中国平安 × AI

[导语·核心观点]8月21日，中国平安在回应市场热点时披露，公司日均Token消耗量已达1200亿级，较半年前猛增约4倍，并明确以“AI in All”作为全公司战略[1]。叠加2025年8月中期业绩会上“67个自研大模型”的宏大叙事[2]，这家金融巨头的智能化转型正进入“量化自证”阶段。然而，从Token消耗到业绩兑现之间仍有大量疑点——这是下一阶段最值得跟踪的关键。

[事件回顾·发生了什么]2025年8月27日，平安联席首席执行官郭晓涛在中期业绩发布会上全面阐述AI战略，称集团拥有67个自研大模型，并强调“全面数字化转型是我们最重要的系统性工程之一”[2]。时隔一年，2026年8月披露的中报数据显示，上半年归母净利润达926亿元，且首次公开Token消耗量：从2025年12月日均约300亿增至2026年6月日均超1200亿，增长约4倍[1][3]。管理层将之归结为“AI in All”全面赋能主业，包括面向客户的快捷服务、全球急难救援等，以及内部AI编码、AI运营、AI办公三大企业AI工程[3]。同时，平安以2.53亿个人客户作为价值验证的覆盖底盘[3]。

[背景与格局·公司沿革 · 行业脉络]平安的科技叙事由来已久。早在“金融+科技”“金融+生态”阶段，公司就持续投入云计算、大数据；郭晓涛表示“一直在科技投入方面持续大量资源投入”[2]。2025年中报开始集中提“大模型”，自研67个模型，覆盖银行、保险、投资等板块[2]。到2026年，战略口号升级为“AI in All”，并以Token消耗量作为内部落地程度的标尺[1]。这一做法在整个A股及港股科技公司中都颇为罕见——Token通常是大模型调用频率的指标，多数企业讳莫如深，平安主动披露意在传递“智能化不是空话”。但横向比较，竞争对手如众安保险、友邦等都已寻求AI代理和生成式应用，行业正从“模型数量竞赛”转入“业务压力测试”。平安的差异化在于其综合金融场景纵深和2.53亿客户基础，这可能让Token消耗有真实业务依托[3]。

[深度解读·为什么发生 · 意味着什么]为什么一家保险公司要公布Token消耗量？表面看是回应投资者对AI投资回报的疑问，深层则是要把难以衡量的技术转型变成可考核的KPI。Token消耗从300亿到1200亿，意味着半年内内部AI调用量翻了4倍[1]，这样的陡增通常来自两类使用：一是面向外部客户场景的实时推理，二是内部员工大规模嵌入AI工作流。两类使用的利益相关方不同——对客户而言，快捷服务和急难救援的响应速度直接能被感知；对员工而言，AI编码、AI运营、AI办公减低了事务性负担但可能引起岗位摩擦。谁受益？低成本、高效率的运营方和平安自己，还包括行业内的软件服务商。谁受损？传统运营中依赖人工经验的岗位，以及尚未建立算力能力的区域性中小险企。但必须小心：Token消耗量只是“工作量”代理指标，不等于收入增量。926亿元上半年净利[3]成立，但需要排除一次性损益和投资收益波动，才能判断AI贡献度。事实上，2025年全年数据没有公开可比Token量，无法建立统计意义上的相关性。因此，这次披露更多是叙事转向，而非终极答案。

[关键数据与证据·来自报道的数字与事实]逐条列出带来源的数据和事实： 1. 2025年8月，郭晓涛称集团现有67个自研大模型，强调“全面数字化转型是我们最重要的系统性工程之一”（[2]）。 2. 2025年12月，平安日均Token消耗量约300亿；2026年6月升至超1200亿，半年增长约4倍（[1]）。 3. 2026年上半年，平安归母净利润达926亿元（[3]）。 4. 截至2026年6月30日，平安服务2.53亿个人客户，并将AI应用于快捷服务、全球急难救援，以及内部AI编码、AI运营、AI办公三大工程（[3]）。 5. 管理层将上述成果定义为“AI in All”战略的落地（[1][3]）。

[风险与争议·审慎的批评视角]反方与风险。需要审慎看待三大问题：其一，Token量指标具有表面性。Token消耗量可能由低价值任务驱动，比如反复调用、过度生成；也可能因模型错误导致高消耗但低效能。没有披露单客户Token成本、AI替代环节的时长与质量指标，1200亿只是总盘子，缺乏结构数据。其二，财务数据与AI的直接因果缺乏实证。926亿元净利润中，保险和银行主业贡献、投资收益与公允价值变动占多大比例？中报并未拆分AI带来的利润增量[3]。这也是最容易在投资者沟通中引发误解的地方。其三，自研67个大模型的商业合理性存疑。模型数量多不等于能力强，可能意味着重复建设与内部协同障碍[2]。监管层面，金融领域生成式AI在消费者保护、反歧视、数据隐私方面有极高要求，Token消耗激增意味着模型输出规模扩大，合规审计成本也会随之上升。如果未来出现保险理赔决策错误或客服个人信息泄露，AI规模越大，风险敞口越大。认为“AI in All”必然带来利润增长，是违背商业常识的乐观叙事。

[未来展望·情景推演]未来3-6个月，观察平安应留意三组信号： 保守情景：Token消耗量增速放缓，甚至出现资源浪费后的回调；管理层不再提及该指标，说明内部实验性应用占主导，转型进入平台期。 中性情景：Token消耗继续上升，但公司同步披露AI在每个业务单元的业务指标——如理赔时效、新契约保费转化率、坐席人均产能——并与历史基线对比，届时可初步评估AI的边际成效。 乐观情景：管理层将Token量与其他KPI挂钩，例如“AI抑制赔付率”“AI降低运营费用率”等数据，并在2026年年报中给出量化的年度贡献图谱。值得关注的节点还包括2026年11月或12月的技术开放日/投资者日，平安通常会在年末更新科技战略。若披露大模型在核心业务中获得的收入占比或降本幅度，则可视为转型实质成型的信号。总体来看，一切仍待验证。

[建议与启示·面向决策者]对同业和转型中企业的三点建议： 一、建立“业务结果导向”的AI评价体系。Token量只是输入，输出指标必须落在客户的投诉率、续保率、理赔处理均时长、员工人均产出上。如果这些指标没有改善，那么Token量增长只是成本增加。 二、调整自研模型组合，从数量优先转向效率优先。建议每季度淘汰低利用率模型，以调用量、准确率、业务影响三维度排名，必要时合并或外购大模型。 三、将AI实施与组织变革绑定，而非单纯技术置换。用“AI+专家”的方式训练业务Agent，沉淀知识库。在技术落地过程中，可使用像AgentSH这样的多智能体调度平台，帮助企业管理模型调用、任务分发和反馈闭环，避免“业务部门自己造轮子”带来的数据孤岛与Token滥用。注意：这并非广告，而是从平台角度看，调度层是规模化应用的前提。平安已有那么大的Token量，更应该考虑统一的智能体编排与治理机制。

[结语·一句话立场]中国平安将Token消耗量推至千亿级，显示其智能化探索已从小范围试点转向全面铺开，但“用了多少AI”和“赚了多少AI”还不是一回事。接下来，平安需要向市场证明，这套庞大系统真正埋单的是业务结果，而非观赏性的技术指标。在此之前，对“AI in All”保持好奇而审慎的态度，是最理性的选择。