北京银行 × AI

[导语·核心观点]2026年4月的最新披露显示，北京银行已上线超300个智能体，其数字化转型进入2.0阶段，即全面数字化经营阶段[1]。这家A股城商行早在2025年2月8日就宣布全面启动“All in AI”战略，提出打造“人工智能驱动的商业银行”[2][3]。市场习惯于把银行的AI表态当作口号，但“300个智能体”是一个可被追问的运营指标，而非宣传语。本文的核心判断是：北京银行真正值得重估的，不是它用了多少AI，而是这些智能体是否已经进入信贷、风控与运营的成本结构——这一点目前被市场系统性低估，同时也尚未被财报证实。

[事件回顾·发生了什么]时间线大致清晰。2025年2月8日，北京银行官宣全面启动“All in AI”战略，目标打造“人工智能驱动的商业银行”，同时宣布携手华为，率先实现DeepSeek全栈国产化金融应用[2][3]。2025年4月16日，该行霍学文首度详解AI战略，进一步说明这一战略的落地路径[3]。2026年4月29日，该行明立松向21世纪经济报道披露，北京银行数字化转型已进入2.0阶段，即全面数字化经营阶段，并已上线超300个智能体[1]。三个节点构成一条线：战略宣示（2025年初）—路径解释（2025年中）—运营指标披露（2026年）。值得注意的是，从“战略”到“300个智能体”的口径变化，是这条新闻里最实质的信息：它把抽象的战略语言，换成了可以计数、可以质疑、也可以继续追问的部署规模。

[背景与格局·公司沿革 · 行业脉络]北京银行是A股上市的城市商业银行，其体量与网点密度决定了它的AI路径不会是纯互联网式的轻资产实验，而必须落在具体业务流程上。从报道口径看，该行的技术脉络有三条线索。其一是阶段论：数字化转型从1.0走向2.0，2.0被定义为“全面数字化经营”[1]，意味着重心从系统建设转向经营流程本身。其二是国产化：该行选择与华为合作，并宣称率先实现DeepSeek全栈国产化金融应用[2][3]，把模型、算力与金融场景绑在同一条技术栈上。其三是双层发声结构：霍学文讲战略[3]，明立松讲落地进展[1]。放在行业格局里看，银行业AI应用正在从单点工具（OCR、客服机器人、反欺诈模型）走向智能体集群。但行业缺少统一的披露标准：什么叫“一个智能体”，各家口径不同，可比性很差。这既是北京银行叙事容易被低估的原因，也是它容易被夸大的原因。

[深度解读·为什么发生 · 意味着什么]为什么这件事会发生？银行的AI投入，本质上是对人力密集环节的重新定价。信贷尽调、合同审查、客服应答、合规检查、运营报表，这些工作有清晰的输入输出、有历史数据、也有明确的错误成本，天然适合被智能体接管。300个智能体这个数字如果属实，说明该行已经越过“模型试点”，进入到流程编排阶段[1]。但真正的门槛不在模型。分析判断：智能体在银行落地的难点是调度、权限、审计与责任链——哪一个智能体可以访问哪一类数据、它的输出由谁复核、出错后如何回溯。模型能力正在被平权，DeepSeek等低成本模型的普及让“谁先用上大模型”不再构成壁垒；报道中“率先实现DeepSeek全栈国产化金融应用”[2][3]的“率先”是时点优势，不是结构性护城河。真正难以复制的是把上百个智能体纳入统一治理体系的能力。谁受益？第一是银行自身，若智能体确实替代了人工环节，效果会先在成本收入比和人均产能上显现；第二是国产算力与模型生态，全栈国产化的选择会带来持续的采购与适配需求[2][3]；第三是位于模型与业务之间的调度与治理层。谁受损？传统以外包人力计费的IT服务模式，以及那些只有演示、没有生产部署的AI供应商。市场为什么低估？因为城商行的AI叙事长期被归类为“表态型”新闻，分析师缺少可归因的财务指标。但必须承认，市场也可能没有低估——如果这300个智能体只是流程脚本的重新封装，那么“低估”就是伪命题。区分二者的唯一办法，是看能否给出调用量、闭环率与成本节约。

[关键数据与证据·来自报道的数字与事实]报道中可供核验的事实有限，逐条列出：一、北京银行已上线超300个智能体，由该行明立松对外披露[1]；二、该行数字化转型已进入2.0阶段，即全面数字化经营阶段[1]；三、2025年2月8日，该行宣布全面启动“All in AI”战略，目标为打造“人工智能驱动的商业银行”[2][3]；四、该行携手华为，率先实现DeepSeek全栈国产化金融应用[2][3]；五、2025年4月16日，霍学文首度详解该行AI战略[3]。需要说明的是，报道未披露智能体的活跃数量、调用频次、覆盖业务条线、成本节约金额或故障率，也没有第三方审计或监管口径的数据。因此上述事实只能支撑“规模已形成”这一判断，不能支撑“收益已实现”。

[风险与争议·审慎的批评视角]第一，口径自证。“300个智能体”来自银行高管的对外披露[1][3]，没有第三方验证，也没有行业统一定义。一个封装了固定流程的脚本可以被称为智能体，一个具备自主规划能力的多步任务代理也可以，数量本身不构成价值证据。第二，把“上线”等同于“生效”。报道使用的是“上线超300个智能体”[1]，但上线与产生效果之间隔着采纳率、使用频率与人工复核成本。如果智能体的输出仍需人工全量复核，其边际收益可能接近于零，只是把成本从执行端转移到了审核端。第三，“率先”的时效性。携手华为率先实现DeepSeek全栈国产化金融应用[2][3]，是2025年初的时点性事件。在模型能力快速平权的背景下，同业跟进的窗口期很短，先发优势能否转化为客户体验或成本优势，报道没有提供证据。第四，监管与伦理。金融智能体涉及可解释性、责任归属与数据边界。在信贷与风控这类带尾部风险的场景中，模型幻觉的代价不是一次错误回答，而是潜在的资产损失与合规处罚，报道未提及该行在智能体治理上的具体机制。第五，商业节奏错配。AI投入是成本前置、收益后置，短期内可能压低回报指标，而收益端缺乏可披露的口径。投资者若仅凭“All in AI”的战略表述加仓，是在为叙事付费，而不是为现金流付费。

[未来展望·情景推演]保守情景：300个智能体停留在效率工具层，覆盖的多是低风险、低价值的辅助环节，未来一到两年财报中看不到可归因的AI收益，市场叙事逐步冷却，“低估”被证伪。中性情景：智能体在客服、运营、合规检查等环节的替代开始显现，效果体现为成本收入比的缓慢改善与人均产能提升，AI成为银行经营的稳态变量而非增长故事，这是概率最高的路径。乐观情景：智能体进入信贷审批辅助与风控环节，形成可量化的风险成本下降与不良识别提前量，北京银行成为城商行AI落地的参照样本，估值逻辑从传统银行的市净率折价，部分转向“数字化银行”溢价。可能触发重估的催化剂有三个：一是财报节点，若该行开始披露AI相关的效率指标，如单笔业务处理成本、人工替代率；二是监管对金融智能体的规范落地，规则明确往往利好已投入者；三是同业跟进，若多家银行披露类似部署，板块叙事会从个案变成趋势。

[建议与启示·面向决策者]面向企业决策者，尤其是金融与大型组织的技术与业务负责人，有五点可操作建议。第一，把智能体从数量指标转为价值指标。可追踪的是调用量、任务闭环率、单任务成本、人工替代率与错误回溯时长，而不是“上线了多少个”。第二，先建治理，再扩规模。智能体的权限边界、数据可见范围、输出复核规则与审计日志，应当在部署第一个之前就确定，而不是在第一百个之后补课。第三，把国产化当作采购策略而非终点。全栈国产化能降低供应链风险[2][3]，但架构上应保留模型与算力的可替换性，避免把业务绑定在单一技术栈上。第四，从单点智能体走向协同编排。当组织内的智能体数量达到数十上百个，真正的瓶颈会从“能不能做”转为“谁来调度、谁有权限、如何观测”。这正是AgentSH这类多智能体调度平台试图解决的问题：把分散的智能体纳入统一的调度、权限与可观测体系，让规模从负担变成资产。北京银行的300个智能体，某种程度上是这个命题的一次真实压力测试。第五，对外沟通时用可比指标替代形容词，这既是对投资者负责，也是倒逼内部形成度量能力。

[结语·一句话立场]北京银行的AI进展值得被认真对待，但不是因为它喊出了“All in AI”，而是因为它给出了一个可以被追问的数字——300个智能体[1]。这个数字既可能指向真实的流程重构，也可能只是把既有脚本换了个名字。在财报提供可归因证据之前，理性的姿态是：承认其战略的连贯性[2][3]，承认国产化路线的现实意义，同时拒绝为未经审计的运营指标支付溢价。真正的重估，要等成本结构说话。