转、可衡量的全新工作流。
3.2. 角色职责和人机协作会围绕AI与新工作流重新定义。 AI会增强和改变角色职责，也会重新分配人与机器之间的任务边界。未来岗位设计将从“人完成任务”转向“人定义目标、监督AI、处理例外、承担责任”。
案例5：摩根大通认为，岗位变化指向业务增长下的人机再分工。 Jamie Dimon曾直言，AI将改变每一个岗位类别。摩根大通也持续强调AI会增强部分岗位、改变部分岗位，并通过再培训、内部流动和技能升级支持员工转型。其消费者与社区银行业务曾披露，未来运营人员数量预计下降约10%，同时业务增长超过25%。这说明AI带来的核心变化，是业务增长、岗位重构和人机协同的重新平衡。银行真正需要思考的，是哪些任务应交给AI，哪些判断必须由人承担，哪些岗位需要重新设计。
3.3. 全员AI素养提升，分层分级培养AI人才。 银行应建立分层AI能力体系。例如，全员层掌握安全使用、知识检索和办公提效；业务骨干层掌握场景识别、流程重构和价值度量；技术与数据层掌握模型工程、数据治理和平台复用；管理层掌握AI战略判断、风险边界和组织设计。AI素养的目标，是让每个关键岗位都知道如何与AI协同、如何识别价值、如何控制风险。
案例6：BBVA的分层赋能，让不同岗位找到不同AI节奏。 BBVA的AI赋能思路值得借鉴：全员层面，通过Google Workspace与Gemini等工具把AI嵌入邮件、文档、会议等日常工作；专业层面，为分析师、产品经理等核心岗位提供更强的生成式AI和数据分析工具；研发层面，由AI专家和数据科学家基于自研平台开展模型训练、算法优化和业务创新；高管层面，则通过战略课程提升对AI技术边界、风险和业务价值的理解。它的启示是，AI培训不能“一刀切”。不同岗位对AI的需求、风险和价值不同，银行必须用分层能力体系提升人才密度。
4. 能力沉淀：让平台、数据和知识成为组织复用资产
银行AI建设最容易出现的浪费，是每个部门都在从头做一遍：重复采购工具、搭建知识库、整理数据、验证模型和设计治理流程。AI复利要求银行把一次次项目经验沉淀为共性能力，让新场景不再从零开始。未来领先银行的竞争，关键在于组织能否持续降低下一次创新的边际成本。
4.1. 统一平台决定规模化速度。 平台统一，模型、数据、权限、评测和治理越容易复用。银行需要把模型调用、知识接入、权限控制、日志留痕、效果评测和安全治理纳入统一平台，让每一个新场景都能复用既有能力，避免重复搭建系统。
案例7：Capital One完成云和数据现代化，放大AI能力。 Capital One长期强调云原生、数据平台和机器学习工程能力，较早完成大规模上云，并围绕数据管理、模型开发、模型运营和负责任AI建立标准化能力。它在欺诈识别、金融健康洞察、智能助手、异常检测、数据隐私保护和可解释AI等方向持续推进，本质上依赖的是底层平台能力的复用。
4.2. 知识沉淀决定AI能否理解银行。 银行是知识密集型组织，制度、产品、客户、风险规则、业务流程、历史案例和专家经验等共同构成核心资产。AI要真正进入业务，必须接入经过治理的领域知识，谁能把知识结构化、标签化、权限化、可追溯化，谁就能让AI更懂业务。
案例8：Morgan Stanley AskResearchGPT把研究知识变成可调用的组织资产。 Morgan Stanley推出AskResearchGPT，用于检索和总结大量内部研究内容，服务投行、销售交易和研究人员。其价值不只在于提高搜索效率，更在于把长期积累的研究知识转化为可调用、可组合、可嵌入工作流的组织资产。财富顾问和机构业务人员不再依赖个人记忆或零散文档，而可以通过AI调用组织知识，为客户提供更一致、更及时的专业支持。银行AI壁垒不只来自模型，更来自高质量、结构化、可调用的专有知识。
4.3. 优质专有的数据反馈决定AI能否越用越聪明。 AI应用如果只产生一次性输出，没有反馈闭环，就无法持续进化。银行需要在客户互动、审批结果、运营处理、风险预警和员工使用中建立反馈机制，把使用数据、业务结果和人工复核意见回流到模型优化、流程改造和场景评估中。数据飞轮一旦形成，AI能力会随业务使用不断增强；反馈机制缺失，AI就会停留在“看似智能”的静态工具。
案例9：Bank of America Erica的海量交互让AI从工具变成学习系统。 Bank of America的Erica累计交互超过32亿次，已从零售银行扩展到Merrill、Benefits Online、CashPro等场景。如此高频的使用，本身就是重要的数据反馈机制：银行能够持续识别客户最常问的问题、员工最常遇到的流程障碍、哪些知识需要更新、哪些服务可以进一步自动化。AI应用的价值不只在一次回答，而在每一次交互都为下一次服务、流程优化和产品设计提供信号。
5. 安全治理：真正可规模化的AI，在于治理与可监管工作流
银行AI规模化的核心门槛是治理。没有治理，AI不敢进入高价值场景；治理过慢，AI无法跟上业务创新；治理割裂，AI会在不同部门形成不一致的风险标准。未来银行需要建立全行级、跨部门的AI治理委员会与共同治理机制，让业务、科技、风险、合规、法务、数据安全和审计共同定义AI使用边界。
5.1. 治理必须前置到设计阶段。 AI项目立项时就要明确场景风险等级、数据边界、模型来源、人工复核要求、责任归属和退出机制。治理前置越充分，高价值场景越能安全推进；治理越滞后，AI越容易被限制在低风险、低价值的外围场景。
案例10：EU AI Act将高风险金融场景纳入强监管框架。 EU AI Act将信贷评分、个人信用评估等影响金融服务准入的AI纳入高风险系统，要求银行在风险管理、数据治理、透明度、人类监督、准确性、安全性和可追溯性等方面建立完整机制。这意味着，银行不能只证明“AI效果好”，还必须证明“AI如何做出结果、谁负责监督、异常如何处理、客户权益如何保护”。监管释放出的信号非常清晰：AI可以进入金融核心流程，但必须被解释、被监督、被纠错、被问责。
5.2. 建立跨部门的AI治理委员会与共同治理机制。 全行级AI治理委员会的价值，在于形成统一风险分级、统一评测标准、统一供应商管理、统一审计留痕和统一问责机制，使AI被银行安全、合规、可问责地使用。
案例11：美国模型风险与第三方风险框架要求AI治理覆盖完整责任链。 美国银行监管长期以模型风险管理SR 11-7、消费者保护、公平信贷和第三方风险管理为核心约束。进入生成式AI和Agentic AI阶段后，银行还要面对外部模型、云服务、数据处理、供应商调用和自动化执行等新问题。OCC、Fed、FDIC关于第三方风险管理的指引，也要求银行对关键第三方进行全生命周期管理。对银行而言，AI治理必须覆盖模型、数据、流程、供应商、人员和责任链条，单靠技术部门自我治理无法支撑规模化。
5.3. 主权可控将成为银行AI长期竞争力。 随着AI进入核心流程，银行既要关注模型效果，也要关注数据、模型、流程、责任和供应链的可控性。中国银行业需要在国产模型、私有化部署、行业大模型、数据安全和跨境合规之间形成清晰策略，并持续建设AI清单、风险分级、模型评测、人工复核、权限控制、日志留痕、异常回滚和持续监控机制。主权可控与可信治理是AI进入更高价值、更高风险、更高影响力场景的通行证。
案例12：Ryt Bank的主权大模型让AI银行具备可控、可审、可持续的底座。 Ryt Bank定位为“AI-powered digital bank”，其核心助手Ryt AI由ILMU驱动。ILMU是由YTL AI Labs研发的马来西亚本土主权大语言模型，Ryt Bank选择自研模型正是出于金融服务对模型生命周期、训练数据来源、合规审计、责任归属和本地语言适配的要求。Ryt Bank能够通过监管要求，在沙盒范围面客，一个重要的因素在于其主权模型、本地专有数据和清晰的治理，确保了模型、数据、流程和每一次客户交互都在可控、可追溯、可审计的体系内运行。
结语：迈过生产力悖论，建立可持续的AI复利效应
银行AI转型的下一阶段，核心任务已经非常明确：成为一个能够持续吸收AI、放大AI、治理AI的进化型组织。技术采用只是起点，真正决定成败的，是战略是否足够坚定，业务能否找到价值，组织是否愿意进化，能力是否能够复用，治理是否支撑规模化。组织能够围绕AI重构，才可能跨越从工具提效到组织增智的门槛。
全球领先银行的实践已经给出答案，它们的共同启示是：AI的真正价值不完全在于更多的场景用例，更在于深度重塑银行的生产力释放方式。对中国银行业而言，真正的紧迫感在于：AI差距一旦形成，就会像复利一样扩大。未来的银行，将会成为以AI重构业务、流程、人才、协作和治理的新型组织。
银行决策者此刻最该做的，是少一点追逐最新模型的焦虑，多一点培育组织土壤的耐心与定力。真正的AI银行，要让AI从组织深处长出来。当AI成为组织能力，银行获得的就不只是效率，而是面向未来持续进化的力量。
参考资料:
Evident Insights：《Evident AI Index: Key Findings Report》，2025年10月。
Evident Insights：《The next chapter in AI x Banking: Scaling GenAI, Anticipating Agents》，2025年。
S&P Global：《AI and banking: Leaders will soon pull away from the pack》，2025年。
McKinsey & Company：关于企业AI投入、部署成熟度与价值兑现的相关研究。
Boston Consulting Group：关于企业AI价值创造与AI转型分化的相关研究。
Gartner：关于Agentic AI项目落地风险与未来工作决策自动化趋势的相关预测。
JPMorganChase：年度报告、股东信、Investor Day及Barclays Global Financial Services Conference相关公开资料。
DBS Group：年度报告及关于AI用例经济影响的公开披露。
Royal Bank of Canada：Investor Day及RBC Borealis、Lumina、NOMI、Aiden等AI应用相关公开资料。
BNP Paribas：公司治理报告及AI价值创造目标相关公开资料。
Bank of America：关于Erica、Erica for Employees、ask MERRILL、ask PRIVATE BANK及AI专利组合的公开披露。
Capital One：关于云和数据现代化、AI人才、Chat Concierge、Agent Servicing等AI实践的公开资料。
Morgan Stanley：关于AskResearchGPT、AI @ Morgan Stanley Assistant及财富管理AI应用的公开披露。
BBVA：关于生成式AI工具、员工AI赋能和数据/AI能力建设的公开资料。
Santander：关于AI节约、AI价值创造和集团AI实践的公开资料。
EU AI Act及欧盟关于高风险AI系统、信贷评分和金融服务场景监管的相关资料。
美国OCC、Federal Reserve、FDIC关于模型风险管理、第三方风险管理和金融机构AI治理的相关监管资料。
a16z、Goldman Sachs、Citi等机构关于个人AI、机构AI、Agentic AI与金融工作流重构的相关研究与评论。
