邮储银行原行长刘建军：破除三大AI认知误区，银行经营迎代际更新

当前行业普遍存在AI焦虑：不布局AI会落后被动，加大投入又面临成本高、效果不明确等问题。 “当前银行业AI应用已经走出概念炒作阶段，进入工程落地阶段。竞争的焦点不再是‘是否拥有大模型’，而是能否把AI场景做密、做深、做出实效。”日前，在第十一届“融城杯金融科技创新案例评选”启动仪式上，中国邮政储蓄银行原行长刘建军在主题演讲中表示。 当下，科技界与金融界有两件大事同步发生：一是商业银行经营模式正在重写；二是人工智能工程能力日益成熟。在刘建军看来，银行业同时经历旧模型失效与新工具成熟，二者叠加，将推动零售银行完成一次系统性重构。零售银行最大的潜力，就藏在过去被人力、数据约束而无法深耕的客户与场景里。现阶段可落地、可大规模推广的场景包括：智能客服、营销推荐、风险预警、运营提效。这些场景不涉及最终的重大风险决策，受“幻觉”影响较小，落地门槛低、实用性强。 零售业务是银行穿越周期的压舱石 从银行经营模式重写来看，当前银行面临利率下行、资本约束等问题，更关键的是客群代际切换。 刘建军表示，过去银行主要服务50后、60后、70后、80后客群，如今00后、千禧一代年轻人的金融消费特征完全不同，如何做好客群切换至关重要。 同时，传统获客逻辑开始失效。刘建军表示，过去银行依靠线下营业厅获客，重点深耕网点获客、交叉获客能力。随着数字化的发展，如今客户到店越来越少，线下获客模式难以为继，传统经营模式必须重构。 与传统模式失效对应的，是AI工程能力日益成熟。刘建军指出，大模型持续迭代、相互竞赛，模型能力实现宽度与深度的双重突破；全球范围内数据治理加速推进，监管与市场主体共同完善数据规范体系，为金融AI应用夯实基础；基于技术进步的AI流程自动化逐步铺开，替代大量人工重复性工作；AI智能体（Agent）协作开始成型，人工智能系统与人工协同作业的路径逐渐打通。 这两件事叠加，不是简单的技术升级，而是银行经营模式的代际更新。银行依靠资产、客户、业务、收入规模扩张的粗放式发展时代结束了，未来银行的核心竞争力将依托专业经营能力构建。 在资本极度稀缺、核心一级资本补充困难的当下，刘建军认为，零售业务不再是银行的可选项，而是穿越周期、实现稳健经营的基础能力，其压舱石定位持续凸显。 刘建军分析，从资本效率机制来看，零售业务资本消耗较对公业务低约70%，同等资本规模下，零售业务可撬动的业务体量是对公业务的3倍；此外，利润稳定机制，中收、财富等业务带来的非息收入，能降低银行对净息差的依赖；资金主场机制方面，庞大的零售客群，能够持续沉淀低成本居民存款，长期维护的客户关系具备极强的稳定性。 值得注意的是，这一压舱石正在承受三重冲击：一是客户结构两头夹击，高净值专业客户需要精细化、专业化的资产配置与理财服务，海量长尾客户需要低成本、全覆盖的支付、信贷、基础金融服务，客户分层经营压力陡增；二是经营模式升级，从产品销售转向风险管理、长期客户陪伴，对银行专业能力提出更高要求；三是入口层脱媒，传统银行APP的流量入口优势弱化，AI智能助手、各类智能服务入口可绕过银行自有渠道直达客户，客户触达逻辑发生迁移。 “银行业上一轮竞争的是渠道，本轮竞争的关键是守住入口和客户信任。”刘建军说。 破除三大AI认知误区 当前银行业AI应用已经走出概念炒作阶段，进入工程落地阶段。但行业对AI转型普遍存在认知偏差，存在AI会大规模替代员工、AI投入可以短期回本、迷信通用大模型万能等误区。 在刘建军看来，AI主要替代简单重复岗位，不会大规模替代员工，行业依旧渴求高技能专业人才。客户经理的核心价值是长期经营客户信任、提供人性化服务与情感连接，这是AI无法替代的。 而对于AI投入可以短期回本、一年内见效的误区，刘建军认为，AI落地是长期系统性工程，短期很难实现显性回本。多数银行AI落地效果不佳，根源不在于模型技术，而在于组织适配滞后：合规审查体系不配套、员工培训运维不到位、业务流程未重构、运营模式未集约化。 通用大模型迭代快、能力强，但银行更需要基于自有闭环数据训练的垂直金融小模型，适配细分金融场景。刘建军认为，AI应用必须做好场景分级与责任边界划分：低风险场景由AI直接自动化处理；中风险场景由AI给出建议、人工审核；高风险场景以人工决策、责任兜底为主，AI仅做辅助研判。 刘建军强调，银行在AI投入方面，要坚持“方向押注、发展留白”，认准转型方向，同时为未来变化预留调整空间，严守合规与风控底线。银行AI转型的真实成本，不在于技术采购与模型研发，而在于组织适配成本。重大的场景，必须保留责任边界。