记者 刘颖

“无论AI（人工智能）如何强大，最终都必须坚持人机协同与流程回滚，确保每一项决策责任明确到人。”青岛银行首席信息官杨斌在2025金融街论坛年会·AI+金融专题论坛上，接受经济观察报在内的媒体采访时表示。

杨斌表示，AI的到来，正在深刻改变银行的核心职能。在AI的应用层面，中小银行不能盲目跟风，而应找准方向，结合自身区域特色明确发展路径。

核心能量引擎

在杨斌看来，作为信息技术应用较充分的行业，银行业已从传统“计算”时代迈入“智能”时代。AI不再局限于交易处理、数据存储等基础职能，而是深度渗透到用户体验优化、产品流程升级和场景生态构建等核心环节，成为驱动银行经营发展的“核心能量引擎”。

杨斌表示，AI对银行业的影响是革命性的。过去，计算机技术主要帮助银行提升效率；如今，AI不仅能进一步提效，还能优化服务体验、提升经营效益，甚至重塑金融业务底层逻辑。“传统存贷汇业务是行业标配，未来银行的核心竞争力将聚焦于用户信任与口碑，而AI正是构筑这一竞争力的关键要素。”他强调，AI不再是可有可无的辅助工具，而是需要深度融入银行 DNA的“核心能量引擎”。

然而，当前银行业的AI应用，尤其是对于中小银行而言，仍处于探索阶段。杨斌坦言，尽管生成式AI的出现拓展了技术落地场景，但大多数银行尚未在AI应用方面取得突破性进展，资源有限的中小银行在这一过程中面临的挑战更为突出。

杨斌指出，中小银行普遍存在三大核心短板：资金投入有限、试错机制缺失、人才储备不足。与大型银行每年可投入大量资金开展技术试错不同，中小银行难以承受“创新无果”的成本压力。

基于这一现实，青岛银行明确了“应用驱动、场景导向”的AI发展战略。“中小银行的AI布局不能盲目跟风大行，必须先找准方向再投入。”杨斌表示，青岛银行不会将资源投入金融基础大模型等底层技术研发，而是聚焦于应用场景的深度挖掘。在今年三季报中，青岛银行已披露“AI场景拓展行动计划”，目前已落地涵盖风控、营销、运营及员工办公等近20个应用场景，未来将逐步扩展至200个，乃至300个。

与此同时，杨斌特别强调，AI技术落地中需注重“人机协同边界”的划分。他以信贷报告生成为例解释：AI可辅助客户经理快速生成尽职调查报告，但客户经理需对报告内容承担全部责任，AI仅作为效率工具存在。“这种模式既能发挥AI的提效优势，又能通过人工把控规避风险，尤其适合风险敏感度高的银行业。”

差异化破局

当下，中小银行存在AI应用同质化严重、AI落地成本高、数字化投入回报率难评估等痛点，杨斌表示，挖掘“数据价值”与坚持“区域禀赋”是中小银行破局的关键。

杨斌认为，中小银行应立足实际，聚焦客群营销、客户识别、营销策略制定等小场景应用，通过与第三方合作伙伴合作，以应用驱动和场景导向推进AI落地，有效避免技术空转。

“转型的核心是解决营销、风控、运营中的实际效率问题，聚焦场景迭代技术，避免在基础大模型的研发上投入过多力量。”杨斌表示。

在数据治理方面，杨斌提出“以用促治”的理念。他用“稻谷加工”作比喻：原始数据如同刚收割的稻谷，无法直接用于AI模型训练，必须经过清洗、标注、加工等环节，才能转化为“可食用的大米”。“AI模型的计算对象是数据，但并非‘数据越多越好’，而是要基于具体应用场景，加工出‘适配场景的数据’。”

杨斌指出，当前中小银行数据治理的最大难点并非数据质量本身，而是“不知道如何根据场景需求加工数据”。

杨斌提到，青岛银行将“数据价值体系”与“AI能力”并列为数字化转型的两大引擎，不再单纯积累内部交易数据与外部合作数据，而是围绕AI场景需求，反向推动数据的针对性治理。

在投入产出平衡上，杨斌主张“量力而行、阶段评估”。他表示，当前国内银行业尚未建立成熟的AI投入产出评价体系，若过度强调“短期回报”，可能会制约长期创新。中小银行的应对策略应是“以应用定投入”，例如以半年或一年为周期，明确阶段性AI应用目标，围绕目标配置资源，并在实施过程中持续跟踪效果，避免“技术空转”。

杨斌表示，聚焦具体场景的AI投入能够快速带来效率提升，形成“投入——见效——再投入”的正向循环。

在区域特色发展方面，杨斌强调“找准禀赋、差异化竞争”。他举例说明，有银行凭借“大行不愿做、小行做不了”的定位打开市场，有银行依托线上化能力形成差异化优势。对于青岛银行这类区域银行而言，AI是强化区域特色的工具，通过AI深入挖掘本地金融需求，打造“区域内不可替代的金融服务能力”。

对于涵盖AI在内的金融科技投入占比，杨斌认为，这是“战略选择而非固定标准”。目前，中小银行的科技投入占营收比例普遍在 3%至5%，而国外金融科技公司可达10%至20%。“随着AI在银行经营中作用的提升，这个比例必然会逐步提高。有余力的银行应适当加大投入，因为‘只有投入才可能有产出’。”他表示，青岛银行当前AI基础算力投入处于“千万级别”，尚未涉及高成本的底层大模型研发，未来也将保持“应用优先”的投入方向。

在人才建设方面，杨斌提到，中小银行不应追求“全栈AI人才”，而应着力培养“懂业务+懂AI”的复合型团队。要让业务人员了解AI能解决什么问题，让技术人员理解业务场景需求，避免技术与业务脱节。

在风险管控方面，杨斌提示，应重点关注AI算法风险、数据安全风险及监管合规风险。例如，在人脸识别、模型可解释性等领域，应建立与AI应用同步的风险管控机制，确保技术创新在合规框架内推进。