银行大模型集体跨过“百亿Token”

一个原本只出现在技术文档里的计量单位，正在成为银行业的新成绩单。

11月2日，招商银行在2026年三季度业绩说明会上披露，截至9月末大模型应用累计落地超1500个场景，全行业务场景日均Token规模超过800亿。而在今年6月的股东大会上，这个数字还是330亿。

Token（词元）是大模型读写信息的基本单位，其消耗量roughly对应一家机构在AI上的投入强度与调用活跃度。

今年以来，工商银行、平安银行、兴业银行、邮储银行等相继跨过“日均百亿”门槛，江苏银行、微众银行等中小机构亦逼近或触及这一量级。

银行大模型由此进入“百亿Token时代”——但用量狂飙之后，账要怎么算，才是这套叙事真正的下半场。

01

从330亿到800亿：五个月三倍的曲线

把各家公开数据按时间轴排开，增速比绝对值更醒目。

招商银行的曲线最完整：今年2月末日均Token总规模260亿，5月末330亿，9月末突破800亿，约七个月增长逾三倍；同期落地场景从半年报的1386个增至超1500个。

工行的量级同样抬升明显——年初披露全行日均Token消耗达百亿级，较两年前增长近百倍；9月，工行软件开发中心披露已建成算力规模超6000卡的自主可控“词元工厂”，日均词元消耗量达600亿。10月30日，工行表示，完善“工银智涌”大模型技术体系，在多个业务领域落地600余个场景。

股份行中，平安银行三季报显示第三季度日均词元消耗量217亿，较上季度增长近3倍，上半年该数字还只有53亿、同比增长约130%；兴业银行9月披露全行日均词元调用量100亿、日均大模型调用接近500万次、运行中智能体超500个，而6月底的口径是41亿、智能体超200个。

邮储银行半年报口径为日均交互词元超百亿、日均调用超600万次，管理层给出的年底目标是调用超千万次、Token吞吐超300亿。

城商行里，江苏银行上半年日均Token使用量较2025年末增长18倍，近期其日均消耗已达294亿；微众银行7月称AI工程化平台支撑全行日均超200亿Token。

需要注意的是，各家口径并不统一：有的统计“业务场景消耗”，有的算“输入输出总量”，有的含内部办公调用，横向排名因此只能作趋势参考，不宜直接比大小。

建设银行、中国银行、农业银行、中信银行等则选择了另一套表达——披露场景与智能体数量：截止2026年6月底，建行生成式AI覆盖超600个应用场景，中行智能化助手超2200个、应用场景超3800个，中信银行AI服务场景累计超1900个。

02

用量背后：从“单点赋能”到“流程重塑”

Token之所以涨得这么快，本质是AI的调用方式变了。

招行数字金融发展办公室主任韦江波在业绩说明会上归纳了两个趋势：一是AI从“单点赋能”走向“流程重塑”，过去需双人操作的流程可实现单人办理；二是从“辅助人”走向“人机协同”，一名分析人员可以调用多个专家智能体。

智能体取代对话机器人成为落地主载体后，单次任务要拆解步骤、多轮推理、反复调用工具，Token消耗天然呈数量级上升——这也是平安银行一个季度翻三倍的技术解释，该行明确提到通过模型蒸馏、推理加速提升“词元供给能力”。

落到业务上，效率改善已有可核验的样本。

工行远程银行坐席助手“工小慧”推动重点场景通话时长压降约10%，金融市场智能询价交易占比突破96%；其“AI智审”智能体上半年输出36万条合规审查意见，采纳率98.6%。

建行客户经理专属助理“帮得”上半年月活超4万人、累计交互近9000万次，使用成效较好的客户经理所管客户资产规模新增较全行均值高57个百分点；普惠业务辅助核查报告的全流程处理时长从2—3天缩至3小时左右。

中信银行授信尽调报告助手将财报与行业分析时长压缩80%，柜面智能助手业务预审成功率达96.06%；浦发银行前三季度数字劳动力累计承担4200人年工作量，系统AI覆盖率52%。

支撑这些的是真金白银。

2025年，13家披露相关投入的上市银行金融科技投入合计超1800亿元，工行285.88亿元、建行267.22亿元、农行256.47亿元、中行250.01亿元、招行129.01亿元。

沙丘智库调研显示，2026年已采用大模型的银行占比升至53.5%，2025年为39%。

03

成本账与监管线：Token首先是指出

用量叙事的另一面，是账单。

每一次调用都按Token计费，场景铺得越广，账单越厚。

招行首席信息官周天虹此前介绍，该行成本侧统计研发人员投入与Token成本两项，测算大模型成本收入比约20%，“AI贡献比”从2025年末的1:13.5提升至今年5月的1:9。

行长王小青在中期业绩会上的表述更为直接：智能化不一定直接体现为财报收益，甚至阶段性体现为支出和成本。

工行金融科技部相关负责人则在三季报业绩会上称，科学量化AI投入产出仍是业界难题，该行正建立覆盖事前价值研判、事中成本收益度量、事后评估与低效退出的全过程体系。

海外的反思来得更早。今年4月，Uber向约5000名工程师开放编程工具后四个月用尽全年AI预算；随后亚马逊叫停内部AI使用量排名，Meta亦主动遏制“Token-Maxxing”倾向。

国内已有银行在管理层会议上要求大模型与智能体研发尽快建立投入产出评估机制。行业内部也开始出现对“用量即成效”的修正——工行方面公开表示，看重的不是Token总量的绝对值，而是单位Token创造的价值。

约束同样在收紧。

今年6月，金融监管总局发布《关于银行业保险业人工智能安全开发应用的指导意见》（金发〔2026〕8号），要求以提升业务价值为导向规划AI投入、平衡成本与效益；涉及资金交易、资产评估、信贷审批、承保理赔、风险管理等与客户利益直接相关的场景被界定为高风险应用，须经风险管理委员会批准，可解释性不足的技术在高风险场景仅能作为辅助工具，由人工作最终决策。

这也解释了当前落地的结构性特征：多数智能体集中于内部助手、客服辅助、信贷材料处理等低至中风险环节，自主执行核心交易的案例仍然稀少。

04

结论

“百亿Token”确是一个真实的里程碑：它意味着银行AI已经从PPT和展台走进日均数百万次调用的生产系统，从试点期进入规模化运行期，这是不必怀疑的产业进度。

但Token本质是投入指标而非产出指标——它衡量烧了多少算力，不衡量赚了多少钱。

招行800亿、工行600亿之后，市场真正要追问的是三件事：单位Token创造的价值能否持续抬升，等效工时与效率改善能否穿透为收入与利润，以及在高风险场景的人工最终决策约束下，AI能替代的流程边界究竟能推到多远。

用量的军备赛已经分出领先者，效益的考试才刚开卷。