银行为什么不让大模型直接碰钱？从宁波银行拆解现代银行AI技术架构

银行为什么不让大模型直接碰钱？从宁波银行拆解现代银行AI技术架构

如果你以为银行做 AI，就是：

大模型 + RAG + 知识库 + 智能客服

那其实只看到了最表面的一层。

真正值钱的银行 AI，已经开始进入：

授信、风控、营销、反欺诈、交易分析、客户经营和信贷审批。

但有一个很有意思的现象：

越成熟的银行，越不会让大模型直接碰钱。

客户可以对 AI 说：

“我要给供应商付 300 万，再给我安排一笔 90 天融资。”

但真正执行这笔交易的，绝不会只是一个 LLM Agent。

它背后实际上可能经过：

LLM ↓ 意图识别 ↓ 业务编排 ↓ 客户数据查询 ↓ 授信系统 ↓ 风险模型 ↓ 规则引擎 ↓ 权限校验 ↓ 审批流程 ↓ 核心交易系统 ↓ 会计记账

这才是现代银行真正的技术架构。

最近研究宁波银行的新一代信贷系统后，我越来越觉得：

银行可能是今天最值得研究的企业级 AI 落地样本之一。

因为它几乎把大型企业 AI 最困难的问题全部遇到了：

• 海量数据；
• 复杂业务流程；
• 强监管；
• 高风险决策；
• 实时交易；
• 多系统协同；
• 权限体系；
• 审计；
• AI 与确定性系统协同。

本文就以宁波银行为例，拆一下现代银行真正成熟的 AI 技术路线。

一、先纠正一个误区：银行不是一个“大软件”

很多人第一次看银行 IT，会把它理解成：

手机银行 ↓ 后台系统 ↓ 数据库

实际上完全不是。

一家现代银行本质上是一个巨大的：

资金配置 + 风险控制 + 交易执行系统。

里面至少同时存在：

存款系统 贷款系统 支付系统 清算系统 总账系统 授信系统 信用卡系统 票据系统 外汇系统 客户系统 风控系统 反洗钱系统 营销系统 数据平台

而且其中很多系统已经运行十几年甚至几十年。

所以银行做 AI 面临的第一个问题不是：

“哪个大模型最好？”

而是：

AI 怎么安全地进入现有业务系统。

这两件事的难度完全不是一个数量级。

二、以宁波银行为例：现代银行正在形成六层架构

如果把今天成熟银行的系统抽象一下，大致可以分成六层：

┌──────────────────────────┐ │ ① 用户交互层 │ │ APP / 网银 / 客户经理 / AI │ └────────────┬─────────────┘ ↓ ┌──────────────────────────┐ │ ② 业务编排层 │ │ BPM / Workflow / API │ │ Rules / Event Bus │ └────────────┬─────────────┘ ↓ ┌──────────────────────────┐ │ ③ 智能决策层 │ │ LLM / ML / RAG / Agent │ │ 风控模型 / 知识图谱 │ └────────────┬─────────────┘ ↓ ┌──────────────────────────┐ │ ④ 数据层 │ │ 客户 / 交易 / 征信 / 财务 │ │ 发票 / 税务 / 行业 / 行为 │ └────────────┬─────────────┘ ↓ ┌──────────────────────────┐ │ ⑤ 核心交易层 │ │ 存款 / 贷款 / 支付 / 总账 │ │ 授信 / 清算 / 票据 │ └────────────┬─────────────┘ ↓ ┌──────────────────────────┐ │ ⑥ 基础设施层 │ │ 云原生 / 分布式 / 数据库 │ │ 容器 / 灾备 / 信创 │ └──────────────────────────┘

与此同时，还有一条东西贯穿所有层：

安全 权限 审计 合规 监控 数据治理 模型治理

这才是真正的金融级 AI。

宁波银行公开披露的新一代信贷系统，就已经明显体现出这种路线：

中台一体化架构

• 信创
• 云原生
• 风险管控
• AI 大模型

它不是在原来的贷款系统旁边加一个聊天机器人。

而是在重新构造：

整个信贷业务的数字基础设施。

三、银行最重要的架构原则：AI ≠ Control System

这是我认为企业做 Agent 最应该从银行学习的一点。

假设客户说：

帮我贷款 500 万买原材料。

最危险的架构是：

用户 ↓ LLM ↓ 调用贷款 API ↓ 500 万到账

这种设计在真正的金融系统里基本不可接受。

因为 LLM 本质上仍然是概率模型。

而钱、权限、额度、会计和监管要求的是：

确定性。

所以成熟架构一定会形成一道边界：

AI 区域 自然语言 ↓ LLM ↓ 理解需求 ↓ 分析资料 ↓ 形成建议 ↓ 规划业务流程 ======================== 确定性控制边界 ↓ 规则引擎 ↓ 风险模型 ↓ 授信额度 ↓ 权限判断 ↓ 审批流程 ↓ 核心系统 ======================== 资金执行

也就是说：

LLM 负责

理解 搜索 推理 总结 推荐 规划

Rule / Risk / Workflow 负责

判断 约束 审批 控制

Core Banking System 负责

执行 记账 清算 交易

这个边界非常重要。

四、银行最成熟的 AI，其实不是大模型

很多人讲金融 AI，第一反应已经变成 ChatGPT。

但实际上银行使用最成熟的 AI，是：

机器学习 + 风控模型 + 规则引擎。

例如一笔信用卡交易：

客户刷卡 30000 元 ↓ 设备 ID ↓ IP 地址 ↓ 地理位置 ↓ 商户类型 ↓ 历史交易 ↓ 时间 ↓ 客户行为 ↓ 机器学习模型 ↓ Risk Score = 0.91 ↓ 规则引擎 ↓ 是否拦截？

这里其实已经存在一个完整的：

AI Decision System

只是以前我们不把它叫 Agent。

而大模型现在正在加入这个系统，解决传统机器学习不擅长的问题。

例如：

阅读财务报告 理解合同 分析企业经营情况 阅读行业资料 总结客户经理访谈 分析非结构化风险 生成授信报告

因此未来最成熟的银行 AI 不会是：

LLM 替代所有模型。

而更可能是：

LLM + 传统 ML + 知识图谱 + 规则引擎 + Workflow + 核心业务系统

五、大模型真正改变银行的，是“人机交互方式”

以前银行员工操作系统：

打开系统 A ↓ 查客户 ↓ 打开系统 B ↓ 查流水 ↓ 打开系统 C ↓ 查贷款 ↓ Excel 计算 ↓ 打开系统 D ↓ 填审批单

未来可能变成：

“帮我分析一下 XX 公司过去两年的经营情况，并判断是否建议把授信从 3000 万提高到 5000 万。”

Agent 自动：

读取客户信息 ↓ 读取财务数据 ↓ 读取账户流水 ↓ 读取历史贷款 ↓ 读取供应链关系 ↓ 分析行业变化 ↓ 寻找异常 ↓ 调用风险模型 ↓ 生成授信分析

员工真正做的事情开始从：

操作软件

变成：

做决策。

这其实才是 Agent 对大型企业最大的改变。

六、最终可能出现“一句话银行”

如果再往前推一步，未来企业客户可能根本不需要理解银行产品。

现在企业老板需要知道：

流动资金贷款 银行承兑汇票 保理 供应链金融 信用证 票据贴现

但客户真正的需求其实只是：

“我要买货，现在缺 500 万，90 天以后能回款。”

未来 Agent 可以直接理解这个需求：

企业： 我要采购 500 万原材料， 预计三个月后回款。 ↓ Banking Agent ↓ 查询： 企业账户 历史流水 供应商 订单 合同 发票 授信 行业 回款 ↓ 计算方案： 流贷 vs 银承 vs 保理 vs 供应链融资 vs 票据 ↓ 选择资金成本最低方案 ↓ Risk Engine ↓ Rules Engine ↓ Workflow ↓ 人工授权 / 审批 ↓ Core Banking ↓ 执行

这个时候：

银行产品开始被隐藏。

用户不再需要学习银行内部复杂的产品结构。

用户只表达：

我要做什么。

AI负责把需求翻译成银行内部可以执行的金融流程。

这很可能是 Agent Banking 最值得期待的方向。

七、这和“一句话采购”其实是一回事

我之前做跨境供应链 AI 时，也做过类似的事情：

一句话采购 一句话申报 AI 开票 AI 申报合规 AI 优化关键决策节点

后来再看银行，会发现底层逻辑几乎完全一样。

传统企业软件是：

人适应软件。

ERP 告诉你：

点击这里；

填写那里；

选择这个字段；

提交审批。

AI Native 企业系统则会反过来：

软件适应人。

用户只说：

“帮我采购 100 台设备。”

系统负责将自然语言转换成：

Business Intent ↓ Structured Data ↓ Decision ↓ Workflow ↓ API ↓ Execution

银行其实也正在往这个方向发展。

八、为什么银行比很多所谓“AI Agent公司”更值得研究？

因为银行真正解决的是：

AI 如何进入复杂生产系统。

Demo Agent可以：

LLM ↓ Tool Calling ↓ 调用 API

但是大型企业真正的问题是：

如果模型判断错怎么办？ 谁有权限执行？ 如何撤销？ 谁审批？ 数据从哪里来？ 不同系统如何同步？ 规则发生变化怎么办？ 异常如何升级？ 所有操作如何审计？ 模型升级以后如何回归测试？ AI 和人的责任边界在哪里？

这些问题才是 Enterprise Agent 真正的壁垒。

九、工行的发展也验证了这条路线

宁波银行不是特例。

工商银行目前已经形成企业级金融大模型技术应用体系，并把 AI 向信贷、风控等核心业务推进。

其中非常值得关注的是：

智贷通

信贷智能体矩阵。

以及：

工小审

评审数字助手。

工行公开披露的企业级 AI 应用场景已经超过 2000 个。

同时，它的企业级智能风控平台已经覆盖大量风险决策场景。

这说明银行正在从：

AI 做客服

进入：

AI 做业务辅助

再进入：

AI 参与决策

但是：

核心资金执行仍然由确定性系统控制。

这条边界短期不会消失。

十、未来真正重要的不是 Agent，而是“AI 原生业务系统”

因此我现在越来越不看好一种思路：

给每个企业做几十个 Agent。

采购 Agent。

财务 Agent。

销售 Agent。

客服 Agent。

法务 Agent。

如果每个 Agent 都是独立的小岛，最终很容易重新制造一套新的信息孤岛。

真正值得做的应该是：

AI Interaction Layer ↓ Agent / Copilot ↓ Decision Layer ↓ Rule / ML / Risk Engine ↓ Workflow Layer ↓ API Layer ↓ Business Core ↓ Data

AI只是整个系统的一层。

真正的壁垒来自：

AI + 数据 + 流程 + 规则 + 权限 + 执行 + 反馈。

十一、最后：宁波银行真正值得我们学习的，不是“大模型”

研究宁波银行这类金融机构，我最大的感受不是：

银行也开始用大模型了。

而是：

真正成熟的 AI 系统，从来不是让 AI 独立工作。

它是在构造一个新的企业运行体系：

人 + AI + 规则 + 模型 + 流程 + 数据 + 核心系统

过去的软件主要解决：

记录业务。

ERP记录订单。

CRM记录客户。

财务系统记录凭证。

银行核心系统记录交易。

下一代 AI 系统开始解决：

理解业务、参与决策、组织执行。

因此企业软件可能正在经历一次非常重要的变化：

System of Record 记录系统 ↓ System of Intelligence 智能系统 ↓ System of Action 执行系统

而银行可能恰恰是最早把这三层真正连接起来的行业之一。

所以未来真正有价值的企业 AI 工程师，可能不只是会：

Prompt RAG Agent MCP 模型微调

而是能够理解：

业务流程 数据架构 决策系统 规则引擎 Workflow 权限体系 风险控制 事件驱动 核心交易 AI Governance

最后再把大模型放进去。

大模型可能会越来越便宜。

真正稀缺的，是：

知道该把 AI 放在哪个决策节点、允许它做什么、不允许它做什么，以及如何让它安全地进入真实业务系统的人。

这可能才是未来十年 Enterprise AI 最值得积累的能力。

参考资料

1. 宁波银行：新一代信贷系统建设项目相关公开资料
2. 中国工商银行：2025年前三季度经营情况及智能化风控相关公开资料
3. 中国农业银行：年度报告及智慧银行、大模型应用相关公开资料

本文讨论的是公开资料基础上的技术架构抽象，并非宁波银行内部完整技术架构披露。实际银行生产系统远比本文示意图复杂。