淨息差收窄+資產質量承壓，AI如何驅動銀行業增長？
“當前，大模型技術發展呈現出基礎資源躍遷、模型演進主線、應用場景深化、生態格局重構的四大趨勢。”畢馬威中國銀行業主管合夥人史劍表示，這種轉變將促使越來越多的銀行採取“人工智能（AI）優先”的戰略。
畢馬威中國近期發佈《2025年中國銀行業調查報告》提出，新技術的應用也伴隨着數據安全、模型治理、倫理合規以及人才技能升級等方面的挑戰，技術的進步必須與可信AI治理體系的建設同步，確保數據安全、算法透明、倫理合規是銀行業在應用AI過程中不可逾越的紅線。銀行業在推進“人工智能+”戰略時，應深刻認識到這不僅是技術層面的革新，更是涉及戰略重構、組織進化、數據要素治理與體系融合的系統工程。
事實上，淨息差持續收窄依然是橫亙在行業面前的核心挑戰之一。史劍認爲低利率時代既是挑戰，也是銀行重構存款業務價值的契機，更是經營邏輯從“以產品爲中心”到“以人爲中心”的深層變革，業務端將從“存款產品驅動”向“客戶價值驅動”轉變。
C端業務可以採取的創新舉措主要圍繞客戶的“避險+保障+消費”這一核心需求進行，在當前低利率與市場波動加劇的背景下，C端個人客戶的存款需求呈現出避險、保障與消費三位一體的特徵，銀行正在通過產品創新與服務升級，加速從“推銷存款產品”向“提供綜合服務”轉型。
在B端業務，創新舉措則需要藉助場景運營模式來打造存款價值閉環，通過構建“存款-積分-場景”的閉環生態，精準匹配客戶權益，並深度下沉服務場景，打造“線上+線下”生活服務網絡，實現個人權益與商戶服務的聯動。
中間業務也是銀行業不斷創新的重點，目前部分銀行正在探索提高非息收入對營業收入的貢獻，系統性規劃重構中間業務管理體系，以中間業務驅動金融生態圈閉環，同時加強投、託、銷、撮聯動，打造“一體化綜合金融解決方案”。
面對淨息差持續收窄的挑戰，銀行需要從存款和中收業務等方面進行調整，並重點關注風險管理、合規與監管、客戶體驗以及技術與人才等關鍵問題，以確保業務調整的有效性和可持續性。
當然，資產質量是銀行經營的核心指標之一，直接影響銀行的盈利能力和穩定性，2025年經濟仍然面臨諸多壓力，史劍表示銀行業要控制資產質量潛在風險需要採取多種策略。首先，優化信貸結構，聚焦技術創新與產業升級。嚴格控制房地產、地方政府融資平臺等高風險領域信貸增量。重點佈局戰略性新興產業和先進製造業，通過設立專項技術改造貸款、創新融資產品，支持企業研發智能家居、新能源汽車等符合消費升級趨勢的創新產品。其次，強化存量風險處置，對不良資產清收處置的業務模式進行創新。採用結構化交易模式，銀行與處置方共同設立SPV，構建“收益分成、損失共擔”機制，提高風險化解的質效；銀行和AMC可以通過併購重組、破產重組等方式，引入產業投資者，將存量資產重新配置，推動經濟結構調整和企業組織結構升級；拓展諮詢及託管業務模式，探索發展“輕資產”運營模式。最後，構建數字化風控體系，對資產質量進行智能預警。建立AI項目全生命週期成本覈算與跨部門分攤機制，構建信貸審批通過率、不良貸款率改善等量化效益評估指標。根據市場變化和資產質量變動情況，動態調整信貸政策、風險評級模型等，確保風險計量的準確性和前瞻性。
當前，大模型技術飛速發展，發展呈現出基礎資源躍遷、模型演進主線、應用場景深化、生態格局重構的四大趨勢。“銀行業正以前所未有的決心和速度擁抱大模型技術，戰略驅動與價值導向成爲佈局新興AI場景的雙輪驅動力。銀行AI戰略主要呈現出新特徵，在AI戰略與監管科技協同提速，今年也會重視對創新與風控的平衡。”史劍說，人工智能的真正價值不僅在於降低成本，更在於通過提供智能化的產品和服務，無縫嵌入生態系統，從而以前所未有的方式吸引和服務客戶，最終實現收入的增長。這種轉變促使越來越多的銀行採取“人工智能優先”的戰略。
中國銀行業在大模型落地應用方面走在前列，應用範圍已經從國有大行、股份制銀行迅速擴展到頭部區域性銀行。目前，國有大行和股份制銀行已全面啓動大模型應用建設，約80%的區域性銀行涉足大模型領域，並在前、中、後臺均有正式投產的應用案例。但多數仍處於實驗室階段或全行範圍內的“Agent”demo競比階段，少數城商行在代碼助手、知識庫問答、智能問數等場景中進行小範圍試點應用。在大模型應用方面，銀行業大模型應用建設的能力滲透率顯著提升。需要注意的是，這一過程中應該審慎推進。
現今提及的銀行業大模型的應用建設全景，就是全面滲透金融業前中後臺應用，這也是銀行AI戰略的另一個重要趨勢。大模型正全面滲透至銀行業務的前、中、後臺，帶來前所未有的效率提升與創新突破，其應用實踐呈現分層深化、增強融合與價值重構的特點。
面對大模型熱潮，銀行業應該極探索適合自身的應用建設模式，並以投入產出效率（ROI）爲導向。從具體的方向拉力看，可以根據能力在建設方式、應用部署方式、應用落地路徑三大領域，逐步形成端到端自建、專有模型開發、Agent編排平臺和API調用模式等幾種較爲普遍且更注重實際效益的建設模式。
史劍強調，儘管引入人工智能已被銀行業廣泛認可爲提升運營效率和客戶體驗的關鍵驅動力，大模型技術正以顛覆性姿態重塑金融業態，但其落地過程面臨多維挑戰。如：高價值數據資源的碎片化沉澱與模型訓練所需的規模化、高質量語料供給不足之間存在的失衡；金融機構在大模型應用上面臨着戰略規劃不清晰和價值驗證困難的雙重挑戰，導致資源浪費和投資失衡；銀行業務對低幻覺、強可控AI的嚴苛要求；以及銀行人才與組織敏捷性的新挑戰等。此外，在大模型的應用路線上，銀行業主要是從效率提升工具逐步向價值創造引擎演進。大模型應用正從效率提升工具向價值創造引擎演進，但場景落地仍面臨核心制約因素，主要是“可控性”“可解釋性”與“投入產出比”。
