作 者 | 九卦姐

来 源 | 九卦金融圈

银行数字化如何向纵深发展成为银行人关注的热点，数字金融百人访谈，专注对话数字金融的亲历者，畅聊银行数字化变革的前景和未来，勾勒数字银行的蓝图！

本期嘉宾

某大厂金融行业大模型负责人，九卦金融圈专栏作家 梅振衣（笔名）

本期主持人

九卦姐

农历新年期间，中国AI初创公司深度求索（DeepSeek）凭借其低成本、高性能的大模型技术，在金融领域掀起了一场算力革命。随着 DeepSeek V3和R1、Qwen2.5 等开源大模型的快速迭代，银行业对 AI 的兴趣正与日俱增，从风控、营销、交易到运营，AI 的应用全面渗透银行业务。

与此同时，银行在技术路线的选择上也出现了分化——头部银行倾向于自建 AI 体系，而中小银行更偏向采购外部 AI 解决方案。

面对这一趋势，九卦金融圈特别对话某大厂金融行业大模型负责人梅振衣（笔名），探讨银行如何借助 AI 构建开放式智能金融生态，如何平衡自研与采购，如何解决数据隐私与监管合规的挑战等问题。

01

银行对 AI 的需求：

从探索到全面落地

九卦金融圈：银行目前对 AI 的需求主要集中在哪些领域？是更关注风控、营销，还是数据分析？

梅振衣：

银行对 AI 的需求已经从 探索阶段进入全面落地阶段。2023 年下半年到 2024 年初，银行更多是以创新试点的方式尝试 AI；但到了 2024 年下半年，AI 技术的应用开始加速落地，成为银行提升效率和竞争力的关键。

具体来看：

• 风控：AI 在信贷审批、反欺诈、合规审核等方面的应用已日益成熟。例如，某股份制银行的 AI 风控系统 已经将反欺诈检测效率提升 40%。

• 营销：AI 在精准营销、个性化推荐方面的应用正在加速。例如，AIGC（AI 生成内容） 让银行的营销素材制作更高效，已经成为银行数字化营销的重要工具。

• 数据分析：AI 结合大数据，使银行能够精准挖掘客户需求，优化业务决策。

02

银行如何选择 AI 技术路线？

九卦金融圈：银行是更倾向于自研 AI 模型，还是采购外部 AI 方案？这种选择背后的核心考量是什么？

梅振衣：

目前，银行在 AI 技术路线的选择上呈现两大趋势：

• 头部银行如工行、建行、农行、中行等。这些银行倾向于自研 AI，核心考量是数据安全和技术自主可控。

例如，不少银行已组建 AI 研发团队，正在训练专属 AI 模型，目标是减少对外部 AI 供应商的依赖，避免被科技公司“锁死”。

• 中小银行（如一些股份制银行、城商行等）则更倾向采购外部 AI API 或采用开源模型进行本地微调，核心考量是成本与技术门槛。

例如，有银行使用开源模型，在本地进行微调，以适配自身的风控和营销需求，同时采购部分商业 AI API（如 GPT-4）用于非敏感数据场景。

从整个技术发展的趋势来看，理论上，新技术会降低所有机构在产品开发和创新方面的门槛。以金融机构为例，从信息技术时代到移动互联网时代，再到如今的AI浪潮时代，开发一个应用程序的成本和门槛已经大幅降低，甚至业务部门的人员都有可能亲自参与开发。从这个角度来看，或许有人会认为金融机构不再需要那么多第三方公司了，但事实并非如此。相反，金融机构可能需要更多的支持。

在这种情况下，金融机构内部的科技部门角色也可能发生转变。过去，科技部门大量依赖外包人员来完成任务；而现在，科技部门更有可能通过管理和协调大量的智能代理（agent）来推动技术应用和创新。

关键平衡点：

1. 自研 AI 的优势：数据安全、符合监管要求、形成长期竞争力，但研发成本高，周期长。

2. 采购 AI 的优势：成本低、落地快，但数据安全和模型定制化是挑战。

03

AI 对银行岗位的影响

九卦金融圈：AI 是否会影响银行科技岗的岗位结构？哪些岗位在 AI 时代更具价值？

梅振衣：

AI 时代，银行的科技岗正面临“分化与重塑”：

受影响的岗位

• 低端数据分析员：AI 自动化数据分析让传统的手工筛选岗位减少。

• 银行客服、电销、催收人员：AI 交互能力不断增强，使这些岗位的需求下降。

• 初级开发、测试工程师：AI 代码生成、自动化测试等能力不断提升，减少了基础性开发岗位的需求。

价值提升的岗位

• AI 风控策略师：负责 AI 赋能的风控策略建模。

• 模型优化工程师：专注于大模型的微调，确保 AI 适配银行业务。

• AI 合规专家：确保 AI 符合监管要求，防止“AI 幻觉”导致错误决策。

从招聘趋势看，银行对 “AI+业务”复合型人才 的需求明显上升。例如，高盛在 2024 年对 AI 相关岗位的招聘需求增长了 40%，反映了银行对 AI 技术融合业务的高度重视。

04

4、AI冲击了金融机构与第三方科技厂商的关系？

九卦金融圈问：未来银行的AI生态会怎样发展？银行是会更依赖科技公司，还是会培养自己的AI团队？

梅振衣：

在信息技术时代，众多ISV（独立软件开发商）厂商应运而生。及至移动互联网时代，它们纷纷标榜自己能够开发APP、开展移动开发、构建渠道等。步入AI时代，它们依然能够助力金融机构构建各种系统和关系，甲乙双方的合作模式依然稳固，并未发生根本性变革。

真正的变革在于，哪家银行能够敏锐洞察趋势，开拓新的机遇；哪家ISV科技厂商能够精准把握潮流，实现后来居上。不过，这些因素对市场格局的影响力目前仍显得相对有限。

从整个AI市场的发展趋势来看，开源无疑是当下的主流潮流。例如，一些专注于基础模型研发的企业已经开始坚定地走开源路线。

最近有新闻提到，OpenAI的创始人也承认，他们此前的路线可能存在偏差，开源或许才是更明智的选择。开源已经成为市场的共识，被认为是当下最适合大模型发展的商业模式。它不仅对金融机构极为友好，因为金融机构无需承担高昂的研发成本和风险，而且对所有机构都具有巨大的吸引力。

回顾移动互联网时代，一些数字银行，如百信银行、微众银行等，正是借助移动互联网的东风崛起。然而，如今这些机构在拥抱AI的过程中，也面临着不同程度的差距。尽管未来可能会有机构凭借AI浪潮实现后来居上，但目前市场仍在探索和观望之中，尚未出现明确的领跑者。

05

监管挑战：如何平衡 AI 创新与合规？

九卦金融圈：银行在推进 AI 落地时，遇到的最大挑战是什么？是数据问题？合规问题？还是技术能力？

梅振衣：

目前银行在 AI 领域的主要挑战包括：

数据隐私与安全：银行的数据合规要求严格，AI 需要在数据安全与创新应用之间找到平衡。

监管合规压力：金融监管总局、央行对 AI 透明度、数据安全提出更高要求，银行需确保 AI 的可解释性。

技术落地难度：部分银行 AI 人才储备不足，难以快速构建 AI 生态。

银行的应对策略：

引入 AI 风控透明机制，确保 AI 决策可解释，避免“AI 黑箱”问题。

推行 AI 沙盒测试，在受控环境内试验 AI 方案，降低合规风险。

加强 AI 监管团队，确保 AI 方案符合银行审计和法律要求。

结语

银行 AI 未来如何演进？

AI 的大潮已经席卷银行业，但技术路径的选择仍然因机构规模、业务需求和监管要求而有所不同。

头部银行倾向于自研大模型，形成长期技术壁垒。

中小银行更倾向采购外部 AI，快速落地，实现业务赋能。

混合模式（开源+本地微调）正成为主流，兼顾安全性和灵活性。

AI 不会让银行科技人失业，但不会用 AI 的人可能会被淘汰。未来银行科技人的核心竞争力，在于能否实现“AI+金融”复合型成长。

你怎么看？

你所在的银行，AI 应用到哪个阶段了？你认为银行的 AI 发展路径，应该是自研，还是采购？

欢迎在评论区分享你的观点，我们一起讨论！