披露升级：智能体进入法定披露科目
银行业智能体叙事在 2026 年出现了一个质的分野：从发布会通稿进入半年报法定披露。招商银行 8 月 28 日董事会审议通过的《2026 年半年度报告摘要》中，「智能化转型全面提速」作为独立小节出现，与零售金融、公司金融等主营板块并列——这意味着相关数字经过董事会审议与会计师事务所审阅程序，披露级别的可信度显著高于营销口径。
8 月 31 日的中期业绩发布会上，招行首席信息官周天虹进一步补充：AI 大模型已经在招行员工各项工作中落地并发挥作用的工作项超过 1000 项，前、中、后台各领域普遍发挥作用。这种「官方业绩会 + 法定中报」的双重披露结构，为观察银行业智能体提供了一份额外扎实的切片。
招行账本：1388 万小时怎么读
招行中报摘要给出的智能化转型数据组如下：
| 指标 | 2026 上半年 | 同比/环比 |
|---|---|---|
| 日均 Token 吞吐量 | — | 较上年增长超 78% |
| 落地领域模型 | 256 个 | 较上年末增长 40% |
| 智能化场景 | 1,386 个 | 较上年末增长 62% |
| AI 提效等效人工工时 | 1,388 万小时 | 覆盖零售金融、批发金融、风控、运营、办公等领域 |
| AI 小招累计服务企业客户 | 79.99 万户 | 企业智能助手重塑批发银行对客智能服务 |
| 机构场景 AI 智能客服及数字人 | 累计 3,766.49 万人次 | — |
业绩会还给出了一组更有业务颗粒度的数字：金葵花小助赋能客户经理后，上半年资金规划客户经理电访人均有效触客次数提升 14.65%，客均成交金额提升 35.82%。这两组数字的价值在于它们连着收入端——智能体不只省成本，还在改客户经营的质量。此外，招行新推出面向合作伙伴的智能体应用「AI 小伴」，围绕投研协同、创意设计、智能搭建、活动配置、审核纠错、数据分析等核心场景深化生态开放。
1388 万小时按每人每年 2000 小时工作量折算，约相当于近 7000 人的年工作量（21 世纪经济报道折算口径）。但要强调：这是「提效等效工时」——已经发生的工作量节省的折算值，不是编制削减数，也不等于利润。
六大行横评：场景数、Token 与产出
综合 21 世纪经济报道对上市银行中报的梳理，头部银行的智能体账本如下（均为各行自报披露口径）：
| 银行 | 规模指标 | 代表性产出 |
|---|---|---|
| 招商银行 | 智能化场景 1,386 个；上半年 AI 提效 1,388 万小时；日均 Token 吞吐 +78% | 小企业尽职调查报告 90% 工作量可由 AI 辅助完成；「保函闪电开」把超 30 小时的业务处理缩短到平均 2.72 小时 |
| 工商银行 | AI 落地场景超 600 个 | 「工小智」覆盖 9 大业务领域、50 项重点功能；内控「AI 智审」上半年输出 36 万条合规审查意见，采纳率 98.6% |
| 建设银行 | AI 落地场景超 600 个 | 「龙知微」「龙知远」等大模型应用服贸会亮相 |
| 中国银行 | 推出超 2,200 个智能化助手 | 智能体延伸至多类重点业务 |
| 平安银行 | 上半年 Token 消耗超 53 亿，同比约 +130% | 算力与 Token 消耗随应用深入同步攀升 |
| 邮储银行 | 「邮小助」累计处理交易总额超 12 万亿元 | 智能体嵌入交易链路 |
两条横评结论：其一，场景数量从 600 到 2200+ 不等，但口径各异（「智能化场景」「落地场景」「智能化助手」），不可直接排名；其二，Token 消耗增速（招行 +78%、平安 +130%）普遍高于业务增速，说明智能体用量仍在爬坡期，账本里还没有出现「效率收益覆盖算力成本」的完整闭环披露。
核心业务渗透：从客服到合规审查
如果只看「智能客服」会把银行业智能体看浅。2026 中报季的数据显示渗透已经分层推进：
- 合规内控：工行「AI 智审」36 万条合规审查意见、98.6% 采纳率——监管强约束场景敢晒采纳率，说明人机协同流程已经跑顺；AI 的角色是「起草与初筛」，人保留终审
- 对公业务：招行小企业尽调报告 90% 工作量 AI 辅助、保函业务从 30 小时到 2.72 小时——高重复度、强模板化的对公文书是效率兑现的重心
- 客户经营：金葵花小助改变客户经理的工作模式，触客次数与客均成交金额双升——从「省时间」走向「提质量」
- 交易链路：邮储「邮小助」累计处理交易总额超 12 万亿元——智能体直接进入交易处理而非仅前置咨询
口径辨析：等效工时不等于裁员账
「1388 万小时 ≈ 7000 人年」这类折算极易被误读为裁员依据。三个必须分清的口径：
- 等效工时是提效折算，不是人力替代：它衡量的是 AI 分担的工作量，员工的时间被重新分配到高价值环节，而非岗位消失；招行披露口径中也未见对应的编制压缩数据
- 采纳率是流程指标，不是准确率：98.6% 的采纳率指 AI 生成的审查意见在流程中被接受的比例，背后是「AI 初审 + 人工终审」的协同设计，与 AI 单独决策的准确率是两回事
- 成本侧披露仍稀薄：各行普遍披露产出（工时、场景、交易额），但算力投入、模型采购与运维成本基本只以 Token 增速间接反映，「净收益」账本尚不可得
银行业的特殊约束与打法
银行业是强监管行业，其智能体打法因此呈现鲜明的行业特征：
- 合规场景先行：把回访、审查等合规强相关场景作为落地切入点（行业普遍现象），用监管要求倒逼数据治理与审计留痕，反而沉淀出更扎实的工程底座
- 自建底座而非采购成品：招行「云+AI+中台」、256 个领域模型的自建路径说明头部银行把模型与数据主权视为核心资产，外部采购集中在平台组件而非端到端方案
- 领域模型矩阵而非单一巨型模型：256 个领域模型、按业务域分治的架构，与开源社区「通用底座 + 域内微调」的路线形成呼应
- 人机协同为默认形态：从智审到客服，披露口径全部是「AI 处理 + 人工兜底/终审」，全自主决策在银行业没有出现——这与金融监管对可解释性、可追责性的要求一致
国际侧的对照信号：美国银行家协会 2026 年调研显示金融机构已把 AI 视为优先级高于网络安全的议题（经媒体转述口径），全球银行业的投入意愿与国内中报的产出数据互为印证。
冷思考
- 产出披露 ≠ ROI 证明：所有数字均为各行自报、无第三方审计；等效工时的折算方法（基线如何设定）未公开，横向比较意义有限
- Token 增速是双刃剑：+78%、+130% 的消耗增速既说明用量爬坡，也预示成本曲线——若效率收益不能同步兑现，账本会先难看在成本端
- 场景数通胀风险：「1386 个场景」「2200 个助手」的统计颗粒度未披露，一个提示词模板与一个端到端智能体可能被计入同一口径
- 核心技术栈不透明：各行均未披露模型来源构成（自研/开源/采购）、智能体编排框架与评测体系，行业可复制的工程细节仍然稀缺
目前官方及行业暂未披露更多细节（如投入成本、折算基线与场景统计口径），后续将持续跟进迭代动态。