农业银行 × AI

[导语·核心观点]2024年11月，农业银行正式发布《中国农业银行“人工智能+”创新实施纲要》，并划出清晰时间表：到2025年底实现全行“AI+”规模化应用、构建完备的AI应用能力体系；到2027年中基本建成八大智慧领域[2][3]。这条消息值得单独审视，是因为它与该行六年前的动作形成对照——2018年6月，人工智能核心系统“金融大脑”一期已通过验收测试并在生产环境投产，初步具备为各业务条线提供智能化服务的能力[1]。从“一个系统投产”到“一份纲要铺开”，农行走过了六年。本文的核心判断是：这不是一个从零起步的追赶故事，而是一场进度待验证的存量转型；现在最该问的不是“农行有没有AI”，而是“用什么证据证明它跑起来了”。

[事件回顾·发生了什么]按公开资料，农行的AI动作可分三层。第一层是系统层：2018年6月，“金融大脑”项目（一期）通过各项验收测试，在生产环境下成功部署投产，初步具备为各业务条线提供智能化服务的能力[1]。第二层是能力层：据百度云发布的客户案例页，金融大脑投产的OCR智能服务云包含通用OCR、身份证OCR、银行卡OCR、表格OCR、营业执照OCR六大能力，并支持自定义模板OCR识别[4]。第三层是体系层：2024年11月，农业银行发布《中国农业银行“人工智能+”创新实施纲要》，被行业媒体作为该行AI路径系统化梳理的标志[3]；同期披露的时间表显示，到2025年底实现全行“AI+”规模化应用、构建完备的AI应用能力体系，到2027年中基本建成八大智慧领域[2]。需要说明的是，上述材料中没有任何一条披露投入金额、场景数量、调用规模或成本节约数据。

[背景与格局·公司沿革 · 行业脉络]把这四份材料按时间排开，可以看到一条从“交付物”到“意图”的迁移路径。2018年的表述是完成时的：“通过各项验收测试”“成功部署投产”[1]。2024年的表述是将来时的：“规模化应用”“基本建成”[2][3]。这不是文字游戏，而是衡量标准的变化——系统投产可以用验收报告证明，纲要落地只能用场景和数据证明，而后者目前尚未公开。技术脉络上，农行的AI能力在公开层面呈现为外部供给：百度云以客户案例的形式披露了金融大脑的OCR能力清单[4]，这意味着至少在感知层，该行的能力构建与云厂商的技术供给是绑定的。行业格局层面，报道明确提到“银行业布局人工智能各有侧重”[2]，农行是其中被点出明确时间表的机构，这一对比本身就构成后续观察的基准线——同业的侧重不同，意味着很难用“行业普遍如此”来为进度辩护，也很难用“别人更快”简单否定。

[深度解读·为什么发生 · 意味着什么]为什么会出现“系统在前、纲要在后”的六年间隔？一个合理的解释是：金融大脑一期解决的是“能不能识别”的问题，OCR识别的身份证、银行卡、表格、营业执照，对应的正是柜面开户、信贷资料审核、凭证录入这些高频、规则明确、人力密集的环节[4]。这类能力的价值确定但天花板也确定——它替代的是录入动作，而不是判断动作。而“AI+”纲要试图触及的是后一层：把AI从单点工具变成全行的能力底座[3]。这一步的难度不在模型，而在组织——跨条线的数据、权限、流程、责任归属都需要重新排列。 这意味着什么？对农行自身，评价标准应当从“有没有”切换到“铺没铺开、省没省下”。对供应商，这是一份确定的需求清单：OCR之后是文档理解、是流程自动化，云厂商公开把农行列为案例[4]，本身就说明这条链路的商业价值已经被市场识别。国家层面提出的“AI+”叙事，给了银行一个把技术投入纳入战略话语的机会[3]，也因此更容易出现“以规划代替成果”的倾向。 谁受益、谁受损？受益方一是运营效率端——资料处理、审核环节的人力占用有望下降；二是风控时效端，识别速度提升意味着流程提速。受损方是操作性岗位，柜面与后台录入类职位是最直接的压力承受者；同时也包括中层流程管理岗位——当AI从“单个工具”变成“体系化能力”，被压缩的往往不是某个环节，而是环节之间的协调成本。需要强调的是，以上属于基于公开能力清单的分析判断，报道本身并未提供任何岗位或成本变化的量化证据。

[关键数据与证据·来自报道的数字与事实]1）时间与状态：2018年6月，“金融大脑”项目（一期）通过各项验收测试，在生产环境下成功部署投产[1]。2）能力定位：该期项目“初步具备为农行各业务条线提供智能化服务的能力”[1]。3）能力清单：金融大脑投产的OCR智能服务云含通用OCR、身份证OCR、银行卡OCR、表格OCR、营业执照OCR六大能力，并支持自定义模板OCR识别[4]。4）体系文件：2024年11月，农业银行发布《中国农业银行“人工智能+”创新实施纲要》[3]。5）近期目标：到2025年底，实现全行“AI+”规模化应用，构建完备的AI应用能力体系[2]。6）中期目标：到2027年中，基本建成八大智慧领域[2]。7）行业坐标：报道称银行业布局人工智能各有侧重，农行是给出明确时间表的机构之一[2]。8）显著的缺席：上述报道均未提供投入金额、场景数量、调用量、准确率或成本节约的量化数据。

[风险与争议·审慎的批评视角]第一，证据层级偏低。四条来源中，[1]为公司官网新闻，[3]为行业媒体对官方文件的转述，[2]为地方政府网站转载的行业综述，[4]为云厂商的营销型客户案例页。没有一条提供可交叉验证的第三方评估或审计结果。据此判断“农行AI已规模化”缺乏支撑——这不是说数据不可信，而是说目前无法证实。 第二，目标语言与结果语言的混淆。“实现全行规模化应用”“基本建成八大智慧领域”都是过程性表述[2]，报道未界定多少条线、多少场景、多大规模算“规模化”。若最终以内部口径宣布达标，外部将无从校验。 第三，披露节奏的两种解读。2018年投产[1]到2024年纲要[3]之间，公开信息几近空白。这既可能是媒体覆盖不全，也可能是里程碑披露本身稀疏——两种解释都成立，但都不支持“进展顺利”的结论。 第四，技术栈与数据的外部依赖。OCR能力由外部云厂商公开披露[4]，意味着涉及客户证件、营业执照等敏感信息的处理链路可能经过第三方技术组件，数据边界与模型可控性是必须回答的问题；同时供应商锁定会抬高后续迁移成本。 第五，命名与能力的落差。“金融大脑”这一命名暗示决策能力[1]，而公开的能力清单全部集中在感知层的OCR[4]。命名先行、能力滞后，是金融科技领域常见的包装手法，容易在内部汇报与对外传播中放大预期。 第六，监管与责任归属。信贷决策、反欺诈等场景对模型可解释性和责任主体有硬约束，这部分在现有报道中完全没有涉及——属于需警惕的空白，而非已解决的问题。

[未来展望·情景推演]保守情景：到2025年底，农行以内部口径宣布“AI+规模化应用”达成[2]，但公开层面仍不出现场景数、调用量或成本类指标，“AI+”停留在能力清单而非损益表。在这种情景下，外部观察者应当把该时间表视为管理目标而非经营结果。 中性情景：纲要推动下，OCR与文本理解类能力在信贷资料、运营、客服等条线完成规模化铺开，八大智慧领域按节点推进[2][3]；但真正涉及判断的决策辅助类应用仍处试点，金融大脑的能力边界与2018年相比是量的扩张而非质的跃迁[1][4]。这是目前概率最高的路径。 乐观情景：2025至2027年间，该行开始对外披露可核验的量化成效，并将系统从感知层推进到决策辅助层，形成可复用的方法论输出。触发这一情景的前提是纲要明确要求可审计指标，而报道中未见此类要求[3]。 未来3—6个月的观察节点：一，是否披露纲要落地的中期进展，而非仅停留在发布层面；二，是否出现任何形式的场景数量、调用规模或效率指标；三，2025年底节点到期时，以何种口径和载体宣布结果；四，是否有监管、审计或学术机构的第三方评估出现；五，外部技术供应商名单是否发生变动——变动往往比公告更能说明问题。

[建议与启示·面向决策者]第一，把“纲要”翻译成可核验的指标。对任何一家宣布AI战略的金融机构，场景数、月调用量、单笔处理时长、人工替代率四项缺一不可；只有目标没有指标的规划[2][3]，无法进入经营决策。 第二，区分感知层与决策层的成熟度。OCR识别身份证、营业执照、表格的能力已经高度商品化[4]，它的成功不能为信贷判断类AI背书。用成熟能力的成绩单去论证前沿能力的可行性，是当前AI叙事中最常见的推理错误。 第三，为外部技术依赖设定退出机制。当关键识别能力来自第三方云厂商[4]，采购合同应当包含数据边界条款、模型可迁移条款与替换成本上限。 第四，把大行的时间表当作参照系，而不是结论。同业“各有侧重”[2]，意味着节奏差异是常态；决策者应跟踪其披露口径的变化，而非其目标的雄心程度。 第五，当AI从单点能力走向跨条线的“AI+”[3]，真正的瓶颈会从模型能力转移到编排能力——多个模型、多个业务系统、多个审批环节之间如何被组织成一条可审计、可回溯的执行链路。这正是 AgentSH 这类多智能体调度平台在金融场景中的落点：它不生产识别能力，而是决定这些能力在什么条件下、以什么顺序、由谁复核地被执行——而这恰恰是受监管行业最难、也最必须解决的问题。

[结语·一句话立场]农行的AI故事里，最扎实的是一条2018年的投产消息[1]，最雄心的是两份2024年的规划文本[2][3]，最薄弱的则是中间六年的公开证据。这不构成失败，也远不足以构成成功。把它当作一个待验证的转型样本来看，它给出的对照价值在于：一家大型机构可以在六年前就把系统送进生产环境，却仍在六年后需要用“纲要”重新定义方向——这提醒所有做AI落地的人，投产从来不是终点，被使用的程度才是。