光大银行 × AI

[导语·核心观点]2025年8月的中期业绩会上，光大银行把"智能算力调度平台"摆上台面；9月，其自研的AI+BI工具"问数"整合超2000个数据指标；更早在5月，这家股份行宣布与曙光合作支撑20余个金融AI场景 [1][2][4]。到2026年1月，管理层谈的已不是模型本身，而是员工的提示词工程 [3]。这条时间线说明：光大银行的AI叙事正从"买算力"转向"用算力"，但截至目前，公开信息基本停留在能力建设层面，未见成本节省、调用规模或业务收益的披露。对投资者与同业而言，它更像一份"待验证"的进度条，而不是成绩单。

[事件回顾·发生了什么]按公开报道的时间线，光大银行的AI动作可分三层。第一层在算力与场景。2025年5月的报道显示，光大银行与曙光合作，计划将人脸识别、OCR识别、智能客服、大模型、机器学习、RPA、知识图谱等技术用于20多个金融AI场景创新，目标是率先在业内打破"技术悬浮" [4]。第二层在平台与数据。2025年8月的中期业绩会上，该行介绍其设计的智能算力调度平台，通过算力虚拟化与统一交付，在同等硬件成本下满足更多人工智能应用需求 [1]；2025年9月，该行又披露自主研发的AI与商业智能（BI）融合工具"问数"，整合超过2000个数据指标，覆盖零售、对公、运营等条线 [2]。第三层在人。2026年1月，光大银行杨兵兵在汇报中提出提升员工AI技能，尤其是提示词工程，让员工敢用、会用、善用AI，把AI视为工作伙伴而非高高在上的专家 [3]。三层结构清晰，但均未附带量化效果。

[背景与格局·公司沿革 · 行业脉络]光大银行是A股上市的全国性股份制商业银行，在资源投入上既比不过国有大行的资本开支体量，又必须回应"人工智能+"的国家战略要求 [4]，这决定了它的AI路径更偏"集约型"而非"堆料型"。行业格局上，商业银行的AI落地长期卡在三处：算力贵且利用率低、数据口径散、场景碎片化。光大银行的应对恰好一一对应——用调度平台解决算力利用率 [1]，用"问数"统一数据指标 [2]，用20+场景清单对接业务需求 [4]。值得注意的是，"技术悬浮"这一表述出自该行自身的规划口径 [4]，说明其此前已意识到AI投入与业务产出之间存在断层。而把员工技能写进AI议题 [3]，是这条链条上最容易被忽视、也最难见效的一环：前两层可以靠采购和自研解决，第三层只能靠组织时间。

[深度解读·为什么发生 · 意味着什么]为什么是现在？从几篇报道的先后顺序能读出一条逻辑：算力是约束条件，数据是前置条件，人是落地条件。 先看算力。"同等硬件成本下满足更多的人工智能应用需求" [1]是典型的约束驱动表述——它不谈模型参数、不谈吞吐峰值，谈的是单位硬件成本的应用承载量。分析判断：只有在资源紧张时，虚拟化调度才会被当作业绩会上的亮点来讲 [1]，其背后是GPU供给与预算的双重约束下，该行选择把有限算力切成多份按需交付，而非为每个AI应用单独配资源。 再看数据。"问数"整合超2000个数据指标、覆盖零售、对公、运营条线 [2]，其真实意义不在"2000"这个数字，而在于AI+BI融合意味着自然语言问数必须先过统一指标口径这道关。银行做AI最常翻车的地方不是模型不行，而是同一个"客户数"在不同条线有不同定义。指标打通是苦活，也是AI能否被业务信任的分水岭。 最后看人。提出"提示词工程"并强调"敢用" [3]，实际上承认了一件事：AI工具的使用门槛没有低到开箱即用。"敢用、会用、善用"三个词，对应心理、技能、方法三层障碍，而这三层都不是靠采购能解决的。 谁受益？上游算力与方案供应商（如曙光）直接获得金融场景订单 [4]；银行内部数据与IT团队获得话语权；一线人员若真能把AI当"工作伙伴" [3]，重复性工作会被压缩。谁受损？分析判断：传统外包报表开发、部分初级数据分析与客服坐席需求，会随"问数"这类工具与智能客服 [4]的成熟而边际收缩；外部BI厂商在银行侧的标准化产品空间亦可能被自研工具挤压。判断依据是报道中"自主研发"的措辞 [2]与全场景自建清单 [4]，但报道未披露人力或采购结构变化，此点属推断而非事实。

[关键数据与证据·来自报道的数字与事实]1）算力调度平台：通过算力虚拟化和统一交付，实现同等硬件成本下满足更多人工智能应用需求 [1]。2）"问数"：自主研发、集AI与BI于一体，整合超过2000个数据指标，覆盖零售、对公、运营、财务等条线 [2]。3）与曙光合作：支撑20+金融AI场景创新，涉及人脸识别、OCR识别、智能客服、大模型、机器学习、RPA、知识图谱等技术 [4]。4）人才举措：提升员工AI技能尤其是提示词工程，让员工敢用、会用、善用AI，将AI视为工作伙伴 [3]。5）战略定位：主动顺应"人工智能+"国家战略，希望率先在业内打破"技术悬浮" [4]。6）时间跨度：从2025年5月的场景合作到2026年1月的人才表述，约八个月 [3][4]。需说明：以上数据均为该行或合作方口径，无第三方验证，也无比对基准。

[风险与争议·审慎的批评视角]反方与风险。第一，关键指标都是自我陈述且没有分母。"同等硬件成本下满足更多需求" [1]未给出成本基数、应用数量与利用率对比；"2000+数据指标" [2]是整合量而非调用量、活跃度或准确率；"20+场景" [4]是场景数量而非上线数量，更不等于收入或成本节约。四篇报道中没有一条披露AI投入金额、模型调用量、自动化替代工时或不良率改善。在这样的信息密度下，任何"AI已见效"的结论都缺乏支撑。 第二，样本与口径偏差。四篇报道分别来自财经媒体、地方媒体、门户与股票频道 [1][2][3][4]，且相当篇幅源自该行管理层公开发言，属被访者自述，天然正面表述多于问题陈述。 第三，工程与合规风险。大模型进入客服、风控、信贷等场景，需要满足数据安全、算法备案与生成内容合规要求；模型幻觉若出现在客户答复或风险判断环节，其声誉与监管成本可能远高于节省的人力成本。报道未提及这些机制的落地情况。 第四，组织风险。把希望寄托于提示词工程培训 [3]，等于承认工具易用性尚不足；培训若不能与考核、流程改造绑定，很容易沦为一次性活动，"敢用"之后未必"善用"。 第五，回报周期错配。算力平台与数据治理均属长周期重投入，而银行利润表对成本项高度敏感，短期难见收入侧对应改善。

[未来展望·情景推演]未来3-6个月，三种情景。 保守情景：AI投入继续停留在能力层，场景数量增加但无产出披露，"技术悬浮"问题以另一种形式延续 [4]。触发信号是下一次业绩会仍只讲平台与工具、不讲效果。 中性情景（当前证据支持度最高）：算力调度平台提升资源利用率，"问数"在零售、对公、运营等条线形成日常使用 [2]，员工培训铺开 [3]，但这部分收益主要表现为内部效率改善，难以在财报中单独识别。 乐观情景："问数"类工具与智能客服、OCR等在20+场景中形成可计量的替代率 [4]，人力成本增速放缓，对客服务效率出现可观测差异，管理层愿意首次披露量化指标。 可跟踪的观察点：一、下一次业绩会是否给出AI投入金额或成本节约口径；二、"问数"的月活跃用户与覆盖条线是否被更新 [2]；三、20+场景中实际上线（而非试点）的数量 [4]；四、算力调度平台是否披露利用率数据 [1]；五、员工AI培训是否与考核挂钩 [3]。这五项中任何一项有公开数据，都可作为从"待验证"转向"已验证"的信号。

[建议与启示·面向决策者]对决策者而言，光大银行这条路径的启示不在于它买了什么，而在于它的顺序：先解决算力性价比，再统一数据口径，最后补人的能力 [1][2][3]——这个顺序若倒过来，常见结果是买了模型却无人能用。 三条可操作建议。其一，把AI预算拆成"平台/数据/人"三本账，分别设定验收指标；只考核场景数量会系统性诱导虚报，应同时记录调用量、留存率与人工替代率。其二，数据指标治理先行，"问数"整合2000+指标 [2]说明这是一项跨条线工程，先定义口径再谈问数，否则自然语言问答只会放大口径混乱。其三，把员工使用数据纳入管理看板，培训不能只统计人次。 在工具层面，银行AI应用往往不是单次模型调用，而是数据查询、规则校验、合规检查、报告生成等多步骤协作。这类流程若交由多个智能体协同完成，调度层就必须具备任务分解、权限边界与审计留痕能力——这正是AgentSH这类多智能体调度平台试图解决的问题：它不替代模型，而是管理模型之间的分工与责任归属，与光大银行自建调度平台的思路在逻辑上同源，只是层级从算力上移到了任务。

[结语·一句话立场]光大银行的AI布局已经完成从0到1的框架搭建：算力有调度平台，数据有"问数"，场景有明确清单，组织有培训动作 [1][2][3][4]。但从1到10的答案，目前一条都没有公开。这是一份合格的进度报告，不是一份业绩报告。此时断言成功或失败都为时过早——真正值得盯的，是它下一次是否愿意把数字摆出来。