Runwise 增长研究院

2026-10-11

Runwise 增长研究院

10/11/2026
企业AI创新

半年内智能助手从400余个增至2200多个，中国银行如何让AI从科技项目走进客户经理和柜员的日常工作？

0秒看懂：中国银行用“326”企业AI体系，在半年内把智能助手从400余个扩展到2200多个。其核心不是追求数量，而是通过总部统一算力、模型与数据底座，把分散项目纳入六类应用范式，让业务骨干与技术专家在“探索场”共同开发，再沿共性岗位和业务流程推广，并以事前评估和人工审核控制风险。这套组合解决了大型组织AI落地中“重复建设”和“基层需求难响应”的双重难题，为企业AI规模化提供了可借鉴的路径。

1. 从400余个到2200多个，中国银行遇到的不只是AI开发问题

2025年末，中国银行已构建400余个智能化助手。到2026年6月末，这一数量超过2200个，BOCAI大模型平台用户突破3.2万人。半年间，智能助手的建设规模迅速扩大。这个变化值得研究，但比数量更重要的问题是：一家拥有庞大分支网络、业务链条和风险要求的银行，怎样让AI从少数科技团队的项目走进客户经理、柜员、研发人员和境外机构的日常工作？

对大型组织而言，AI项目的难点往往不在第一次演示。不同业务条线使用的数据、知识、审批要求和客户对象各不相同。若每个部门独自采购模型、搭建系统、开发应用，不仅难以复用，还可能重复承担模型评估、信息安全和后续维护成本。相反，若所有需求都集中到总行逐项开发，基层真正了解的业务痛点又可能迟迟无法解决。

中国银行的公开实践提供了一种不同的组织路径：总部统一技术与数据底座，把常见需求抽象为六类应用范式；通过业务人员与技术专家共同开展场景开发；将可规模化的助手推向岗位和业务流程，同时以统一的风险防控要求限制高风险应用。银行也在推进分行数字化成果推广，但这属于范围更广的数字化转型工作，不能与AI助手建设数量混为一谈。尤其需要区分：助手建成、岗位获得使用入口、员工持续采用，以及同一应用跨机构复用，是四种不同的进展，任何一种都不能单凭另一种替代证明。

2. 关键战略选择：把分散项目纳入“326”企业AI体系

中国银行将其企业AI建设概括为“326”体系：算力、数据、技术三个平台，敏捷赋能和安全治理两套机制，以及六个重点应用范式。这个组合的价值不在数字本身，而在于分别解决不同层级的问题：基础设施能不能共用，基层需求能不能快速转成产品，已有能力能不能被更多岗位采用，以及风险由谁把关。

2026年6月，行长张辉在陆家嘴论坛介绍了这一体系。2026年8月中期业绩发布会上，副行长蔡钊进一步披露，总行建设统一算力与BOCAI大模型平台，依托海外信息中心为境外分支机构提供支撑；在应用端搭建“探索场”，以业务与技术融合的方式孵化助手；在管理端设置事前评估、内容检测和人工审核等环节。两次公开披露，把“平台—应用—使用—风险”的关系讲得比单纯的助手数量更具体。

这一战略并不意味着中国银行已经建立了一条完全自动化的AI产品生产线。应用模板、应用商店和评测中心是否具有统一的上架标准，分行是否能直接复制别家助手的配置，公开资料仍未说明。能够确认的是，银行确实采用了共享底座、标准应用范式、业务联合开发和岗位推广的组合做法。以下五项策略是Runwise根据中国银行公开实践作出的分析归纳，不是中国银行官方提出的“五大战略”；每项都对应可核实的具体经营选择。

3. 中国银行推进企业AI规模化落地的5项核心策略

（1）平台战略：总行统一算力、模型与数据，让分行不必从零建设

中国银行首先把模型能力做成集团可共用的基础设施。其2025年度业绩发布会实录披露，银行通过“搭平台、汇数据、促应用、防风险、建机制”推进人工智能应用，建设BOCAI大模型平台，部署10余款主流大模型，并通过API、智能体和应用范式向全行提供能力。2025年度业绩公告还提到DeepSeek、Qwen3等系列模型已被部署。这意味着各业务团队面对的不是“先找一家模型供应商”的单点选择，而是能够依托集团已有技术能力开展应用。

数据侧同步推进。中国银行披露，已将9.4万张数据表接入集团数据湖；2026年6月末，分布式技术平台、前端技术平台和大数据技术平台分别对接或推广至466个、206个和274个应用。这些是全集团数字基础设施指标，并非全部属于AI项目。它们的重要性在于，为重复使用业务数据、模型和系统能力提供了既有基础。至于某一助手具体调用哪些数据、是否能够跨机构访问、数据质量怎样审核，不能仅凭“接入数据湖”得出结论。

对跨境银行而言，统一底座也不能简单理解为只在境内设一个中心。中国银行管理层介绍，依托亚太、欧洲、美洲三大信息中心部署智算节点和大模型能力，协助境外机构解决算力部署、模型选型和安全防范等问题。这种安排把公共技术能力与不同区域的部署条件结合起来。2026年中期发布会进一步披露，授信报告等场景已经在新加坡等境外机构试点推广，但这属于特定场景试点，尚不能说明境外所有机构都已采用同一应用。

还有一个容易忽视的细节：集团并没有只押注某一款大模型，而是建立包含不同模型的能力组合，并提供API、智能体及应用范式等不同使用方式。对一线使用者来说，操作对象是营销、问答或报告生成等具体任务，而不是理解模型参数；对科技部门来说，则可以在底层更新模型能力时，尽量保留既有业务入口。后一点是平台化的潜在优势，并非中国银行已公布所有应用无缝切换模型的运行记录。

这一策略真正改变的是分工。总行负责相对昂贵且需要统一标准的算力、数据和模型基础，分支机构把主要精力投入业务需求。截至2026年6月末，集团云平台服务器总量达5.5万台，说明其数字底座需要持续建设，但该数量不是AI专用服务器数，也不能据此计算AI投资回报。平台共建减少重复投入的可能性，与实际节约多少成本，是两回事。

（2）产品创新：用六类应用范式，把共性需求沉淀为可复用能力

共享模型不等于共享应用。即使每个部门都接入同一大模型，如果每次都重新设计知识问答、报告生成或影像识别流程，仍可能形成大量难以维护的小项目。中国银行选择在模型能力之上抽象应用范式，将“共性能力”与“具体业务场景”分开。

张辉在2026年陆家嘴论坛对外介绍了六类重点范式：感知识别、分析决策、知识图谱、智能问答、报告生成、智能交互。2025年报相关披露、2026年半年报和业绩会分别确认了“六个范式”的建设方向。这六类不是六个现成助手，而是为不同业务提供可复用技术能力的类别。例如，网点知识查询与客户政策问答可以复用问答能力；授信提案和尽职调查材料涉及报告生成；票证处理需要识别提取能力。这样的场景对应关系是依据范式功能作出的业务解释，并不意味着公司已经公开了每个具体应用的范式归属及调用架构。

这一做法的商业意义在于降低跨业务复制时的重新设计成本。对于已经有成熟问答或报告生成能力的机构，新项目应首先判断能否使用既有能力，再决定需要哪些本地知识、数据和业务规则。但公开资料没有列出六类范式的可配置字段、技术接口、复用率或总行对新范式的准入要求，因此不能声称“各分行只需改几个参数就能上线”。

按这种思路开发，企业要区分两类资产：一类是不同部门都能用的底层能力，例如检索、信息抽取、文本生成；另一类是带有本业务知识、权限和专业判断要求的应用。前者适合做成相对稳定的公共服务，后者需要在具体岗位验证其可靠性。中国银行公开了六类范式，却没有披露全部范式的使用率或每个部门复用了多少模块。因此，“具备可复用能力”是已经建立的产品方向，“复用带来了多少节省”则仍待验证。

在应用层，中银金科也有更具体的实践。据2026年6月《智探AI应用》经新浪财经转载的报道，中银金科基于BOCAI建设“AI数字员工平台”，涉及应用商店、知识工程、智能体研发与评测中心。这些模块分别指向应用发现、业务知识加工、应用开发和质量评价的需要。它们体现了向平台化供给发展的产品方向，但模块存在不代表每一个助手都已完成统一审核、上架并被其他分行复制。报道未给出上架标准、评测通过率及复用记录，这一环节仍是判断规模化成熟度的重要证据缺口。

这种“先把共性能力沉淀为平台、再让业务场景按需调用”的思路，与Moderna两个月内让业务团队创建750个GPT的做法异曲同工：总部提供统一底座，把创建权交给业务，但配套治理与评测机制同样关键。

（3）敏捷创新：让业务骨干与技术专家在“探索场”共同开发

只做统一平台，往往解决不了“到底该开发什么”的问题。客户经理更清楚小微企业融资时的信息缺口，运营岗位更了解单据录入耗时在哪里，科技人员则负责判断哪些问题适合使用模型、数据或规则系统。中国银行将这种跨岗位合作纳入正式做法，而不是将AI应用完全交给科技部门单独寻找需求。

张辉在陆家嘴论坛介绍，中国银行搭建覆盖境内外机构的“探索场”，组织“业务骨干＋技术专家”的柔性团队，推动业务需求快速实现并持续迭代，再把有价值的场景推向生产应用。2026年8月中期业绩发布会上，副行长蔡钊进一步披露，“探索场”已孵化超过2000个智能化助手，银行采用“连点成线带面”的方式扩大应用覆盖。这是公司披露的组织实施成果，说明业务与技术协作已不止于少量演示项目。不过，“孵化超2000个”并不等于这些助手全部正式上线、持续活跃或已跨分行复用。公开资料也没有披露每个团队的编制、具体迭代周期与资源审批规则。

另一个可以观察真实岗位使用的案例，是中国银行上海市分行的“惠Chat”。它可以说明AI如何进入小微信贷业务，但没有公开证据表明惠Chat就是由上述“探索场”孵化的项目，因此两者不能被写成同一个开发项目的完整链条。2026年5月，上海市地方金融管理部门披露，中国银行上海市分行围绕小微融资中的政策匹配和信贷资料整理问题，推出基于大语言模型的普惠平台。真实的使用流程从客户经理输入政策关键词或企业基本信息开始：系统在可检索、可更新的“政策大脑”中筛选适用条款，结合工商、税务等公开信息形成企业画像，再进行政策及金融产品的匹配，辅助形成面向该企业的信贷提案。该部门披露，从匹配到报告生成约需10分钟。

这里有明确的岗位、输入、处理顺序与输出。它不是“AI赋能信贷”的概念图，而是客户经理使用的实际工作链。客户经理不必先逐项搜索政策、拼接企业基础材料，再自行从空白文档整理提案。产品创新发生在工作方式上：前端使用者仍是客户经理，AI承担信息检索、结构化整理和初步匹配，最终金融服务仍需要人来完成客户沟通与专业判断。

惠Chat的意义不仅是把一份文件写快。小微企业申报信贷时，企业信息、地方扶持政策与金融产品要求原本分散在不同信息来源中。平台把“政策检索—企业画像—政策产品匹配—信贷提案”连接在同一岗位入口，业务人员才有可能将原本多次切换资料的工作连续完成。公开报道提到政策信息能够更新，但由哪个团队维护政策、更新频率如何、错误匹配怎样纠正，都未公开；这决定了提案生成之后仍需要专业复核。

另据《智探AI应用》2026年6月报道，惠Chat累计生成297份信贷提案，节约客户经理工时近743小时。报道还引述中银金科相关情况，称中型客户授信报告自动生成助理已生成900余份报告，审批流转效率有所提升。这些数字是媒体转述的项目数据，并非经独立审计的全行效率指标。尤其不能由743小时倒推出银行减少了多少真实员工，也不能由某类报告的流转效率外推到全行贷款审批速度。它们能证明的是，具体岗位已出现可定位的任务产出与局部效率证据。

用同样的框架诊断你的业务

中国银行用“326”体系把AI从试点推向2200多个助手，但你的企业是否也面临“平台建了、场景不活”的困境？用AI顾问诊断一下你的AI落地瓶颈在哪里。

免费体验 Upskill AI 顾问 →

（4）场景推广：从共性岗位覆盖，向业务流程和境外机构延伸

AI能否规模化，至少要分清三件事：同一类岗位是否获得可用的助手，员工是否实际使用，以及某个具体应用能否在不同机构重复部署。中国银行公开披露了前两类的一部分证据；第三类的具体实施记录仍不完整。理解它的推广策略，应先从可核实的覆盖对象和业务范围说起。

第一层是共性岗位覆盖。 在2026年3月举行的2025年度业绩发布会上，中国银行披露，智能营销助手已覆盖各级客户经理，智能问答助手覆盖所有网点，远程客服助手覆盖90%的应用场景。这些进展发生在2025年度披露口径中，不能说成2026年上半年助手数量增长带来的覆盖结果。三个数字的分母也不同：分别是岗位、网点和客服场景，无法合并为统一的全行活跃率。2026年8月中期业绩会再次提到营销和网点问答助手覆盖一线岗位，说明该行持续沿共性岗位推进部署，但覆盖仍不等于每位员工每天都在使用。

第二层是真实采用。 中国银行2026年半年度报告披露，智能研发助手用户规模超过1.6万人，月活跃用户超过万人。它至少证明在科技研发岗位，一类AI工具形成了可以观察的持续使用，而不只是开通账号。至于营销、网点问答等助手的个人月活、使用频率和实际业务采纳率，现有公开资料未给出，不能将研发条线的活跃比例外推至其他岗位。

第三层是沿业务流程和机构网络扩展。 中国银行在2026年中期发布会上介绍，AI已用于贷前发起报告、贷中尽责报告和贷后数据分析，从同一信贷业务的不同环节提供辅助。这说明应用范围不再限于单一问答入口，但公开披露没有给出三个环节之间的系统接口、数据自动传递比例或审批归因，不能说成AI已独立完成端到端授信。同一发布会还提到，授信报告等场景已在新加坡等境外机构试点推广；“试点”不等于所有境外分行都已完成部署。

立即登录阅读全文

登录或注册即可解锁全站内容，即表示你理解并同意服务协议与隐私政策

真实的业务任务还包括票证处理。2026年半年度报告介绍，“中银单证智审通”运用多模态大模型与RPA技术识别、提取单据要素信息，以改善录入效率。这里能够确认技术如何作用于单据任务，却无法确认它已在多少机构投产、审核准确率与人工复核比例，也不能把它和银行披露的“305种票证识别”直接当成同一产品的完整能力清单。

中国银行还有一条更广义的成果推广安排：2026年从七大领域筛选37项数字化转型成果纳入分行推广计划，并推进“夸腾1650”“数智普惠”等项目的全辖推广。这表明集团确实在组织基层成果共享，但37项不是37个AI助手，列入计划也不是完成部署。这项事实只能补充说明组织层面的推广方向，不能充当2200多个助手跨分行复用的直接证据。

因此，中国银行已验证的规模化进展主要表现为共性岗位的广泛覆盖、部分岗位的持续采用，以及信贷等业务流程和境外机构的特定试点。尚待验证的是：某一分行的命名助手能否经调整直接部署到另一分行、是否复用同一版本、实际使用者有多少，以及重复开发成本有没有下降。把“可复制的组织条件”和“已完成跨分行复制的结果”区分开，才能准确评价这项增长策略。

这种“先覆盖共性岗位、再沿流程和机构网络扩展”的路径，与海尔智家让员工自建超1.4万个AI应用的规模化逻辑相似：总部提供平台与标准，一线业务就近解决问题，但真正的复用率和活跃度仍需进一步验证。

（5）风险控制：以事前评估和人工审核为AI规模化划出边界

银行与一般内容生产企业不同。信贷、客服、营销或反洗钱中的错误，可能影响客户权益、授信判断与合规责任。因此，把AI复制到更多岗位之前，必须回答另一个实际问题：哪些任务可以让模型自动完成，哪些只能由模型提供建议，哪些环节必须由员工复核？

2026年中期业绩发布会上，蔡钊介绍，中国银行在AI开发应用中建立了事前评估、标识规范、内容检测、人工审核等安排，并在业务关键风险点设置人工干预。这是目前可以直接核实的风险控制做法。它与“探索场”的快速试验并行：业务和技术人员可以探索高频、标准化的需求，但涉及关键金融决策的应用不能仅以生成速度作为上线依据。陆家嘴论坛的公开报道还提到风险分级分类及高风险应用准入要求。

具体到前述信贷实例，惠Chat公开材料说明它辅助政策匹配和信贷提案，而不是代替客户经理独立决定授信。中行管理层披露的贷前、贷中、贷后全流程智能支撑，也不能据此解读为信贷责任从人员转移给模型。对大型企业来说，这种“AI先处理信息、人在关键节点判断”的边界，可能比追求全面无人化更容易纳入既有管理体系。

这项选择对创新速度提出约束。若一个应用只做员工知识检索，产生错误的后果与把结果直接用于授信判断并不相同；在风险级别不同的任务上，所需复核的强度也不应被想当然地视为完全一致。中行披露了风险分级分类和关键点人工干预的原则，但未公开哪些应用属于高风险、人工确认发生在什么界面或节点。因此，不能将某个通用的“先评测后上架”流程写成全行已经实行的统一流程。

安全治理同样存在真实的实施代价。统一部署需要维持算力、数据、模型与安全控制能力；不同国家和地区监管要求不同，境外机构还需适配当地条件。银行已经公开了相应的技术布局与人工复核安排，但没有披露单个助手的模型调用成本、评测资源、维护负责人或停止下线标准。因此，不能武断声称这套体系已实现最低成本，也不能把应用商店和评测中心的存在写成所有AI应用都已经通过同一套发布审批。

这种“先明确边界再规模化”的做法，与摩根大通8个月让20万名员工接入AI前先统一风险边界的思路一致：在金融场景，风险治理不是创新的对立面，而是规模化的前置条件。

4. 实施结果：哪些证明了规模化，哪些还不能证明经营价值

2025年末到2026年6月末，智能化助手由400余个增加到超过2200个。这是建设规模变化的直接证据。同期管理层披露，“探索场”已孵化超2000个智能化助手，但“探索场孵化”与“全行构建”的统计对象及重合范围没有被单独说明，不能将两个数字相加，或以其接近程度证明所有助手都来自同一开发流程。两端总量均为约数或门槛数，也不能据此精确计算增长倍数，更不能将数量变化直接归因于某一项策略。

采用情况方面，2026年6月末BOCAI平台用户突破3.2万人，智能研发助手用户规模超过1.6万人、月活跃用户超过万人。与单纯的助手清单相比，研发助手的月活说明至少在科技岗位已有持续使用；但“BOCAI用户”未被披露为统一的月活自然人数，也缺少全部2200多个助手的使用频次、留存率和退出数据。网点、客户经理和客服场景的覆盖结果，同样不能自动换算为员工每日活跃采用。

具体流程取得了一些可见结果。上海分行惠Chat的公开工作链显示了提案生成的时间表现，媒体另披露297份提案和近743小时节约工时；票证识别与审核在2025年已支持超270种票证、日均调用150万次，2026年中期披露累计支持305种。后者说明相关识别能力持续拓展，但不能证明新增的35种票证全部由大语言模型完成。2026年中期报告还将通过自动化手段替代重复工作的场景列为超过3800个，月均执行任务近30万次。根据官方业绩公告，这属于自动化手段覆盖的场景，不能与2200多个智能助手相加，也不能将其全部认作生成式AI应用。

中国银行同期披露，40个科技战略项目的项目平均交付周期同比下降15%。这项结果属于科技项目管理整体表现，不能用来证明“AI使所有软件交付提速15%”。同样，37项数字化成果进入推广计划，只能证明银行组织了跨机构推广工作，既不专属于AI，也不等于37项均已完成部署。综合来看，证据足以支持“中国银行正在推动企业AI从单点试验走向更广泛的岗位和流程应用”，但尚不足以支持“2200个助手都已跨分行复用并产生稳定ROI”或“集团已验证AI净利润贡献”。

更深一层的价值判断，需要银行进一步披露：每类助手究竟有多少活跃使用者，业务人员实际采纳了多少建议，是否减少了返工与差错，评测和人工复核要花多少时间，以及上线后谁维护、谁合并重复应用、谁决定停用。缺少这些信息，案例仍能成立，但结论必须停在可以证明的位置。

维度	已可核实的事实	尚不能证明的结论
建设规模	智能助手从400余个增至2200多个	所有助手均正式上线且持续活跃
平台采用	BOCAI平台用户超3.2万人；研发助手月活超万人	全部助手的使用频次、留存率与业务采纳率
流程效果	惠Chat生成297份提案、节约743小时；票证识别支持305种	全行效率提升或AI净利润贡献
跨机构复用	37项数字化成果列入推广计划；授信报告在新加坡试点	2200多个助手已完成跨分行复制并复用同一版本

5. 给中国企业的启示：先复制共性能力，再验证业务增量

中国银行最值得借鉴的，并不是“半年做出两千多个AI助手”这个数字，而是它没有让所有机构各自解决模型、数据、应用和安全问题。总部把难以重复承担的技术能力集中建设，业务团队在共用底座上寻找具体场景，再沿着共性岗位、业务流程和机构试点逐步扩展应用。这种思路尤其适合分支机构多、岗位需求相似、数据及合规要求高的大型集团。

对准备推进企业AI的中国管理者，可以先检验三件事。第一，哪些需求真正重复出现，能够先沉淀为问答、报告生成、识别或分析等共性能力，而不是每个部门独立采购应用；第二，至少选一个能观察输入、岗位操作与业务产出的场景，像惠Chat那样追踪实际报告、耗时、质量及人员复核；第三，建立跨机构推广前的证据要求，把试用、持续采用、业务收益和安全代价分开核算，避免“上线数量很多”掩盖应用闲置。

中行具备长期积累的数据、分支网络、技术投入和金融风险管理基础，规模较小的企业无法照搬其全球技术部署。也不必模仿“326”的数字形式。真正值得迁移的战略选择，是把可以标准化的能力集中起来，把需要贴近现场的业务判断留在使用端，再用实际采用与质量数据决定什么值得复制。至于中国银行自身是否已经完成所有跨机构复制和经营价值验证，现有公开资料尚不足以给出肯定答案。