金融AI投入五年翻四倍，但收入端还没等到回报

本文解读：《2026AI时代下的金融科技发展洞察报告-艾瑞咨询》 · 共 54 页 · 原文

金融机构对AI的投入正在加速，但回报仍偏在成本端。艾瑞这份报告给出的账很直白：2025年中国金融 机构AI类产品投入约144.0亿元，2030年预计579.2亿元，五年年复合增长率32.1%。

钱花在哪儿也有答案。80.6%的受访机构投入在应用层改造，77.8%投入算力基础设施，人才团队建设 61.1%，外部采购服务55.6%，数据治理只有50.0%，基础大模型投入52.8%。

价值的感知却不平衡。86.1%认为AI提升了人效与流程效率，75.0%认为降低了人力与运营成本， 但认为带来收入与利润增长的只有25.0%。

这份报告最有用的地方，是把“买了什么”和“得到了什么”分开问，中间那段落差讲得很清楚。

省下的人力成本能算清，多出来的收入还没算清。

图源：《2026AI时代下的金融科技发展》（第1页）

一、谁在推着银行做AI：高层比客户更急

调研样本为108家金融机构的科技或IT部门决策者，覆盖国有大行、股份制银行、城商行、保险与证券。 推动因素排名前三的都是内部和同业压力，而不是客户需求。

高层战略推动占80.6%，排第一。报告的解释是，金融机构业务链条长、数据体系复杂，安全合规要求 又高，AI的深度应用不是单个部门能完成的事，需要管理层统筹方向、资源和机制。

降本增效压力占75.0%，是第二直接的动因。传统依靠人工处理和流程驱动的模式，在效率、成本和 响应速度上都开始显出局限。

市场竞争占72.2%，同业示范效应占61.1%。同业已经在智能客服、智能风控、智能投研形成可见成效， 会降低其他机构对风险和收益的不确定性判断。

反倒是客户需求升级只有41.7%，技术条件成熟55.6%。报告判断，技术本身不是唯一原因，它的作用 在于降低落地门槛，而不是单独“推动”机构上AI。

客户还没开口要，同行已经做完，这构成了最真实的压力。

图源：《2026AI时代下的金融科技发展》（第2页）

二、144亿到579亿，2028年后增速回落

投入规模的曲线值得看清节奏。2025年144.0亿元，2026年190.4亿元，2027年261.2亿元，2028年 352.6亿元，2029年455.6亿元，2030年579.2亿元。增速是逐年放缓的：2026年37.2%，2027年35.0%，2028年29.2%，2029年27.1%。2026到2028是快速 放量的阶段，2029年后随着早期试点完成、项目ROI要求提高，预算审批趋于理性。

报告提炼出三条背后逻辑。第一，应用从工具采购转向能力建设，机构不再只买单点产品，而是围绕 模型、数据、平台、智能体和业务系统改造做组合投入。

第二，预算从技术部门向业务部门渗透，风控、营销、客服、投研、核保理赔等条线会成为新增预算的 重要来源。第三，市场从高预期驱动转向价值验证驱动。项目能否形成稳定效果、可复制场景和可衡量收益，将 决定后续投入能否持续扩大。

增速掉下来不是降温，是考核方式从“有没有做”换成“值不值”。

图源：《2026AI时代下的金融科技发展》（第3页）

三、自研加外采，但“自研”不等于从零做起

能力建设路径的结果很有信息量。47.2%的机构自研为主、外采为辅，44.4%外采为主、自研为辅， 完全外采只有8.3%，完全没有纯自研的机构。

这两种路径占比接近，说明行业尚未形成统一样板。机构会根据技术基础、数据资源、预算规模、业务 复杂度和合规要求自行组合。

更关键的是一组对照：在选择“自研”的机构里，72.7%认为基于开源模型二次开发更接近本机构的理解， 42.4%认为是采购闭源模型二次开发，只有18.2%认为是完全自主研发。

报告还有一处细节：自研含义的选项票数加起来超过100%，说明是多选题。不能把它读成三选一的比例 分布。结论就清楚了。金融所说的自研，主要指模型改造、场景适配和工程化落地，而不是从底层架构和数据 从头训练。

在金融业，自研的意思是把开源模型调成自己的，不是自己造一个。

图源：《2026AI时代下的金融科技发展》（第4页）

四、外采要快，但要部署在自己可控的机房里

外采的原因很集中：86.1%选择加快落地速度，80.6%选择供应商有成熟行业方案，排在后面的才是降低 研发成本69.4%、缺乏技术人才63.9%。

这意味着外采的第一诉求是效率，不是省钱。安全合规只占30.6%，报告的解释是，它并不构成选择外采 的理由，而是所有外采都必须满足的前置条件。

落地方式的数据更值得注意。75.0%选择私有化本地部署，定制化项目开发47.2%、混合云38.9%、 低代码或无代码平台36.1%、联合共建25.0%，公有云SaaS或API订阅只有16.7%。

私有化和后几项加起来，说明机构并不追求即插即用的标准化采购，而要求产品适配自己的业务流程、 数据体系和系统架构。

联合共建只有25.0%也很有说服力。相较从零与厂商共建，机构更愿意基于成熟产品做场景适配。

模型可以外采，数据和客户记录不能离开自己的机房。

图源：《2026AI时代下的金融科技发展》（第5页）

五、选供应商的顺序：安全、懂行、稳定、便宜

报告把供应商能力按优先级排了序：安全合规能力高于金融行业落地经验，高于技术能力，高于商业 合作能力。

安全合规里，数据安全约86%排第一，AI合规与可解释性约61%。前者决定机构敢不敢把AI接进真实业务， 后者关系到风控、授信、理赔等场景能否接受业务人员复核和监管审视。

落地能力里，金融行业落地经验约83%，仅次于数据安全；定制化开发能力约50%。机构要的不是通用问答 或文本生成，而是理解信贷审批、核保理赔、投研分析的具体业务逻辑。

技术可靠性里，模型性能与系统稳定性都约64%。报告特意指出，模型性能并未超过数据安全和行业经验， 说明机构对“模型更强”已经不再买账。

商业合作能力排在最后：实施成本约44%、售后服务约36%、品牌信誉约33%。成本影响的是部署范围和 推进节奏，不是准入门槛。

模型性能排在第三档，说明买的是能落地的方案，不是评分榜。

图源：《2026AI时代下的金融科技发展》（第6页）

六、大模型是底座，智能体是往流程里走的那一步

工具渗透率给出了当前的技术底座：大模型86.1%，智能体63.9%，机器学习61.1%，数字人47.2%，语音与 知识图谱各33.3%，计算机视觉27.8%。大模型的优势在高文本、高知识密度的场景，智能客服、内部知识问答、合规审核辅助、投研报告生成 是典型落点。

智能体则不同，它能做任务拆解、工具调用、流程编排和多步骤执行，典型场景是信贷尽调助手、理赔 流程助手、投研工作流、跨系统业务办理。

机器学习的位置也不能忽略。它在信用评分、风险预警、反欺诈、保险定价这些场景里稳定性和可验证性 更强，是结构性数据的老底盘。

报告对应用阶段的判断是：低风险高频场景先自动化，关键流程辅助决策，再往高价值场景的人机协同 决策走。现在多数机构停在第一层和第二层之间。

大模型回答的是问题，智能体接手的是任务，后者才进流程。

图源：《2026AI时代下的金融科技发展》（第10页）

七、三类机构的痛点，指向同一个词：算不清

银行的痛点最集中：77.8%认为监管合规标准模糊，模型输出幻觉与数据安全隐患各55.6%。银行AI已经 接入贷前预警、信贷尽调、风控审批辅助，模型建议能否作为审批依据需要有明确规则。

保险排第一的是专业人才缺乏73.3%，投入产出难以量化66.7%，模型输出幻觉53.3%。保险要的是单案 成本、理赔周期、欺诈拦截金额这类可量化指标。

上面引用的数据都能在原文里找到出处，报告放在运营动脉（www.yydm.cn），搜标题即可。

遇到统计口径不一致的地方，回原文核一眼，比对两三篇二手解读要快得多。

证券更难。专业人才缺乏与数据安全隐患各91.7%，投入产出难以量化与模型幻觉各66.7%。投研、投行 尽调、合规初审的输出都需人工判断，数据一旦泄露会直接变成客户流失或策略暴露。

三家共同指向同一件事：AI的收益分散在不同条线。风控看预警提前量，信贷看审批效率，客服看转人工 率，运营看流程自动化，科技部门看研发效率，谁都能说好，但没有统一口径。

报告提到一个侧证，银行AI投入已接近信息科技预算的20%，投入越大，管理层越需要一套可比较、可 复盘的价值评估体系。

每个部门都能证明自己省了钱，合起来却没人能算清总账。

图源：《2026AI时代下的金融科技发展》（第16页）

八、下一步拼的是Know-how，不是模型参数

报告给出三条演进判断。第一是应用从单点提效走向流程重构，高价值场景进入人机协同决策阶段， 银行的客户经营、保险的核保理赔、证券的投研支持都是增量所在。

第二是商业模式从产品交付走向RaaS结果即服务，服务收入与AUM增长、营销转化率、运营成本下降等 业务成果绑定，未达约定基线则按比例减免。

这个判断的依据就在调研数据里：约61%的机构认为痛点是投入产出难以量化，约89%希望供应商提供 场景化落地方案。只有长期深耕的厂商才能给出可量化的方案。

第三是可信治理从结果校验走向内生治理。数据可控使用、平台化治理、AI运行过程可控这三层能力， 会成为AI进入核心业务的门槛。

报告最后用“金融为本、技术为用”概括评选原则，30多位专家从行业深耕、技术输出、服务、生态四个 维度评估。完整问卷口径与榜单都在运营动脉 （www.yydm.cn）上，搜报告名即可打开。