作者｜沙丘智库研究团队
来源｜沙丘社区（www.shaqiu.cn）
近年来，银行业在人工智能领域的投入持续攀升，其中生成式人工智能相关投入增速尤为突出。IDC 数据显示，2025 年中国金融行业生成式人工智能投资规模约为 89.68 亿元，预计到 2029 年将达到 445.19 亿元，年复合增长率超过 49%。
随着投入规模不断扩大，项目风险逐步显现，银行各层级对项目价值的要求也显著提高。早期项目的价值说明往往停留在节省工时、提高效率等中间环节，而当前企业高层和业务部门更关注最终的、可落地的业务与财务成果。例如在客户体验维度，不再满足于“客服响应速度提升50%”，而是要求“客户投诉率下降20%”、“零售客户留存率提升15%”等实际结果；在财务维度，不再认可“信贷审批时间从 3 天缩短至 1 小时”这类效率指标，而是需要看到“不良贷款率下降0.3%”、“中间业务收入增加2亿元”等直接贡献。
因此，如何为人工智能项目选择合适的投资回报指标、清晰阐明业务价值，进而获得各业务部门的支持，成为银行科技管理部门面临的核心问题。而指标选择的难点主要源于两大行业共性障碍：
第一，行业内对人工智能的过度炒作。自 2023 年大模型技术爆发以来，“不做人工智能就会被淘汰”的焦虑情绪在行业内蔓延，部分银行盲目跟风上马项目，却没有明确的业务目标。一些高层对技术的预期严重脱离实际，提出了难以实现的短期回报要求。
第二，供应商普遍夸大产品效果。人工智能市场竞争激烈，部分厂商为获取订单，经常做出“替代 80% 人工”、“审批效率提升 10 倍”等过度承诺，但实际落地后效果往往只能达到承诺的 20%-30%，导致银行对技术价值产生怀疑。
在《银行业人工智能项目ROI指标制定指南》中，沙丘智库提出基于业务成果的ROI量化方法。
当前银行业的人工智能项目中，绝大多数属于优化现有工作流程、产品与服务的流程优化类项目。这类项目的价值量化是银行投资决策的核心依据，应遵循以下两大步骤制定投资回报指标：
第一，锚定各层级核心经营目标。银行所有经营活动的核心诉求始终围绕五大长期目标展开——提升收入、降低成本、优化客户体验、管控风险、提高生产力。将人工智能项目的价值与这些已被广泛认可的目标直接关联，是实现价值量化最直接、最有效的方式。
第二，建立“AI赋能工作->业务成果提升”的价值传导链条。AI的核心价值不在于技术本身的先进性，而在于通过赋能员工的关键工作活动最终转化为可量化的业务成果，其价值等于员工使用AI工具后企业整体业务成果的净提升幅度。具体而言，银行需先识别每个AI用例所支持的具体岗位，再明确AI能够优化的核心工作环节，最终量化这些环节优化带来的业务变化。
在构建和应用价值评估体系的过程中，需要警惕两个影响价值评估有效性的常见认知误区：
第一，盲目构建独立的人工智能价值评估体系。部分人员错误地认为需要为AI构建一套独立的ROI指标体系，例如用对话量、模型准确率、参数规模、项目上线数量等技术指标衡量价值，但却忽略了这些指标与核心业务成果的关联，最终陷入“技术自嗨”，未能创造实际的业务价值。正确的做法是优先复用银行已运行多年、各部门共识度高的传统核心业务指标，只有当现有指标无法覆盖AI的独特价值时，才补充少量辅助指标，且所有辅助指标必须能够最终指向核心业务成果。
第二，认为价值评估会制约技术创新。银行实行严格的年度预算审批制度，任何项目若1-2年内无法拿出可量化的成果，下一年度预算必然被削减；中小银行IT预算有限，普遍缺乏无限期试错的资本，一次失败的AI投资可能导致全年数字化转型计划停滞。同时，银行业的技术创新以快速跟随式为主，多数赋能型AI用例已被行业标杆验证过可行性，不存在需要长期探索才能看到价值的情况。事实上，合理的价值评估不仅不会制约创新，反而能筛选出真正有价值的项目，将有限的资源投入到能够产生实际回报的方向。
*更多生成式AI研究可前往“沙丘智库”小程序查阅
*有任何需求可咨询客服微信：zimu738