“我们的AI就是个摆设”:一位银行科技人的自白,戳穿90%的金融泡沫

某银行开数字化转型季度复盘会。

大屏幕上，科技部总经理神采飞扬地展示着“AI中台”的漂亮数据：智能客服覆盖率98%、问答准确率96%、上线以来累计服务超200万人次……

PPT翻到最后一页，行长突然问了一句：“那信贷审批的人均耗时，降了吗？”

全场安静了五秒钟。

不仅没降，还涨了！！因为客户经理现在要同时操作信贷系统和AI助手两个界面，光是来回切换和复制粘贴，每天多花四十分钟。

这就是银行AI科技

我们花了几千万做的AI，本质上就是个漂亮的摆设。

那些年，我们一起造的“AI花架子”

项目一：智能客服“装死”事件

2023年，领导要求上线新一代智能客服，对标某大行。我们花了四个月，调用了某大厂的成熟方案，终于上线了。

效果怎么样？内部测试时，业务部门随便问了几个“信用卡还款日怎么改”，准确率挺高。但一上真实生产环境，客户问“我的积分为什么过期了”，它回答“请问您是想了解积分规则吗？”客户再问一遍，它再反问一遍。

最后客户气得打电话投诉：“你们那个机器人是复读机吗？”

后来我们一分析，不是技术不行，是知识库根本没维护。业务规则三个月改了六次，没人通知我们更新。机器人拿着一年前的旧规则，你说它能答对吗？

项目二：AI风控模型“自娱自乐”

2024年，我们搞了一个智能风控模型，号称能实时识别交易欺诈。模型团队调参调了两个月，上线后准确率报告写着91%。

结果运营部门一次都没用。

为什么？因为模型判断可疑的交易，全都是凌晨三点买杯奶茶、跨省出差刷了张高铁票这种正常行为。而真正的那几笔大额异常转账，模型一个都没抓住。

后来才知道，训练用的数据是清洗过三轮的“干净数据”，那些真正复杂的欺诈样本，因为数据质量太差，直接被扔掉了。模型学到的，不过是一个“理想世界里的欺诈”罢了。

项目三：大模型演示完就“退役”

去年底，领导去参加了一个金融科技峰会，回来就要求我们也上大模型。我们连夜搭了一个demo—输入“写一份信贷尽调报告”，确实能生成几千字像模像样的内容。

演示当天，全场鼓掌。

然后呢？然后就没有然后了。因为实际用的时候才发现：模型写的报告看起来漂亮，但里面的数据它敢自己编—明明企业负债率是65%，它写成52%。谁敢把这种报告交上去？

现在这个demo还挂在测试环境里，偶尔有新同事来参观，演示一下，鼓鼓掌，继续吃灰。

这三件事，你去问问其他银行的科技同事，大概率能听到一模一样的故事。

为什么我们会搞出这么多“摆设AI”？

说句不好听的，不是因为技术不行，是因为我们根本没想清楚“用AI解决什么真问题”。

很多项目立项的原因不是“业务有痛点”，而是“别人有了，我们也不能没有”。领导去开个会、看个展，回来就拍脑袋要上。至于这个AI到底用在哪个环节、帮谁省多少时间、怎么衡量效果—没人说得清。项目验收的标准也不是“业务效率提升了”，而是“系统上线了、PPT写完了”。
科技部门自己嗨，业务部门冷眼旁观。我们做系统的时候，业务人员嫌开会耽误时间，随便提两句需求就走了。等系统做出来，他们说“这不是我要的”，然后继续用Excel。科技背了“不接地气”的锅，业务背了“不配合转型”的锅，最后谁赢了？没人赢。
上线就是终点，没有运营。大多数AI项目，验收完项目组就解散了。后面的知识库更新、模型迭代、异常监控，没人管。半年后模型效果衰减到不及格，就怪“数据变了”。废话，数据天天变，你不喂新数据，它当然会变傻。
合规这根弦，要么太松要么太紧。有的项目为了抢进度，完全不考虑可解释性，出了事谁负责？有的项目被合规卡得死死的，连用客户脱敏数据训练模型都不让，最后模型只能用公开数据，效果可想而知。

直到我看到了华尔街是怎么干的

今年5月，Anthropic一口气发布了10款金融专用AI Agent。我花了一周时间，把能查到的资料全看了一遍。说实话，看完之后后背发凉。

不是因为他们技术多先进，而是他们的思路跟我们完全相反。

我们做AI，想着“怎么让系统看起来更智能”。他们做Agent，想的是“怎么让系统替人把活干了”。

举个例子，信贷审批。我们的AI，充其量是个“智能搜索”—客户经理问“这个企业有什么风险”，AI返回几条新闻和财报摘要。还得客户经理自己看、自己写报告。

而Anthropic的那个信贷Agent，它能直接连核心系统，自己拉取企业的流水、财报、纳税记录，自动做财务比率分析，自动对比行业基准，自动生成信贷备忘录初稿，自动标记异常数据并给出风险提示，最后把所有引用来源做成可追溯的证据链。

客户经理要做的，只是复核和签字。

你算算，一份原来要3小时的尽调报告，现在压缩到20分钟。这不叫“赋能”，这叫把人从低价值劳动里解放出来。

更让我焦虑的是，高盛、花旗、黑石已经在接入了。人家已经在用Agent重构核心流程了，我们还停留在“做个智能问答机器人就自称AI驱动”的阶段。

这不是技术差距，是认知差距。

我们到底该怎么办？说点能落地的

说点正经的。下面这几条，真心觉得管用的。

别再搞“全行大一统AI平台”了

每次立项会，总有人想搞个“覆盖所有业务的一站式AI平台”。最后的结果一定是—哪儿都覆盖了，哪儿都没用透。

不如换个思路：挑一个最痛的点，砸透。

比如，客户经理写信贷报告这件事，全行几千个客户经理，每人每周花5小时在上面。你就盯着这一个场景，做个“信贷报告辅助Agent”，别贪多。把这个场景做到极致—能自动拉数据、能自动算比率、能自动对标、能自动生成初稿。一个场景做透了，节省的时间、带来的价值，比十个半吊子功能加起来都多。

2.AI必须是“嵌入流程”的，不能是“外挂”的

什么叫嵌入？就是客户经理做信贷进件，点完“提交”按钮，AI自动在后台开始预审，五分钟后结果直接推送到待办任务里。客户经理不需要打开另一个系统、不需要复制粘贴、不需要额外学习。

什么叫外挂？就是我们之前干的事—信贷系统旁边挂个“AI助手”图标，点进去问问题。

嵌入的AI，你不用它也会跑。外挂的AI，你忘了开就等于没有。

3.“人在回路”不是口号，是底线

任何关键决策，AI只能是辅助，最终签字确认的一定是人。但“人在回路”不是让你每步都点确认，而是设计合理的复核节点。

比如，AI预审通过的低风险申请，可以自动进入下一环节；AI标记为高风险的，必须人工复审。这样既效率高，又不出事。

4.把运营当个正经事来干

上线不是结束，是开始。要有人专门盯着三件事：

模型效果有没有衰减？（每周看一次准确率）

知识库有没有更新？（业务规则变了，当天就要喂给模型）

用户有没有真的在用？（看日志，哪个功能没人点，赶紧去问为什么）

建议每个AI产品配一个“AI运营岗”，可以不是全职，但必须有明确的责任人。

5.别推倒重来，用“适配层”思路

大多数银行的信贷系统、核心系统、风控系统都是现成的，你不能把它拆了重写。但你可以在上面加一层“Agent适配层”—让Agent通过API调用现有系统的数据和服务，再通过“编排层”把多个动作串起来，最后用“证据链层”记录每一步。

这样做，不用动老系统，成本低、落地快、合规有保障。

一个普通银行科技人的真心话

说了这么多，可能会有人觉得我“吃里扒外”，也可能会有人说“你说得轻巧，领导不批怎么办”。

但说真的：很多改变，不是等领导批了才能开始的。

你可以先从自己负责的那一小块开始。比如，你管贷后预警，每天人工筛选几百条预警信息，大部分都是误报。你就用Python写个小脚本，跑一遍历史数据，找出哪些预警指标从来不准，把它权重调低或者去掉。这就是一个mini版的AI Agent。

做好了，拿数据说话：“原来每天要处理300条预警，现在150条，准确率从40%提到65%。”

领导不傻，看到真实的效果，自然会支持你。

这个行业最怕的不是技术落后，而是一群聪明人，都在做“领导看得见的漂亮活”。

没人愿意碰那些又脏又累、做出来也不炫酷、但真正能提效的东西。

如果你也这么觉得，我想我们是一路人。

后台回复关键词 “Agent” ，我把Anthropic那10个金融Agent的详细能力拆解、以及适合国内银行落地的三个轻量级场景方案，整理成了一份PDF。免费的。