9月21日，券商中国梳理多家大型上市银行公告与高管口径：国有大行和头部股份行的大模型应用，正从客服、办公等浅层场景，转入体系化建设与规模化落地；场景数以数百乃至上千计，智能体成为竞争焦点，降本增效开始写成可量化经营数据。

对券商读者，这条新闻的用处不是「银行又领先了」，而是一张现成的披露对照表：当 AI 进入信贷、交易、风控等深水区，半年报到底在报什么——以及券商若还在报「上了多少大模型」，差的到底是能力，还是可核验指标。

一、银行成绩单里，真正可抄的不是形容词

公开材料里，银行披露大致分成四层。券商对标时，建议只抄「可核验」的那几层。

1. 规模层：场景数、调用量、Token

• 工行落地 600 余个大模型场景；建行生成式 AI 覆盖超 600 个场景；邮储落地超 370 个场景，并披露日均调用、日均 Token 量级。
• 招行智能化场景 1386 个、较上年末增长 62%；领域模型 256 个；日均 Token 吞吐同比高增。
• 中信银行 AI 服务场景累计超 1900 个。

对券商：场景数有意义，但要定义清楚——是试点、生产、还是仅接入？否则「上千场景」无法横向比较。

2. 产出层：工时、人年、替代量

这是银行披露里最「刺眼」的一档：

• 招行上半年 AI 贡献约 1388 万小时等效人工工时；
• 浦发「数字劳动力」承担超 2500 人年工作量；
• 江苏银行等亦披露累计替代工时。

对券商：与其只写「提效显著」，不如先统一口径——等效工时怎么算、是否含质检返工、是否可审计。人年指标是机构自报等效值，不能外推成裁员结论或利润贡献。

3. 深水层：信贷、交易、风控链条上的业务量

银行叙事的关键转折是：AI 进入授信、交易、预警等核心链。

公开举例包括：招行贷前小企业尽调报告约 90% 工作量由 AI 完成、保函时效大幅压缩、贷后监测采纳率与预警提前天数；建行授信审批专用智能体上线后完成数万笔智能分析；工行审贷助手辅助审查审批金额超万亿元量级；工行全球智能对话交易系统披露全流程效率与智能询价交易比率等。

对券商：不要把银行信贷智能体直接类比投顾结论生成。可对标的是方法——核心链路上的「辅助分析笔数 / 金额 / 采纳率 / 时效」，而不是把 AI 写成收益来源。

4. 治理层：顶层规划与安全框架

多家银行披露「人工智能+」规划、AI 原生组织方向，以及输出过滤、以 AI 对抗 AI、研发规范等。规模化之后，安全与伦理被写成并列主线。

对券商：这对应模型备案、供应商治理、输出拦截与停点——账号近几篇成稿已反复写过，半年报里应能看到制度与指标，而不只是战略口号。

二、券商半年报常见缺口：有「上线」，少「深水账」

对照银行，券商公开材料里更常见的是：智能体/Skills 数量、App 入口、生态入驻、服务人次。有用，但往往缺三张「深水账」：

银行能把 AI 写进信贷与交易链，是因为这些链路上本来就有强流程、强留痕；券商要对标，也应优先选本来就有停点的办理与中台场景（营运、合规、机构开户、质检），而不是先在对客投顾话术上「做成绩单」。

三、一张给券商科技与董办的对标清单

下一份中报/年报前，可以用这五问自检：

1. 生产场景定义：多少个场景真正日活，而不是立项清单？
2. 人机分工：AI 草稿占比 vs 人工终审占比，能否按场景披露？
3. 核心链指标：有没有「笔数 / 时效 / 采纳率」三件套，而不是只有访问量？
4. 成本侧：Token、算力利用率、私有化推理成本是否可内部对账（公开披露量力而行）？
5. 安全侧：拦截、降级、审计覆盖率有没有数——规模化必须带治理数。

抄银行成绩单，抄的是指标纪律，不是抄业务同构。

写在后面

银行大模型入深水区，表面是场景更多、智能体更密；对券商更尖锐的提醒是：当同业开始用工时、人年、授信笔数、采纳率说话时，只报「上线了大模型」会显得信息披露停在浅水区。

对标的正确姿势是：把银行报表当成指标模板，选自己有流程、有留痕的场景先做深水账；信贷与投顾不要硬类比，交易与外接更不要用境外「聊天下单」叙事替代境内合规路径。

成绩单要经得起复核，AI 规模化才像经营，而不是宣传。

（数据来自信披与公开报道梳理；人年/工时为机构自报等效指标；本文不构成投资建议或业绩预测。）