夜雨聆风我不是个爱追新工具的人。银行 IT 这行,，稳定比酷重要。但过去一个月，我被几个同行"按头"试了 5 款 AI 工具，覆盖写 SQL、审代码、出报告、画图这四件事。结果有惊喜，也有坑。
结论先说：不是工具不好用，是银行场景有特殊门道，通用测评解决不了你的问题。
一、Codex（GitHub Copilot）：写 SQL 最稳，但"懂事"程度看提示词
实测场景：监管报送取数字段，一个口径要关联 4 张表，历史数据要留痕。
在银行写 SQL，跟互联网写 SQL 是两回事。互联网的 SQL 是"查出来就行"，银行的 SQL 是"查出来之后要被监管倒查 5 年、字段口径要能向上解释、审计要有轨迹"。
Codex 的强项是语法正确率高，我实测了 30 条 Hive SQL，语法错误率从平时的 15% 压到了 3 条以内。它能记住你项目里的表结构注释，对字段名泛化的理解比纯新手强。
但有一个致命问题：它不懂 EAST/1104 的字段口径约束。我让它写一条"可疑交易筛查"的 SQL，它按互联网反欺诈的逻辑写了个"当日累计超过 X 万触发"，但监管要的是"90 天滚动累计 + 固定阈值 + 客户风险等级加权"——这两个根本不是一回事。
金句：Codex 写 SQL 是70 分水平，省时间的是"不用记语法"那部分，不是"不用想业务"那部分。
适合：数据开发日常取数、临时查询、SQL 语法练习。
不适合：监管报送口径、高敏感字段取值、跨系统关联逻辑。
二、ChatGPT（4o）：出报告利器，但"银行腔"要调
实测场景：给领导出数据质量月报，2000 字，要同时覆盖EAST、1104 两个口径的完成情况。
我让 4o 直接出了一版，10 分钟出稿，字数够、数据维度全。读了一遍，感觉像互联网公司出的数据报告，不是银行内部汇报的调性。
问题出在哪？银行报告的语言是"在本期报送中，EAST 系统共处理报文 X 条，其中 X 类问题占比 Y，较上月 Z"——这是被动句、数据锚点前置、避免主观判断。4o 写的是"本期EAST系统表现良好，数据质量有明显提升"——这是互联网产品的版本。
我调了三个月，找到了一个好用的小技巧：让 4o 先出英文版，再让它翻译成"technical Chinese"，比直接出中文自然得多。大概是翻译腔把"主观判断"过滤掉了一层。
金句：用 AI 出银行报告，先让它忘记"说好听的话"这件事。
适合：初稿生成、框架搭建、多系统数据整合描述。
不适合：直接提交的领导汇报、措辞讲究的监管函。
三、Midjourney：封面图利器，但"银行感"要单独调
实测场景：公众号封面图，监管新政策解读者，需要有"严肃但不沉闷"的视觉感。
这个我踩了一个月的坑，才找到感觉。
银行内容的封面图有个特殊要求：不能太科技感，太科技显得"互联网化"，读者会觉得你不接地气；也不能太传统，太传统显得老气，读者会觉得你OUT。
Midjourney 默认出图是偏"科技感"的。我试了"banking + AI + flat vector"这类 prompt，出图一看就是"互联网产品宣介素材"，不是银行内参风格。
最后我自己总结了一套 prompt 模板：
minimalist Chinese aesthetic, professional tone, no futuristic elements
：加"no futuristic elements"和"serious yet approachable"这两个限定词，把 Midjourney 从"科技感"往"专业稳重"方向拉。
金句：银行内容的视觉感，是"严肃但不难看"，Midjourney 需要你明确告诉它不要什么。
四、Notion AI：个人知识管理，但数据安全红线要守死
实测场景：整理 200+ 份监管文件摘要，做快速检索和口径比对。
Notion AI 我主要用在监管知识库的搭建上。EAST 5.0 的字段说明、1104 的报送时限要求、数据治理的制度文件——这些我全部丢进 Notion，让 AI 做摘要、标签化和语义检索。
实测下来，语义检索比关键词检索强太多。我搜"可疑交易人工审核比例"，它能给我返回"客户风险等级划分"相关的段落，关键词检索做不到这一点。
但有一个必须强调的点：银行内部文件能不能上云？
我看到有些行还在用个人免费版 Notion——这是数据安全红线。客户信息、监管口径、内部制度，这些都属于"内部数据"，上个人免费版 Notion 等于把敏感数据放在第三方服务器上。
我现在的做法是：全文打码上传，只上传"字段名称、报送口径描述、口径变更说明"这类脱敏内容，具体的客户数据、账户明细、交易记录，绝对不上任何 AI 工具。
金句：AI 知识库的前提是"知识可以上云"，银行数据大部分不能。
适合：制度文件摘要、脱敏口径描述、制度变更记录。
不适合：含客户信息的明细数据、未脱敏的内部制度。
五、Copilot in Power BI：数据可视化，但门槛有点高
实测场景：EAST 月报数据可视化，把 4715 条问题明细做成管理层汇报图表。
Power BI 的 Copilot 本身很强，能根据你的描述自动生成图表、推荐可视化类型、甚至帮你写 DAX 公式。实测下来，图表生成速度比手动快 3 倍。
但门槛在于：你得先有干净的宽表。
银行的数据质量问题导致很多 Power BI 报表"进去是脏数据、出来是误导性结论"。Copilot 在这一点上没有纠错能力——你喂给它脏的，它就给你输出看起来很漂亮但实际上是错的图表。
我在用 Copilot in Power BI 之前，会先加一个数据质量检查层：用 Python 先跑一遍"空值率、异常值、跨表一致性"三件套，确认数据干净再进 Power BI。
金句：Copilot 让数据可视化变快，但前提是数据本身要先变干净。
适合：数据质量已达标的多维度分析、临时汇报图表生成。
不适合：数据质量问题未根治的行、数据源分散需要大量清洗的场景。
工具横评对照表
| 工具 | 写 SQL | 出报告 | 画图 | 知识管理 | 数据可视化 | 综合推荐度 |
|---|---|---|---|---|---|---|
| Codex | ★★★★☆ | ★★☆☆☆ | - | ★★☆☆☆ | - | ★★★★☆ |
| ChatGPT 4o | ★★★☆☆ | ★★★★☆ | ★★☆☆☆ | ★★★☆☆ | - | ★★★★☆ |
| Midjourney | - | - | ★★★★★ | - | - | ★★★★☆ |
| Notion AI | ★★☆☆☆ | ★★★☆☆ | - | ★★★★★ | - | ★★★★☆ |
| Copilot in Power BI | ★★☆☆☆ | ★★★☆☆ | - | ★★☆☆☆ | ★★★★☆ | ★★★☆☆ |
结尾互动
你们行里现在在用哪款 AI 工具？数据组和科技组的态度有什么不一样？我特别想知道：有没有哪个场景你觉得 AI 真的"替代"了人工，而不是"辅助"
我是晓彬,20 年数据经验,10 年银行 IT。
前面的话,都是真金白银换来的。银行监管 / 数据治理 / AI 提效 / 业务连续性。
扫码关注「晓彬聊数据」