6 月 25 日，招商银行召开股东大会，在银行业探索人工智能落地的背景下，招商银行相关负责人周天虹在会上就大模型技术的投入产出、业务赋能及战略考量给出了解答。

周天虹将这一轮技术突破视为 " 工业革命级别 "，但他同时指出，正如蒸汽机、内燃机等历史上的技术演进，从技术面世到引发社会层面的实际变化，需要一个过程。

目前，这项技术已在招行内部产生明确的业务影响：

周天虹分享了一组数据：招行 AI 处理业务对应的工时与人类员工实际投入工时的比值，已从去年底的 1:13，提升至今年 5 月底的接近 1:9；

其中，零售领域的部分场景应用效果较为明显。

随着今年以来基础模型（Foundation Model）和智能体（Agent）技术的快速演进，招行正持续分析技术在不同业务领域的应用潜力；

考虑到银行业受严格监管、对工作严谨性要求高的特征，相关应用保持着持续检视与改进的节奏。

在一家员工规模超 10 万人的企业中全面推广大模型，防范 " 高投入低产出 " 是管理层的首要考量。

周天虹透露，招行在提出 "AI First" 战略前，已在科技条线建立了一套相对完整的成本收益度量体系。

在这套体系下，成本端被细分为研发人员投入及 Token 费用；收益端则建立了六个维度的度量体系。

据周天虹测算，当前招行在大模型方向的成本收益比维持在 20% 上下，即 " 投入 20 元可创造 100 元收益 "。

虽然成本数据能够做到精准核算，但在业务价值链复杂的银行业，收益的精准度量依然是一项复杂的工程。

今年以来，招行仍在进一步审视收益度量的算法、数据来源与数据质量。支撑这一探索的是招行每年约 130 亿元的科技总投入，目前算力采购在总盘子中的占比并不高，后续在 AI 算力上仍有追加投入的空间。

在具体的资源分配上，招行展现出差异化的策略，对大模型编写代码保持审慎。

周天虹以近期广受关注的 Uber 案例指出，超出预算的 Token 消耗往往发生在代码编写环节，而非业务部门的实际管理应用；

他认为，尽管大模型改变了软件研发模式，但现阶段仍存在基础性技术障碍，大模型在处理大型软件架构时表现偏弱，且容易生成难以阅读的 " 面条式代码 "，随之而来的性能及安全问题仍待解决。

海外科技公司如微软、亚马逊此前在内部推行的 "Tokenmaxxing"（Token 利用最大化）政策，近期也处于反思与调整阶段。

基于这一趋势，周天虹明确招行在内部软件开发上采取 " 积极跟进、审慎应用 " 的策略。

当前，招行用于大模型编程的算力投入，仅占总算力的 5%。

相较于代码开发的克制，大模型在业务端的应用正迅速起量，周天虹透露，截至 5 月底，主要由业务部门产生的 Token 日均消耗量已达到 330 亿。

明确投入边界与应用侧重点后，招行的长期目标并未改变。

周天虹表示，招行有一个清晰的愿景，即 " 打造一家智能银行 "。在实现这一目标的过程中，相关的配套指标与管理体系，仍处于持续细化与深化之中。