江苏银行 × AI

[导语·核心观点]江苏银行在约一年半时间里，把人工智能叙事从单点风控工具推进到集团级底座：2025年1月披露“智慧小苏”大模型与规则匹配结合处理地址信息[1]，2026年6月又提出“1860”人工智能体系与“AI Inside”理念，其中“1”指集团级自主可控人工智能底座[2]。核心判断：这是一条“场景先行、底座收口”的中型银行典型路径，方向合理，但目前公开信息中缺少任何量化成效，只能定性为“待验证”。之所以重要，是因为银行AI的胜负手通常不在模型本身，而在数据资产与工程能力能否被跨条线复用——底座命题恰恰是对这一点的公开下注。

[事件回顾·发生了什么]两篇报道构成一条时间线。第一篇（2025年1月9日）聚焦风控场景：江苏银行采用“智慧小苏”大模型与规则匹配相结合的方法，对地址信息进行预处理、拆解及相似度计算；同时收集并标注大量地址数据，用于持续迭代优化地址识别模型[1]。这里的关键词是“结合”——不是用大模型替代规则，而是两者并用。第二篇（2026年6月24日）升级到体系层面：该行秉持“AI Inside”理念，打造“1860”人工智能体系，以人机协同为原则，为传统金融业务装上智慧引擎；其中“1”是集团级自主可控人工智能底座，用于统一整合资源[2]。需要注意的是，所给摘要仅展开解释了“1”的含义，“8”“6”“0”对应的模块在现有材料中并未说明；报道同样没有披露投入金额、模型规模、准确率变化或覆盖的业务条线数量。因此，可以确认的是“宣布了什么”，尚不能确认“做到什么程度”。

[背景与格局·公司沿革 · 行业脉络]把这条时间线放回银行业AI的演进脉络里看，位置会更清楚。银行的风控与运营长期依赖规则引擎和评分卡，短板在于对非结构化、长尾脏数据（如格式不统一的客户录入地址）处理能力有限；大模型的语义泛化能力恰好补上这一环，但纯生成式模型又带来说明性不足与输出不稳定的风险[1]。“智慧小苏”选择大模型与规则匹配并用，是对这一矛盾的折中处理[1]——这是对报道披露方法论的解读，而非报道原文结论。从能力建设顺序看，先做地址识别这类“看起来小”的场景，再谈集团级底座[2]，逻辑上是从高频、可标注、可评估的任务切入，先积累数据与工程经验。江苏银行作为城商行，在算力预算与人才密度上通常不及国有大行，“自主可控”与“人机协同”两条原则[2]，在资源约束下是相对务实的选择：不追求全自动，先用模型提效、人工兜底。行业格局层面，头部机构倾向自建算力与大模型，中小机构更依赖外采或联合开发；江苏银行的表述显示其希望把能力留在体内[2]；至于实际采购结构中自研与外采各占多少，报道未予披露，无法判断。

[深度解读·为什么发生 · 意味着什么]为什么是地址、为什么是现在、意味着什么。第一，场景选择的逻辑。地址信息处理是典型的“低价值感、高痛感”环节：它散落在开户、信贷、反欺诈等多个流程里，出错往往以合规问题和人工返工的形式体现，而非直接收入损失。用大模型做预处理、拆解与相似度计算[1]，本质是把原来靠人工或硬规则的模糊匹配，换成可学习的语义匹配。第二，数据飞轮的逻辑。报道明确提到收集并标注大量地址数据用于持续迭代[1]，说明该行做的不是一次性模型部署，而是数据资产的累积；标注数据的规模与质量，往往比模型选型更能决定长期效果（分析判断）。第三，从场景到底座的逻辑。2026年提出“1860”体系，把“1”定义为集团级自主可控人工智能底座、统一整合资源[2]，说明该行已意识到单场景重复建设的边际成本问题：各条线各自找供应商、各自搭环境，短期见效快，长期难复用。底座的商业意义在于把边际成本从“每场景一次”降为“接入一次”。谁受益？前台业务与风控合规部门、客户（更少重复提交资料）、行内数据团队。谁可能被挤压？外部AI供应商的定制化开发份额，若底座真能复用，外采需求会从“项目制”转向“能力补充制”（分析判断）；但“自主可控”与实际外采在银行体系内常常并存，公开表述难以反映真实依赖度（分析判断）。真正决定成败的，不是“1860”这个好记的数字，而是三件不容易对外讲的事：标注规范与数据血缘是否建立、模型错误率与人工复核率是否被持续度量、跨条线复用是否真的发生（分析判断）。

[关键数据与证据·来自报道的数字与事实]报道给出的可核查事实有限，逐条列出：1）方法：采用“智慧小苏”大模型与规则匹配相结合，对地址信息做预处理、拆解及相似度计算[1]。2）数据：收集并标注大量地址数据，用于持续迭代优化地址识别模型[1]。3）体系：打造“1860”人工智能体系，“1”为集团级自主可控人工智能底座，统一整合资源[2]。4）理念与原则：以“AI Inside”为理念，以人机协同为原则推进人工智能在传统金融业务中落地[2]。报道未给出的关键数据包括：投入金额与人员规模、地址识别准确率或人工复核工时变化、已覆盖的业务条线数量、“8”“6”“0”对应模块的具体内涵，以及任何第三方评估或审计结论。就证据强度而言，两条材料均属机构对外表述经媒体转述，可验证性为中等——它们能证明“做了这件事并对外宣布”，不能证明“效果好”。

[风险与争议·审慎的批评视角]必须把乐观表述拆开看。其一，证据强度不足。两条报道均为宣传性较强的对外表述转述，无第三方基准测试、无审计数据、无失败案例披露；“大量地址数据”没有给出量级[1]，“集团级”“自主可控”也没有可验证的定义[2]。以此推断该行AI能力已全面领先，是明显的过度外推。其二，样本偏差。地址识别属于文本清洗类任务，容错相对较高、评估标准清晰，它与信贷审批、投顾建议等高风险决策任务之间隔着可解释性与合规要求的鸿沟；一个场景跑通，不能证明底座在其他条线同样成立（分析判断）。其三，数据合规与伦理。地址属于个人信息，标注与训练涉及授权范围、脱敏方式与留存期限，报道完全未涉及这一层；在个人信息保护相关法规框架下，这些细节恰恰是项目能否持续的前置条件（分析判断）。其四，模型风险。金融风控对错误容忍度低，大模型的输出不稳定需要人工兜底，这意味着“人机协同”未必降低成本，也可能只是把成本从人力转移到“人力+模型运维”（分析判断）。其五，叙事风险。“1860”这类数字化口号便于内部动员与对外传播，也容易掩盖真实进展；当摘要只能解释“1”时，其余部分是否已有实质建设，外界无从判断。其六，商业回报待验证。AI投入成本前置、收益后置，若缺少明确的成本节约或风险损失下降数据，投入合理性将在财报周期里受到检验。

[未来展望·情景推演]以“待验证”为基调，给出三档情景与3—6个月观察清单。保守情景：底座停留在基础设施层，业务条线仍是项目制接入，AI价值主要体现在局部效率改善，难以在财务口径上单独体现。中性情景（当前证据最支持的一档）：地址类文本处理等少数场景形成稳定能力，底座开始承接部分复用需求，人机协同成为常态，成效以“人工工时下降”而非“人员减少”呈现。乐观情景：底座沉淀出可跨条线调用的模型与数据服务，AI投入在2—3年内形成可量化的成本或风险损失下降。可跟踪的节点与指标（分析判断给出的观察清单）：1）是否公开“1860”中其余模块的功能与场景清单；2）是否披露地址识别准确率、人工复核率等过程指标，哪怕只给出区间；3）定期报告中是否出现AI相关投入、人才结构或效率表述；4）是否出现第二个、第三个非风控条线的落地案例；5）是否有模型风险管理、可解释性方面的合规披露或参与行业标准；6）外部合作方的角色是否发生变化。

[建议与启示·面向决策者]面向银行与其他金融机构的决策者，几条可操作建议。第一，KPI要选对。用“被复用的能力组件数”“人工干预率”“单场景接入成本”替代“上线模型数量”“场景数量”这类易注水的指标；江苏银行的底座命题[2]只有在“复用”可度量时才有意义。第二，标注资产要工程化。地址数据的标注规范、版本与血缘应像代码一样管理，否则数据飞轮会在人员流动后停转[1]。第三，人机协同要算清账。人工兜底不是过渡态，而应作为长期成本项进入测算，明确哪些环节允许人审、哪些必须自动。第四，先建模型风险台账，再做规模铺开；合规前置的成本远低于事后整改。第五，在架构层面考虑统一编排。风控、客服、合规等场景的Agent若各自集成，很快会重演“烟囱式”建设；像AgentSH这类多智能体调度平台的价值，正在于把不同Agent的注册、编排、权限与审计收敛到一层，降低多场景并行的集成与治理成本——这与江苏银行“统一整合资源”的底座思路同源[2]，只是“买”与“建”的选择不同。

[结语·一句话立场]江苏银行把AI从“智慧小苏”的单点风控，推进到“1860”的体系化表述，方向符合中型银行在资源约束下的理性选择：先吃透数据密集、可评估的场景，再谈底座复用[1][2]。但截至目前，公开材料只证明了“宣布”，尚未证明“成效”。对它下成败结论为时过早，更务实的做法是拿着上面那份观察清单，等下一个量化指标出现。