资讯

【高端访谈】银行采购AI从“看Demo”转向“比效果”——访宇信科技高级副总裁张宁

新华财经 2026-11-20 09:50

暂无

新华财经北京11月20日电(记者吴丛司)银行对AI的采购正在从“看Demo”转向“比效果”。北京宇信科技集团股份有限公司(简称“宇信科技”)高级副总裁、首席技术官张宁近日接受记者采访时表示,银行对AI的需求明显增长,采购内容不再停留在买算力、买模型,而是转向一套支撑AI深度落地的完整能力,覆盖平台底座、知识沉淀、模型治理与业务场景应用。

采购门槛抬升 AI加速走进银行核心业务流程

最直观的变化体现在采购单上。“从我们接触的银行项目来看,今年AI软件采购规模呈现扩大趋势。过去部分项目的采购金额在几十万元,而今年已经出现一批数百万元级别的项目。”张宁观察到。

但采购金额变高,并不代表银行放宽了准入标准。恰恰相反,POC(概念验证)的门槛正在抬升。在张宁看来,银行不再满足于仅能跑通基础流程的演示Demo,更看重方案能否产出实际效果,例如文档处理准确率、知识库检索的查准率,以及厂商对AI底层能力与配套基础设施的掌握程度。

张宁认为,明年将迎来更多AI深度落地的机会,更多AI应用会进入核心生产流程,涵盖模型调优管理、AI应用开发、运行平台、知识平台,以及面向具体业务场景的AI应用。从项目端来看,AI正成为越来越多银行新建项目的重要考量因素。在信贷、营销、客户关系管理等领域,项目方案能否明确AI的应用场景及预期效果,正逐渐成为银行预算评估的重要依据。

“信贷依旧是需求最集中的领域,覆盖财报分析、流水核验、征信核查、放款审核、信贷报告审核等环节。”张宁举例表示,仅财报分析这一项,就因企业类型、地域、规模各不相同,叠加各行风控评判标准不一,催生了大量差异化需求。

此外,国有大行、股份行与中小银行推进AI落地的路径也存在明显差异。比如,国有大行侧重底层基础设施的整体搭建,适合自上而下统筹推进;股份行则较多采用与厂商合作共研的方式,看重厂商的专业能力,以及对平台、知识体系的理解;中小银行优先聚焦单点业务场景快速落地。

严肃场景落地 可复现、权责划分是核心标尺

从技术层面区分AI是“助手”还是“员工”,张宁认为核心在于底层设计逻辑,“助手”和“员工”二者存在本质差异。助手类的AI以信息供给为主,业务流程仍由人主导操作;而员工类的AI需要独立跑完完整业务流程,或是自主承担其中关键节点,仅在必要时提请人工确认、决策。在他看来,面向小微的信贷AI产品最贴近员工形态,能够依托客户申请材料自动生成授信建议。

不过,即便AI逐步具备“员工”的部分能力,在信贷审批等关键业务环节,仍需建立明确的人工审核、授权管理与责任机制。张宁以银行信贷场景举例:客户经理的工作链条包含多个环节,AI能够完成材料识别、录入、整理以及部分分析工作,但审核的最终决定权和相关责任始终由人承担。“数字员工”对应的是特定岗位的职责,要真正落地,需要清晰划分岗位权责,也取决于监管对责任认定的态度,目前整个行业仍处于探索阶段。

从应用逻辑来看,严肃业务场景和开放场景的AI应用思路截然不同。张宁表示,在终审环节,真正由AI直接决策的落地案例并不多。部分信贷业务完全依靠既定规则判定,终审环节本就无需AI参与;其余多数业务的终审,仍离不开人工的主观判断,这类判断建立在业务规则与长期实操经验之上,终审人员也要承担相应责任。

张宁表示,要让AI真正进入银行的核心业务流程,仅有模型能力还不够,关键在于能否理解金融业务中的专业知识、业务规则与决策逻辑。宇信科技当前的一项重点工作,就是将长期服务金融机构积累的业务经验与知识工程技术相结合,把业务中显性、隐性的各类知识转化为AI可理解、可调用的能力,使其能够在明确的业务规则和流程约束下参与实际业务处理。

从端到端效果来看,标准化程度较高的业务整体准确率约90%;而对公信贷等复杂业务,现阶段尚难实现端到端全自动处理。张宁表示,宇信科技面向严肃场景打造的AI智能体,现阶段以工作流驱动为主,关键决策路径预先设定,有助于提升执行结果的稳定性和可复现性。对于分析类场景,可复现率也能达到约90%。

张宁表示,严肃场景要求规则执行确定、全程可溯源。“每一项测算,都要说清采用什么公式、用到哪些参数、参数如何计算、数据来源在哪里。而开放场景不存在唯一标准答案,可以容纳一定不确定性,有时甚至希望模型输出多套方案,供人对比取舍。”

打通组织堵点 监管边界清晰护航AI落地

AI从“效率工具”迈向“创新引擎”,瓶颈并非只在于技术。在张宁看来,更大的制约来自组织层面和考核机制。当AI真正成为创新引擎,势必带动组织变革:岗位权责、人员能力要求都会随之调整;如果组织机制不随之适配,创新很难持续落地。

同时,行业商业模式仍在持续演化。张宁判断,长期而言,银行应用AI的模式,将从一次性软件项目交付,逐步转向按业务价值付费,或是类似FDE(前沿部署工程师)的长期驻场共建模式。但就当下而言,市场商业模式尚未发生根本性变化。影响银行AI落地节奏的两大关键变量,一是把业务知识转化为AI可调用能力的推进进度,二是监管规则的落地节奏。随着推理成本持续走低,银行相关预算会进一步向业务场景落地倾斜。不过,受国内项目付费机制、人力成本及交付方式等因素影响,FDE模式的大规模商业化应用仍需进一步探索,行业也在摸索可持续的交付方式。目前,宇信科技已在部分AI项目中开展FDE驻场共建实践。

在知识底座建设上,张宁认为,通用基础大模型和银行业务的专业深度之间,存在明显缺口,补齐这一缺口,需要科技厂商与银行共同投入。知识平台是宇信科技当前重点推进的产品方向之一。与传统侧重文档管理、信息检索和智能问答的知识库不同,该平台更注重知识与业务流程的深度结合,使业务知识能够被AI直接调用,为AI在金融业务场景中的实际应用提供支撑。在实际落地中,不同于以往科技项目主要同银行科技部打交道,大模型场景落地时将银行业务团队作为主要协同方,进行业务知识沉淀、效果评估和需求定义。这一方向也反映了行业趋势:知识中台正从文档管理、问答检索进一步向可供AI调用的业务知识层演进,并与银行数据体系衔接。

针对监管在可解释性、责任划分方面提出的核心要求,张宁表示,创新的前提就是可用、可控。监管清晰划定银行AI应用的场景边界与约束,实则为创新指明方向,避免无序试错,有助于加速真正创造价值的项目落地。“有边界比没边界强,在清晰框架内开展创新,本身也蕴藏机会。”

 

编辑:罗浩

 

声明:新华财经(中国金融信息网)为新华社承建的国家金融信息平台。任何情况下,本平台所发布的信息均不构成投资建议。如有问题,请联系客服:400-6123115

去新华财经APP看全文

确定 取消