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 。
