净息差收窄+资产质量承压，AI如何驱动银行业增长？
“当前，大模型技术发展呈现出基础资源跃迁、模型演进主线、应用场景深化、生态格局重构的四大趋势。”毕马威中国银行业主管合伙人史剑表示，这种转变将促使越来越多的银行采取“人工智能（AI）优先”的战略。
毕马威中国近期发布《2025年中国银行业调查报告》提出，新技术的应用也伴随着数据安全、模型治理、伦理合规以及人才技能升级等方面的挑战，技术的进步必须与可信AI治理体系的建设同步，确保数据安全、算法透明、伦理合规是银行业在应用AI过程中不可逾越的红线。银行业在推进“人工智能+”战略时，应深刻认识到这不仅是技术层面的革新，更是涉及战略重构、组织进化、数据要素治理与体系融合的系统工程。
事实上，净息差持续收窄依然是横亘在行业面前的核心挑战之一。史剑认为低利率时代既是挑战，也是银行重构存款业务价值的契机，更是经营逻辑从“以产品为中心”到“以人为中心”的深层变革，业务端将从“存款产品驱动”向“客户价值驱动”转变。
C端业务可以采取的创新举措主要围绕客户的“避险+保障+消费”这一核心需求进行，在当前低利率与市场波动加剧的背景下，C端个人客户的存款需求呈现出避险、保障与消费三位一体的特征，银行正在通过产品创新与服务升级，加速从“推销存款产品”向“提供综合服务”转型。
在B端业务，创新举措则需要借助场景运营模式来打造存款价值闭环，通过构建“存款-积分-场景”的闭环生态，精准匹配客户权益，并深度下沉服务场景，打造“线上+线下”生活服务网络，实现个人权益与商户服务的联动。
中间业务也是银行业不断创新的重点，目前部分银行正在探索提高非息收入对营业收入的贡献，系统性规划重构中间业务管理体系，以中间业务驱动金融生态圈闭环，同时加强投、托、销、撮联动，打造“一体化综合金融解决方案”。
面对净息差持续收窄的挑战，银行需要从存款和中收业务等方面进行调整，并重点关注风险管理、合规与监管、客户体验以及技术与人才等关键问题，以确保业务调整的有效性和可持续性。
当然，资产质量是银行经营的核心指标之一，直接影响银行的盈利能力和稳定性，2025年经济仍然面临诸多压力，史剑表示银行业要控制资产质量潜在风险需要采取多种策略。首先，优化信贷结构，聚焦技术创新与产业升级。严格控制房地产、地方政府融资平台等高风险领域信贷增量。重点布局战略性新兴产业和先进制造业，通过设立专项技术改造贷款、创新融资产品，支持企业研发智能家居、新能源汽车等符合消费升级趋势的创新产品。其次，强化存量风险处置，对不良资产清收处置的业务模式进行创新。采用结构化交易模式，银行与处置方共同设立SPV，构建“收益分成、损失共担”机制，提高风险化解的质效；银行和AMC可以通过并购重组、破产重组等方式，引入产业投资者，将存量资产重新配置，推动经济结构调整和企业组织结构升级；拓展咨询及托管业务模式，探索发展“轻资产”运营模式。最后，构建数字化风控体系，对资产质量进行智能预警。建立AI项目全生命周期成本核算与跨部门分摊机制，构建信贷审批通过率、不良贷款率改善等量化效益评估指标。根据市场变化和资产质量变动情况，动态调整信贷政策、风险评级模型等，确保风险计量的准确性和前瞻性。
当前，大模型技术飞速发展，发展呈现出基础资源跃迁、模型演进主线、应用场景深化、生态格局重构的四大趋势。“银行业正以前所未有的决心和速度拥抱大模型技术，战略驱动与价值导向成为布局新兴AI场景的双轮驱动力。银行AI战略主要呈现出新特征，在AI战略与监管科技协同提速，今年也会重视对创新与风控的平衡。”史剑说，人工智能的真正价值不仅在于降低成本，更在于通过提供智能化的产品和服务，无缝嵌入生态系统，从而以前所未有的方式吸引和服务客户，最终实现收入的增长。这种转变促使越来越多的银行采取“人工智能优先”的战略。
中国银行业在大模型落地应用方面走在前列，应用范围已经从国有大行、股份制银行迅速扩展到头部区域性银行。目前，国有大行和股份制银行已全面启动大模型应用建设，约80%的区域性银行涉足大模型领域，并在前、中、后台均有正式投产的应用案例。但多数仍处于实验室阶段或全行范围内的“Agent”demo竞比阶段，少数城商行在代码助手、知识库问答、智能问数等场景中进行小范围试点应用。在大模型应用方面，银行业大模型应用建设的能力渗透率显著提升。需要注意的是，这一过程中应该审慎推进。
现今提及的银行业大模型的应用建设全景，就是全面渗透金融业前中后台应用，这也是银行AI战略的另一个重要趋势。大模型正全面渗透至银行业务的前、中、后台，带来前所未有的效率提升与创新突破，其应用实践呈现分层深化、增强融合与价值重构的特点。
面对大模型热潮，银行业应该极探索适合自身的应用建设模式，并以投入产出效率（ROI）为导向。从具体的方向拉力看，可以根据能力在建设方式、应用部署方式、应用落地路径三大领域，逐步形成端到端自建、专有模型开发、Agent编排平台和API调用模式等几种较为普遍且更注重实际效益的建设模式。
史剑强调，尽管引入人工智能已被银行业广泛认可为提升运营效率和客户体验的关键驱动力，大模型技术正以颠覆性姿态重塑金融业态，但其落地过程面临多维挑战。如：高价值数据资源的碎片化沉淀与模型训练所需的规模化、高质量语料供给不足之间存在的失衡；金融机构在大模型应用上面临着战略规划不清晰和价值验证困难的双重挑战，导致资源浪费和投资失衡；银行业务对低幻觉、强可控AI的严苛要求；以及银行人才与组织敏捷性的新挑战等。此外，在大模型的应用路线上，银行业主要是从效率提升工具逐步向价值创造引擎演进。大模型应用正从效率提升工具向价值创造引擎演进，但场景落地仍面临核心制约因素，主要是“可控性”“可解释性”与“投入产出比”。