江苏银行 × AI

[导语·核心观点]2026年8月19日，江苏银行在半年报中披露了一组不太像银行会披露的数据：日均Token使用量半年增长18倍，已部署从十亿级到万亿级的15种模型，并推出八大数字行员助手 [3]。叠加2025年年报中“累计落地62个人工智能应用场景”的表述 [2]，这家A股城商行第一次把AI从战略口号变成了可计量的运营数字。我的核心判断是：市场仍按息差与区域信用给江苏银行定价，AI投入在报表上更像费用而非资产；但Token调用量与场景数的连续披露，说明它已经跨过了“演示阶段”。真正的分歧在于——量的增长是否等于价值的兑现，这正是本文要拆开的部分。

[事件回顾·发生了什么]按时间线看，公开信息呈现的是一条渐进披露的路径。2026年2月14日，新华网报道江苏银行以“综合结算+苏银金管家”构建AI时代OPC综合金融服务方案，通过智能结算实现订单资金快速归集与对账，并形成经营情况简报 [4]。同月28日，该行官网信息显示其获批数字人民币运营资质 [1]。4月3日，其官网发布以“智融AI内核 数智金融新程”为主题参展2026中国国际金融展的消息 [1]。5月15日，行业媒体报道其2025年年度报告内容：该行深化人工智能大模型在业务领域的应用，累计落地62个应用场景 [2]。8月19日披露的2026年半年报则给出更具运营色彩的指标：日均Token使用量半年内增长18倍，已部署从十亿级到万亿级的15种模型，推出八大数字行员助手，将AI技术深度嵌入审批等环节 [3]。需要说明的是，这一系列披露全部来自公司自身或媒体转述，尚无第三方审计口径的AI效能数据。

[背景与格局·公司沿革 · 行业脉络]要理解这组数据的含义，先要理解江苏银行所处的位置。它是一家A股上市的区域性城商行，数字金融是其公开战略表述的一部分 [1]。在银行业，AI叙事并不新鲜：大行有算力与数据规模，互联网银行有原生架构，城商行的传统优势则在于本地客户关系与决策链条短。报道用“银行业AI竞速”来描述2026年的行业状态，江苏银行被放在这个竞速序列中观察 [3]。其技术脉络可以拆成三层：底层是模型层的多规格部署，从十亿级到万亿级共15种 [3]；中层是应用层，62个场景与八大数字行员助手构成落地清单 [2][3]；外层是渠道与账户层，数字人民币运营资质与“综合结算+苏银金管家”构成的结算能力 [1][4]。值得注意的口径变化是：2025年报的叙述单位是“场景数”，2026半年报的叙述单位变成了“Token使用量”。前者衡量广度，后者衡量真实调用强度——这是从项目清单思维转向运营计量思维的分界线。

[深度解读·为什么发生 · 意味着什么]为什么这组数据值得单独讨论？因为银行披露AI进展时最常见的问题是“不可证伪”：说落地了若干场景、上线了若干助手，外界无法判断是生产环境还是演示环境。Token使用量虽然粗糙，却是一个发生在生产系统里的计量单位——它至少说明调用是持续的、有量的 [3]。这是我认为江苏银行的AI业务被低估的第一层证据：它的披露口径正在从PPT语言切换到运营语言，而市场尚未把这种切换纳入估值框架。第二层证据在于披露的连续性。62个场景（2025年报）到15种模型与八大数字行员助手（2026半年报），中间隔着一次半年报，指标之间可以互相校验方向 [2][3]。如果只是单次宣传，通常不会有第二次更细的口径跟进。第三层是业务耦合方式。报道显示其将AI嵌入审批环节 [3]，同时把智能结算用于订单资金归集、对账与经营情况简报生成 [4]。这两处都不是边缘业务：审批对应风控与效率，结算对应存款与结算性资金沉淀。AI若在这两处产生效果，理论上会体现在成本收入比、人均产能与结算性存款等传统财务指标上，而不是停留在“科技投入”科目里。那么谁受益、谁受损？受益方首先是这家银行自身的中后台效率，其次是能提供模型治理与调度能力的软件层供应商；受损方可能是人力密集的中后台岗位结构，以及传统按人天计费的IT外包模式。但必须说清楚：以上是分析而非事实。报道没有披露任何一项与AI直接挂钩的财务结果，包括节省的人力、缩短的审批时长或提升的产能。在缺少这层证据之前，“AI被低估”只能成立为“AI的计量方式被低估”，而不是“AI的利润贡献被低估”。这个区别决定了它是一项值得跟踪的观察，而不是一个可以立刻定价的结论。

[关键数据与证据·来自报道的数字与事实]报道中可提取的量化与事实要点如下。其一，2025年年度报告显示，该行累计落地62个人工智能应用场景 [2]。其二，2026年8月19日披露的半年报显示，日均Token使用量半年内增长18倍 [3]。其三，同一份半年报显示，该行已部署从十亿级到万亿级的15种模型 [3]。其四，该行推出八大数字行员助手，将AI技术深度嵌入审批等环节 [3]。其五，在结算与账户侧，该行以“综合结算+苏银金管家”构建AI时代OPC综合金融服务方案，通过智能结算实现订单资金快速归集与对账，形成经营情况简报 [4]。其六，该行官网信息显示其获批数字人民币运营资质，相关时间标注为2026年2月28日 [1]。其七，2026年4月3日，该行以“智融AI内核 数智金融新程”为主题参展2026中国国际金融展 [1]。此外，[2]的报道标题提及某智能体工具已集成至该行某一系统，但摘要未展开说明集成对象与业务范围，可验证性偏低，不宜作为论据使用。

[风险与争议·审慎的批评视角]乐观表述需要几处冷静的校正。第一，口径问题。18倍增长是一个比率，报道未给出基数 [3]。在低基数上，18倍对应的绝对量可能并不大；Token消耗量在行业内也没有统一定义，不同模型、不同任务长度的Token不可直接比较，把它当作业务活跃度指标存在系统性偏差。第二，场景不等于价值。62个“应用场景”是自披露口径 [2]，报道未说明其中有偿调用频次、覆盖客户数、替代人力或产生收入的场景占比。在银行业，一个场景可能只是内部知识库问答，也可能是信贷审批，二者价值相差几个数量级，而“62”这个数字把两者拉平了。第三，来源结构。支撑本文的主要是行业媒体与财经媒体 [2][3]、一篇新华网的方案性报道 [4]以及公司官网的自我披露 [1]，均非经审计的财务附注，措辞也多停留在“构建方案”“深度嵌入”这类过程性表述，缺少结果性指标。第四，术语不透明。[4]中的“OPC”缩写未作解释，外界无法判断其客群指向与规模，这降低了该方案的可评估性。第五，监管与合规风险。银行将AI嵌入审批环节 [3]，意味着模型输出会影响信贷决策，而信贷决策在监管上要求可解释、可追溯、可申诉。报道未提及该行在模型可解释性、人工复核比例、模型风险治理上的安排，这是审慎观察者最应追问却最缺乏信息的部分。第六，竞争位置。若“18倍”反映的是从低起点的追赶 [3]，那么大行在算力与数据规模上的优势可能使城商行的效率红利被更快摊薄；AI投入若无法转化为定价能力或风控优势，最终仍只是成本项。结论是：这是一组有信息量但仍需交叉验证的披露，不足以支撑“AI价值已被验证”的强判断。

[未来展望·情景推演]短中期可以按三种情景推演。保守情景：AI指标停留在运营披露层面，未与任何财务结果挂钩，Token量与场景数继续增长但市场视为科技投入的一部分，估值锚仍是息差与区域资产质量，重估不发生。中性情景：2026年年报（预计2027年初披露）延续并细化口径，例如按业务条线拆分场景、披露数字行员助手的实际承接量或人力结构变化 [2][3]，卖方开始将AI效率纳入成本收入比预测，形成温和的估值修正。乐观情景：出现可验证的传导证据——审批环节的AI嵌入体现在不良生成率或审批时长的改善上，智能结算带来的资金归集体现在结算性存款或对账成本的下降上 [3][4]，同时数字人民币运营资质带来的账户与场景增量形成新的中间业务入口 [1]，三者叠加才构成真正意义上的重估。可能的催化剂节点有三个：其一是下一份年报中AI口径是否继续细化；其二是数字人民币运营相关业务的公开数据是否释放 [1]；其三是“苏银金管家”与OPC方案是否披露可量化的客户与资金规模 [4]。反之，若下一期披露只重复“场景数增长”而不提供任何结果性指标，则应下调对其AI业务权重的估计。

[建议与启示·面向决策者]对不同类型的决策者，可操作的建议并不相同。对银行及同类金融机构的管理者：第一，把AI指标从宣传口径改为管理口径，至少建立“单位调用—单位业务量—单位成本”的对应链条，否则内部也无法判断哪62个场景 [2]值得加投、哪些应当下线。第二，把披露重点从广度转向结果，比如审批环节AI嵌入后的人工复核比例、单笔审批耗时、单位审核人力变化 [3]，这些才是外部与内部共同能验证的证据。第三，在模型数量扩张之前先解决治理，从十亿级到万亿级的15种模型 [3]意味着多来源、多成本结构、多风险等级的并存，没有统一的调用日志与限流策略，合规审计会先于业务收益到来。对投资者与分析者：把“Token增长18倍”当作待验证的运营指标而非结论 [3]，重点跟踪其是否在下一期财报中与成本收入比、人均产能等传统指标形成呼应；同时追问口径，包括基数、统计周期与模型类型构成。对产业界而言，这里有一个被普遍忽视的环节：当一家银行同时运行十余种模型、面向数十个场景时，真正的瓶颈不在模型能力，而在调度与计量。AgentSH这类多智能体调度平台的定位正在于此——它解决的是模型多了之后如何统一编排、计量、限流与审计的问题。当企业准备把AI数据写进财报，这类基础设施是让数字站得住脚的前提，而不是可选的美化项。

[结语·一句话立场]江苏银行这组数据的价值，不在于它证明了AI能赚钱，而在于它把AI变成了可以被追问的数字：62个场景、15种模型、18倍Token增长、八大数字行员助手 [2][3]。这是一种披露习惯的改变，也是被市场低估的部分——城商行的估值锚长期只有息差与信用风险，运营侧的计量语言很难进入模型。但计量不等于兑现，在结果性指标出现之前，这仍是一个应当跟踪、不宜定价的观察对象。我的立场是：值得认真看，不值得急着抬。