六大行AI较量|个人消费贷款|人工智能|六大行|工行|智能体|知识库

详细拆解2026六大行AI布局全景，这场竞赛的胜负手正在浮现。

· 来源：轻金融作者：李静瑕

“人工智能+”，正在银行业掀起新一轮军备竞赛。

2026年上半年，六家国有大行密集升级“人工智能+”布局，大模型从底座走向前台，智能体从问答工具走向任务执行，数据治理、安全机制和人才组织建设同步提速。一场发生在银行体系深处的生产方式变革，正在加速。银行AI竞争开始从项目建设走向生产方式重构，并开始形成可持续的经营价值。

凭借庞大的客户基础、丰富的业务场景和持续的科技投入，六大行成为观察中国银行业AI产业化进程的最佳样本。轻金融详细梳理六大行财报、业绩发布会等公开资料，试图从中找到银行业AI布局的胜负手。

一战略升维：AI从技术走向核心战略

技术革命进入深水区后，决定胜负的是组织变化与战略执行的重构。

从2026年上半年布局看，六大行已经不再把AI局限于科技条线，而是上升为覆盖战略、平台、业务和治理的系统工程。其共同点是体系化，差异则来自各自的资源禀赋与经营重点。

工商银行提出加快建设数智工行（AI-ICBC），以“工银智涌”科技底座、“工银数库”数据空间，以及对公、对私、对员工三类数智化平台，构成“1+1+3”体系。工行AI战略的特点，是总战略品牌、数据底座、模型平台和业务入口之间衔接更为完整。

农业银行深入推进智慧银行建设，以智能体为抓手、以项目需求为牵引，完善“AI+”能力体系，并以智慧银行“2863”策略推动AI规模化、普惠化应用。农行重点建设“农银智+”平台和企业级AI数字助手“一明”。其优势是把AI变成可复制、可下沉的基层生产工具，这与其县域客户多、网点覆盖广的经营禀赋高度契合。

中行上半年制定两大“人工智能+”方案，构建“326”人工智能赋能体系，形成全领域、多场景的应用能力：三大平台支撑算力、数据和技术，两套机制保障敏捷赋能与安全治理，六类应用范式覆盖问答、生成、识别、决策、知识图谱与交互，其核心技术载体是BOCAI大模型平台。与其他大行相比，中行AI战略最突出的标签是“全球化”。

建设银行发布“人工智能+”三年发展规划，强调价值创造、场景建设与“业数技”融合。具体举措，包括搭建智能平台、建设“AI众创工作室”、完善高质量数据集、将新型AI风险纳入常态化监测。其AI战略的差异化在于组织创新：让AI开发从科技部门的专业工程，变成业务人员也能参与的企业级众创。

邮储银行继续深化“AI2ALL”数字生态建设，以自主可控、务实高效、安全发展为基本原则，将AI深度嵌入业务逻辑与产品服务全流程，构建“通用智能底座+多元化场景”的应用模式。其技术底座包括自主可控的“邮智”大模型、AI算力资源池和多模型矩阵，依托智慧生态银行建设，系统布局金融大模型创新实践。

交行深入实施“人工智能+”行动，打造发展新引擎，核心为“1+1+N”：一个AI能力整合平台；一套模型治理体系；N个应用场景。从人工智能底座、AI治理机制、智能体深入各大场景等全面推进“人工智能+”行动。

虽然六大行AI战略有所差异，折射出自身禀赋的不同判断，但它们向的是同一个方向：AI不再是附着在银行体系之外的工具，而要成为银行体系本身的一部分。

真正重要的是，银行AI已经进入体系化深耕阶段，技术创新只是其中一环，业务重塑、组织协同和人才机制将决定落地成效。

二智能体爆发：从单兵作战到军团协同

2026年上半年最直观的变化，是金融智能体数量与应用场景快速增加。

截至6月末，工行累计落地大模型场景超过600个；建行生成式人工智能覆盖超过600个应用场景；邮储银行落地超过370个大模型应用场景；交行落地420余个AI应用场景；中行构建智能化助手超过2200个，应用场景超过3800个；农行也在稳步推动智能体在各类场景深化应用。

这些数字说明AI已经进入规模化应用阶段，但并不适合按场景数量作对比。各行披露的场景、助手、流程口径并不相同，数量只能证明覆盖面，不能直接代表价值。真正有意义的比较，是AI进入了什么业务，改变了哪段流程，创造了多少增量。

从落地场景看，六大行的金融智能体已经从办公、客服等环节，向客户经营、信贷、交易和风险等核心业务领域深入。

工行打造统一对客智能体“工小智”、个人客户经理智能体“工小财”，并将GlobalDealing用于智能询价交易；农行推出自研智能体ABC-Claw，应用于绿色贷款标识识别、制造业贷款分类等场景，并以企业级数字助手“一明”连接服务、管理和办公；中行形成研发、客服、办公、风控、票证审核和风险预警等助手矩阵。

建行升级“帮得”智能客户经理助理，围绕客户洞察、财富管理和沟通辅助提升一线经营能力；邮储银行以VOC智能体闭环管理全渠道“用户之声”，以“邮小助”和交易员助理机器人服务货币市场交易；交行则在跨境贸易、金融市场、信贷风控、经营分析和研发运维等领域形成智能体矩阵。

在大行的智能体爆发中，一个行业共识正在形成，智能体应用正在从单个智能体布局迈向多智能体协同。

其中，工行打造了“一超多专”多智能体协同框架；农行打造企业级AI数字助手“一明”，并研发“一明智慧大脑”，实现跨业务领域的多智能体协同调用；邮储银行则推进综合办公从“单一工具”向多智能体“协同智办”迈进。

六大行智能体大爆发背后的支撑，离不开强大的AI底座。这其中，工行推出了“工银智涌”，农行打造“农银智+”，中行依托BOCAI。建行构建了“方舟”大模型。邮储银行发布“邮智”金融行业大模型。交行则构建了一套“千亿级大模型算法矩阵”。

可以明显看到，智能体已经逐渐渗透到银行的核心业务领域。当多个智能体可以协同，它才可能成为银行新的数字化生产线。

三价值检验：场景数量之外，更看效能

场景数量是规模化的起点，却不是价值创造的终点。

当下，银行配置AI资源的逻辑正在变化，更加追求业务有用，注重衡量投入产出比。六大行的“人工智能+”行动的一大特征是，在场景泛化覆盖的同时，将AI资源向高价值场景倾斜。

邮储银行重点围绕零售对客服务、对公辅助营销、信贷数智风控、内部运营管理、员工办公助手等领域，打造一批典型性、高价值场景；中行搭建“探索场”环境，在业务侧聚焦高价值场景持续发力，重塑业务价值、业务流程；交行也曾表示，引导AI资源向高价值场景集聚。

这些银行将AI资源向高价值场景倾斜，本质上是让智能体从成本中心走向利润中心。那么，银行智能体离利润中心还有多远？

财报中已经出现一批可观察的效率指标。工行集约运营助手的单笔录入速度较人工快25倍，审核处理效率达到应用前的5倍；建行上半年响应集团业务要求1.07万个、投产需求项6.49万个，研发效率提升11%；邮储银行货币市场AI交易机器人“邮小助”和交易员助理机器人累计处理交易总量超过12万亿元。

这些数据释放出一个信号，AI的价值正在从节省工时，扩展到改善客户经营、交易效率和风险控制。但银行AI要真正成为利润中心，还需跨越三层台阶：第一层是替代重复劳动，形成成本节约；第二层是提高识别与决策质量，减少风险损失；第三层是重塑客户旅程与服务供给，创造新增收入。

规模化应用也带来新的困境。如果AI给一线员工节省了时间，银行只是顺势加码更重的KPI，那么技术红利可能异化为工作强度与难度。那么银行应该反思，这样的AI是否在真正解决问题，这样的AI投入是否真正带来价值。这也是银行加速AI应用规模化落地需要关注的问题。

真正有效的人与AI协同，应该让人从机械劳动中退出，把精力转向客户洞察、复杂判断和关系经营中。如果技术只让人跑得更快，却没有让组织走得更远，效率提升就可能停留在表面。

四AI治理：走得越快，越需要边界

2026年被称为是中国AI治理的分水岭年。

《智能体规范应用与创新发展实施意见》、《关于银行业保险业人工智能安全开发应用的指导意见》等政策规范的落地，为银行AI布局划出了安全跑道。AI安全体现在哪些方面？

一方面是数据安全。数据是银行在AI规模化落地中的核心要素，数据治理成为了银行AI布局的重要前提。这也是六大行普遍把数据治理推向前台的原因。

具体举措上，工行建设“工银数库”数据空间和企业级可信数据服务平台；农行打造适配智能体全生命周期应用的数据架构，构建“数据+工具+模型+分析”服务能力体系；中行则完成“智览”1.0 建设，围绕“采、存、建、用、管”，制定全行统一数据架构；建行上半年完成大数据应用研发智能体的框架建设；交行完善覆盖数据底座、门户、平台、应用的数据生态体系。

邮储银行的动作更有代表。上半年提出“Data for AI”，并构建“1+3+6+N”的高质量数据集建设管理体系。同时，打造企业级大模型数据基座，锻造治理、标注、评测、安全、运营、融合六大核心数据能力，智能标注超6万条多模态数据，累积构建超2800万条高质量数据集。

除了数据治理，知识库也成为大模型智能优化的重要组成部分。

这方面，工行扩容企业级知识库，覆盖多类业务领域；农行推进企业级知识工程建设，探索智能体应用知识供给模式，持续释放知识服务效能；建行构建覆盖“通用知识+领域知识”的企业级知识库；交行推广企业级知识服务平台“交行知道”，通过扩展企业级知识库，让制度、产品、客户和风险知识可以被模型稳定调用。

数据与知识库，是银行金融AI大模型发展的基础，其规模、体系构建以及治理能力的不同，也将带来银行AI竞赛的差异化结果。

另一方面，是AI应用的安全，而人机协同成为重要方案。

对于银行而言，规模化应用必须建立在安全、可靠、可信、可控的基础之上。智能体越接近执行环节，权限、数据和责任风险越高，这要求治理前移至数据、模型、应用和运营的全生命周期。

“以AI对抗AI。”农行曾公开提出，增强自动化、智能化的风险应对水平。为此，农行对标监管要求，针对大模型快速迭代带来的技术风险，积极应对模型黑箱、模型幻觉等问题，加快推进“以AI对抗AI”等能力建设。同时，建立分层的容错机制，坚持“先行先试、先内后先、先外围后核心”的渐进式策略，防止未经充分验证的AI能力直接面客。

中行则建立业技贯通的安全治理机制，构建了人机协同应用体系，在AI开发应用中构建体系化管控机制和评审流程，在业务关键风险点，则设置人工干预；邮储银行构建了覆盖内容、数据、应用和模型四大核心领域的人工智能应用开发全周期安全管控体系，通过大小模型协同实现内生安全，保障人工智能应用安全、可信、合规。

银行需要的是可解释、可回溯、可干预、可问责的AI，人机协同也是长期以来行之有效制度安排。

五组织与人才：AI竞赛下半场胜负手

银行AI布局从来不是一个单纯的技术项目，而是一场以技术为载体的组织变革工程。

当AI进入核心流程，原有的部门边界、需求传递和绩效机制都会被重新审视。过去常见的模式，是业务提出需求、科技排期开发、项目上线验收；在智能体时代，模型需要持续训练，场景需要快速迭代，业务人员也必须参与知识沉淀、效果评测和风险校验，传统业务提需求、科技做交付的方式已然不能满足。

在人才队伍建设上，大行形成了明显的综合性优势。2026年上半年，体制机制也出现了一些新变化。

其中，工行通过实施科技业务合作伙伴项目（ITBP），推动科技和业务的双向赋能；完善揭榜挂帅等激励措施。工行致力于打造一支总量适配、结构合理、专业过硬的金融科技和数据管理人才队伍。人才队伍的培养方式上，推出“业技数”融合机制，选派科技骨干下沉业务条线，培育业务、科技、数据复合型人才。

建行在2026上半年打造了“AI众创工作室”，将业数技融合人才以“工作室”的形式组织起来，去探索从需求到落地的一站式解决方案。这种创新的组织形式，不但能促进业数技融合深度融合，还为一线业务人员参与AI创新提供了空间。

邮储银行通过“七大改革”为牵引，完善“领军—骨干—青年”三级人才建设。同时建设软件研发、业务研发、数据分析、数智化服务工程师、网络和数据安全、运行维护六支专业队伍，培育“精技术、懂业务”高素质复合型人才。

银行AI竞争最终会落到组织能力。对于拥有数十万员工、流程高度复杂的大型银行而言，AI转型的真正难题，是大象如何转身，组织、人才、技术三者缺一。

六三大趋势：银行AI竞争走向深水区

趋势一：奔赴AI原生

上半年，六大行不约而同推动“AI原生”应用。

例如，工行在私人银行打造AI原生综合金融服务智能体；农行深化AI原生应用，打造“会话即服务”的AI服务模式；建行积极推进AI原生智能体应用建设；邮储银行提出了持续建设自主可控的AI原生技术架构体系；交行提出打造AI原生的产品、服务和运营模式。在业务与技术融合中，要以AI原生理念重塑客户旅程和业务流程。

AI原生（AI-Native），是一种根本性的组织基因与技术架构选择。它对银行的意义，不是多了一个AI部门或AI功能，而是银行生产方式的一次根本性重构，要求银行从技术架构、业务流程、组织形态到战略文化，都以AI能力为第一性原理重新设计。

趋势二：向Agentic AI（自主智能体）演进

银行的智能体发展，正在向Agentic AI演进。毕马威将之称为AI工具演进的3.0阶段,基于大模型实现自主决策与多任务协同，使AI成为“数字同事”。银行对数字员工的探索，形成了对Agentic AI发展的共识。

工行曾披露数据显示，2025年其AI数字员工年承担工作量5.5万人年，深入到了投资交易、营销拓客、风险防控、运营提效四大核心场景；农行的“一明”正是其打造的数字人员工，能够给一线员工提供智能问答、营销辅助、消保合规等全流程的辅助功能。

当Agentic AI能够自主理解目标、拆解任务并跨角色协作，毕马威认为，将推动“人执行、AI辅助”，转向“人监督、AI执行”的模式。银行人机协同的创新模式，将会继续深度推进。

趋势三：算力紧平衡成为新常态，Token规模转向Token效率

近两年，Token成为AI发展的热门词汇，它既是成本投入，也是资产，更是银行AI生产力驱动器。邮储银行数据显示，日均输入输出词元超300亿；此前工行公开的数据也是日均Token达到百亿级别，半年报披露的信息是全行日均Token消耗量持续保持行业领先。

面对银行业的“算力紧平衡”，农行董事长就曾提出，可以通过工程化手段，如算力的灵活调度、参数规模的合理匹配、模型的压缩加速等，降低模型的运行成本，节约算力资源，同时加快建设支持AI高性能计算的智算中心。

算力紧平衡的必然结果，是银行业从粗放式扩张转向精细化运营，推动堆算力的“Token规模”转向提升“Token效率”，未来真正重要的，是谁能用更少的算力完成更高价值的任务。

七结语

回顾六大行2026年上半年的AI布局，可以发现这已经是一场体系化的较量，AI竞争进入场景规模化、流程深度化和治理体系化的新周期。

未来评价一家银行的AI能力，不会只看模型参数和场景数量，而要看四个更难的问题：数据能否形成可信资产，智能体能否进入核心流程，治理能否匹配自主执行，组织能否承接人机协同。这四个层面，将共同决定六大行AI竞赛的最终格局。