贵阳银行 × AI

[导语·核心观点]2025年，贵阳银行启动大模型智能中台能力建设项目招标，投入超700万元搭建自主可控的AI算力基础设施，当年信息科技直接投入达3.36亿元[1]；到2026年8月，其办公系统中已有会议、制度检索、合规、信贷调查报告、智能营销、代码审查六类行内AI助手“上岗”[2][3]。这不是一次高调的AI战略发布，而是一家城商行把预算落到招标文件和员工桌面上的过程。核心判断：贵阳银行已越过立项阶段、进入“用起来”阶段；但能否从内部效率工具沉淀为可计量的业务价值，仍是待验证命题。

[事件回顾·发生了什么]按公开报道，贵阳银行的AI动作沿两条线推进。 投入线：2025年，该行启动大模型智能中台能力建设项目招标，以超700万元投入搭建自主可控的AI算力基础设施，用于承载智能客服、制度检索等场景；同年信息科技直接投入为3.36亿元，报道将其描述为“技术投入与场景建设同步提速”[1]。 应用线：截至2026年8月，贵阳银行办公系统已上线行内AI助手，覆盖会议助手、制度检索助手、合规助手、信贷调查报告助手、智能营销助手、代码审查助手六类角色[2][3]，报道以“科技数据双驱动”概括这一进展。 把两条线并置，结构相当清晰：先建算力与中台底座，再以多个轻量助手快速铺开场景。这是一条典型的“平台先行、场景追赶”路径，而不是单点采购某个外部工具。[1][2][3]

[背景与格局·公司沿革 · 行业脉络]贵阳银行是A股上市的西部城商行。对这类机构而言，AI叙事长期被两个约束框住：科技预算的绝对规模有限，数据与系统的自主可控要求高。2025年3.36亿元的信息科技直接投入[1]，在上市银行中并不属于激进水平；700余万元的中台项目，更像“能力验证级”预算——目标不是训练基础大模型，而是把行内数据接入一个可控的模型调用与场景编排层[1]。 行业格局上（以下为分析判断，非本次报道事实）：大型银行普遍倾向于自建底座并配备大规模专职团队，中小银行则更多依赖国产大模型厂商与云厂商的私有化方案。贵阳银行选择“招标+自主可控”的组合[1]，本质是在两条路线之间取中间值：算力与数据留在行内，模型能力以外采与集成为主。 这也解释了六个助手的分布逻辑。会议纪要、制度检索、合规问答、信贷调查报告、营销话术、代码审查，多数属于检索增强类任务：输入输出边界清晰、容错率较高、见效周期短，是资源有限机构最理性的切入口[2][3]。

[深度解读·为什么发生 · 意味着什么]为什么是现在、为什么是这条路？ 第一，成本结构决定路径。700余万元要同时覆盖算力、平台与场景，意味着不可能自研基础模型，只能在中台层做集成与编排[1]。这条路的收益上限因此被提前锁定：它买到的是“可控与合规”，不是“领先”。 第二，六类助手有共同特征——靠近文本，远离资金。它们的服务对象是行内员工，而非客户资金决策[2][3]。在银行强监管语境下这是最安全的上车方式：模型出错由人复核，损失上限是效率而非资本。但也正因如此，其价值很难落在财报科目上——它削减的是工时，而非风险成本或获客成本。 第三，“自主可控”是这次招标的关键词[1]。对城商行而言，把行内制度、信贷资料与客户信息交给外部公有云模型，合规部门很难签字。中台模式让数据留在行内，代价是需要自己维护模型版本、提示词与评测集，这部分隐性人力成本不会体现在招标金额里。 谁受益？合规、风控文档、信贷调查、研发等文本密集型岗位最直接，重复性检索与初稿撰写被压缩[2][3]；IT与数据团队则从“接需求”转向“运营平台”，内部话语权上升。谁受压？一是外部供应商的议价空间——公开招标意味着可替换；二是内部流程的既得利益者，制度检索助手事实上削弱了“信息不对称”带来的部门权力。 判断（分析）：这是一次防御性而非进攻性的AI投入。首要目标是把AI能力制度化，其次才是等待时机把中台接到客户侧业务上。真正的分水岭不在六类助手上线，而在于中台能否承载至少一个带收入或风险指标的客户侧场景。

[关键数据与证据·来自报道的数字与事实]报道中可核实的事实如下： — 2025年，贵阳银行启动大模型智能中台能力建设项目招标，投入超700万元，搭建自主可控AI算力基础设施[1]； — 该中台承载智能客服、制度检索等场景[1]； — 2025年贵阳银行信息科技直接投入3.36亿元，技术投入与场景建设同步提速[1]； — 截至2026年8月，办公系统已上线行内AI助手，包括会议助手、制度检索助手、合规助手、信贷调查报告助手、智能营销助手、代码审查助手[2][3]； — 时间序列：2025年完成招标与投入，2026年8月应用进展被披露[1][2][3]； — 来源结构：1条行业媒体转述招标与投入信息[1]，2条官方媒体地方频道报道同一稿件内容[2][3]。 需要明确：报道未给出任何使用量、活跃度、响应准确率、工时节省或业务指标，因此“上线”只证明系统可用，不足以证明被广泛使用或已产生价值。

[风险与争议·审慎的批评视角]先厘清证据边界。三条报道中，[2][3]是同一篇稿件在两家官方媒体地方频道的分发，口径高度一致；[1]属行业媒体对招标与投入信息的转述。三者都没有披露AI助手的使用人数、调用量、响应准确率，也没有给出工时节省、差错率变化或任何业务指标。因此“上线”只能证明系统可用，不能证明被高频使用，更不能证明产生价值。 夸大成分方面，“数智春风拂万家”[2][3]属宣传修辞；把六个助手并列陈述而不区分成熟度，容易让读者高估落地深度——会议助手与制度检索的技术门槛，和信贷调查报告、合规助手的风险敞口本不在同一量级。 技术与合规风险同样具体。检索增强类助手在制度更新滞后时可能给出过期答案；合规问答一旦被员工当作权威口径，误答代价由银行承担；信贷调查报告助手若直接引用模型生成内容，则触及授信尽调的真实性要求。这些并非模型能力问题，而是流程与责任归属问题。 资源风险也不可忽视：700余万元中台叠加3.36亿元科技总投入[1]，意味着AI只占其中很小一块。若缺少专职团队与持续评测机制，中台很可能在首年热度之后闲置，成为又一个“建而不用”的科技项目。 最后是叙事风险：当每家银行都需要一个AI故事时，披露容易偏向场景数量而非效果证据。读者应以效果指标而非场景清单来评估进展。

[未来展望·情景推演]保守情景：中台稳定运行，六类助手在办公与合规条线维持日常使用，但客户侧场景迟迟未见落地，AI以“降本工具”存在，财务上不可见。 中性情景：出现1至2个带客户触点或风险指标的场景，例如智能客服在部分环节替代人工、贷后文本预警上线，中台从“办公工具平台”升级为“业务平台”[1]。 乐观情景：中台成为可复用的模型服务层，多个业务线自主编排助手，AI带来的效率改善被写入年报的降本或效率表述中。 未来3至6个月应观察的关键节点：一，是否出现新一轮招标或投入公告，金额是否显著高于700万元的量级[1]；二，报道口径是否从“上线了什么”转向“节省了多少工时、覆盖了多少笔业务”[2][3]；三，是否出现面向客户的场景及其规模数据，尤其是智能客服[1]；四，是否披露专职AI团队规模与模型评测机制；五，2026年年报中科技投入科目与AI相关表述能否相互印证[1]。

[建议与启示·面向决策者]面向企业决策者，有五条可操作建议。 一，用“场景—责任人—指标”三件套管理AI项目。每个助手上线前先定义可测指标，例如单笔制度检索耗时、信贷报告初稿返工率；没有基线，就无法判断是否值得扩投。 二，区分容错场景与高责任场景。会议纪要、代码审查可以宽松，合规与授信文本必须保留强制人工复核节点与操作留痕。 三，为检索类助手建立与制度更新的同步机制，避免知识库滞后造成系统性误答。 四，把中台当作“能力账户”而非一次性项目。当单一助手解决不了跨环节任务时——从制度检索到合规审查再到报告生成——就需要调度层来编排角色、传递上下文并记录全过程。这正是AgentSH这类多智能体调度平台要解决的问题：把分散的行内助手组织成可追踪的工作流，而不是让员工在多个入口之间反复切换。 五，招标条款中写明可迁移性：模型、提示词与评测集的所有权与导出能力，决定未来的议价空间。

[结语·一句话立场]贵阳银行这份AI答卷，目前最值得肯定的不是技术，而是顺序：先建自主可控的中台，再从低风险、高频次的办公场景切入[1][2][3]。这个顺序符合一家中型城商行的资源与合规约束。但它仍停在“能力已具备、价值待证明”的阶段。把六类助手的上线称为AI转型成功为时过早，称之为一次有纪律的起步则更为准确——接下来要看的，是效果数据，而不是场景清单。