本报综合报道 词元（Tokenl）是AI处理文本时的基本单位，也是大模型处理信息的最小单元。随着上市银行2026年半年报悉数披露完毕，银行业AI应用的深度与投入成效可随词元消耗量管窥一二。
　　在这片快速扩张的产业蓝海中，机遇与挑战并存。有业内专家表示，面对词元调用量爆发式增长、AI场景全面渗透银行业务的行业现状，商业银行在抢抓转型机遇、布局新赛道的同时，需要理性审视其背后的应用效能、成本损耗等潜在问题。
　　业内专家还表示，在正视短期成本与效率痛点的同时，需客观看待词元经济、大模型技术为银行业带来的长期核心价值，AI智能化转型绝非短期噱头，而是银行业数智化升级的必然趋势。
　　词元消耗激增
　　根据半年报，2026年上半年，工商银行的“工银智涌”大模型已在多个领域落地600余个场景，Token使用量保持领先；邮储银行日均大模型调用超600万次，日均输入输出词元超百亿；平安银行上半年大模型日均词元消耗量超过53亿，同比增长约130%，累计落地大模型应用场景超450个；招商银行日均Token吞吐量较上年增长超78%，落地领域模型256个，较上年末增长40%；江苏银行上半年日均Token使用量较2025年末增长18倍，部署从十亿级到万亿级的15种模型，并运用量化压缩、分时调度机制等前沿技术实现单卡运行千亿参数模型，提升整体Token输出效率。
　　在场景方面，AI已经深入渗透到业务和办公场景中。工商银行在远程服务渠道的AI应用上半年累计服务客户1.33亿人次；面向个人客户经理的专属岗位智能体“工小财”，上半年累计提供服务超2200万次；在私人银行领域，AI原生综合金融服务智能体将客户综合化、个性化服务方案生成时长由5天降低至3小时；在内控合规领域，“AI智审”智能体上半年已累计输出36万条合规审查意见，被采纳率98.6%，辅助合规审查人员风险揭示能力提升130%。
　　中国银行人工智能场景实现前、中、后台各业务条线的全面覆盖，截至今年6月末，AI大模型用户突破3.2万人，智能研发助手月活用户超万人。农业银行打造自研智能体农行版“龙虾”（ABC-Claw）；建成企业级数字助手“一明”，将AI能力全链路嵌入客户服务、业务管理、日常办公等场景，持续为员工减负赋能；依托“农银智+”平台实现算力、模型的统一输出，为全行各场景AI应用提供统一标准的技术底座。
　　在布局范围广、落地场景多的同时，“向AI要效率和效益”也成为行业共识。半年报及业绩说明会披露显示，平安银行零售信贷AI产能占比提升至12%，对公贸易合同背景审查提效30%，资金同业报表生成提效70%，科技人均提交代码行数增长26%；邮储银行自助设备应用数字人辅助人工进行业务审核，人工作业效率提升40%；交通银行构建的航贸审查智能体，实现单证清分、要素审查、报告生成等任务自动化，日均审查超50万笔，处理效率提升超70%；招商银行则在半年报中给出了“工时”账单，AI提效带来1388万小时等效人工工时贡献。
　　成本与信任的双重考验
　　不过，在竞速数智化发展的热潮中，有两道“账”必须算清：一道是成本账，一道是信任账。前者决定AI能否规模化，后者决定AI能否进入核心业务。
　　第一道是成本账。北京面壁智能科技副总裁刘豪杰将其拆解为两个维度：推理成本和部署成本。刘豪杰指出，金融行业业务高频、海量，对实时性要求极高，“可能会导致成本呈指数级增长”。部署方面同样如此，金融行业对合规、数据安全和保密要求极高，必须本地化部署。
　　成本压力之下，投入产出比成为关键。麦肯锡在《全球银行业年度报告2025》中指出，随着人工智能在银行业的全面应用，某些成本类别可能实现高达70%的大幅削减，但报告同时警示，银行必须精准识别通过技术应用能真正产生收益的领域，而非因担心错失机遇而盲目投入。
　　第二道是信任账。刘豪杰指出，金融行业要的不只是“便宜”，而是“合规的、可控的、安全的便宜”，“从‘能跑’到‘能上生产系统、能上核心系统’，中间还隔着很多层”。他解释道，模型要可验证、可审计，不能是黑盒；要做软硬件的适配，尤其要满足信创要求；还要与现有业务系统打通。安全对于金融场景不是附加题，而是必答题。
　　同时，在业内人士看来，从技术成本来看，银行所有AI智能化场景的运行均依托词元调用来实现，客户每一次智能咨询提问、系统每一次用户意图精准识别、终端每一次智能回复生成、业务每一次智能审核研判，都会产生对应的词元消耗，算力消耗与业务运营频次深度绑定。比如，一家中型商业银行若日均智能会话处理量达到10万次级别，每月仅词元直接采购成本就可能达到数十万元。更关键的是，银行如果想要通过AI技术拓宽业务、扩大客户服务覆盖面、增加智能化服务场景，必然会同步带来词元消耗激增，业务扩张与成本增长同步发生。
　　此外，当前部分中小型银行在AI智能体、词元场景的落地应用中仍处于摸索阶段，普遍存在高消耗、低效能问题。比如，某银行高管在内部会议上认为，该行多款AI智能体落地效果未达预期，存在算力消耗巨大、实际产出价值偏低等问题。
　　效能导向转型
　　在效率价值层面，大模型与算力彻底颠覆了银行传统劳动模式，大幅缩短了业务全流程处理时长。标准化的AI运算能够最大程度规避人工失误，持续降低业务差错率与合规风险。人力成本的持续释放让银行员工从繁杂的基础性工作中解脱出来，全面提升了银行整体运营效率与人才价值。
　　在经营价值层面，智能化AI体系大幅拓宽了银行客户触达渠道，突破了人工服务时间、空间、精力的限制，实现了7×24小时全域客户服务，极大提升了客户触达广度与服务响应速度。依托大模型的用户画像分析能力，银行能够精准挖掘客户潜在金融需求，实现信贷、理财、结算、保险等金融产品的智能精准匹配。
　　当前，国内银行业正处于数智化转型升级的攻坚期，精细化和智能化已成为行业发展的趋势。银行未来发展的核心课题，是如何在技术创新突破与财务纪律合规之间找到平衡，建立更加精细化的词元成本管控和效能评估模式。只有算力投入和价值产出实现正向循环，AI技术才能转化为银行可持续的竞争力，银行业才能在数字经济时代实现高质量的数智化转型。
　　平安银行副行长兼首席财务官项有志在中期业绩会上表示：“科技投入要立足急需、必要并且有效，始终强调应用价值。”
　　梳理发现，已有银行披露了AI投入成本管理的内容。例如，兴业银行在半年报中披露，该行专门发布相关规范与实施意见，将人工智能建设由分散探索向集约统筹、体系推进转变；招商银行董事会则在8月审议通过2027年至2028年的AI算力投入规划。
　　北京社科院副研究员王鹏还建议，银行可以采用“大参数通用模型+轻量化垂域小模型”的混合协同模式，通过统一平台调度算力资源，大幅压降无效Token调用，并为各业务线设置明确的Token消耗红线，配套低效调用清理机制。同时，将单位Token产出价值纳入业务部门考核指标，使AI风险全面纳入全行风险管理体系。此外，建立模型审计、人工兜底规则，避免因“技术幻觉”“黑箱决策”带来的额外隐性损失。
　　从半年报披露的日均百亿级词元消耗，到全行业等效千万小时的AI提效贡献，银行业大模型应用已跨过早期试点探索阶段，正式进入词元调用量爆发式增长的规模化落地期。这一进程中，成本与信任成为绕不开的两道核心考题：一方面，本地化部署的高算力投入与词元消耗激增，倒逼银行跳出“重投入、轻产出”的盲目竞速；另一方面，金融场景对可审计、可追溯的刚性要求，让“合规可控”成为AI接入核心业务的前置门槛。未来，银行业的AI转型将不再单纯比拼场景数量与算力投入规模，而是转向以单位词元价值产出为核心的精细化效能竞争，通过混合模型调度、全链路成本管控、人机权责边界明确，最终实现技术投入与经营价值的正向循环。