想知道 AI 到底在真实经济里干了多少活？别去看科技公司的发布会，去翻银行的半年报就行。
今年，词源数据写进了半年报，某银行首席信息官也在近期股东会上公开了截至 5 月底日均 330 亿的数字。银行开始更系统地给 AI 的工作量记账，外界也能顺着一组组经营数据，看清 AI 在一个真实行业里到底干了多少活。
那AI 在银行不是花架子？
一个词源对应多少字没有定数，不同模型、模态、算法都不一样，但全国的 “电表” 走得飞快。
AI 调用量从 2024 年初的 1000 亿涨到 2025 年底的 100 万亿，今年 3 月突破 140 万亿。这么大的用量，有多少真正变成了生产力？银行恰好是能看清答案的地方。
AI 在小场景里跑得快，可能只是一段漂亮的演示，放进每天成千上万笔业务里还能稳稳跑，才叫真落地。
但有银行用 AI 加远程再加线下的服务模式，为近 820 万大众客户提供 7×24 小时服务。邮储银行的货币市场 AI 交易机器人 “邮小助” 和交易员助理机器人，累计处理交易总量超过 12 万亿元。
量一大，AI 哪怕只让每一笔快一点，累积起来也是实打实的变化。反过来，出一点毛病也会被同样放大。
这些活的共同点是读大量材料、抓关键信息、给出判断，正好撞在大模型最擅长的方向上。
中国银行的中期披露很能说明问题，AI 票证识别与审核累计支持 305 种票证，用自动化手段替代重复工作的场景超过 3800 个，月均执行任务近 30 万次，构建的智能化助手超过 2200 个。
最后看门道，别光看调用量，要看真价值。
更关键的是，银行的很多效果可以直接计时、计量。工商银行私人银行综合金融服务方案的生成时间从 5 天缩短到 3 小时。部分运营流程单笔处理速度比人工快 25 倍。
江苏银行中小企业线下授信审批时间缩短 30%。AI 相关应用累计替代 120 万工时。邮储银行自助设备用数字人辅助人工审核，人工作业效率提升 40%。平安银行跨境放款效率较去年末提升约 30%。招商银行 AI 提效带来 1388 万小时等效人工工时贡献。
很多消费级 AI 应用说自己好用，很难量化。但银行的流程快没快、准没准，是有表可查的。
当然还有一层门槛，银行是强监管、高风险行业。
聊天机器人答错一句话，大不了重问。但银行的 AI 审错一笔账、漏掉一条可疑交易，后果是真金白银和合规责任。所以在银行，AI 从测试版走进生产流程，要过的关比普通场景高得多。
平安银行的消保智能审查覆盖率超过 91%，140 个运营审核类智能体已经在反洗钱尽调、账户审核、资金清算、跨境汇款这些环节上岗。
工商银行用 AI 辅助合规审查，让审查人员的风险揭示能力提升 130%。能在这种地方上岗，本身就是一种认证。
那银行晒出来的词源数据该怎么读呢？
实际上AI 用得勤不勤，大致看两件事：调用了多少次，每次读进写出多少词源。
词源多也不代表 AI 更强、利润更高，甚至不代表成本效率更好。
所以真正聪明的做法是，一边把 AI 用量做大，一边想办法让同样的算力把这些词源跑得更省、更快。
回头看，AI 商业化摆到台面上的指标已经换了几轮：最早大家晒模型，后来晒场景，今年连词源也开始被搬进经营披露，看 AI 到底用到了什么规模。
下一轮真正该比的是单位投入能换回多少真实业务价值。投入端是算力、模型、推理、数据、研发和安全合规。产出端是节省的工时、缩短的处理时间、扩大的服务能力、更高的营销效率、更少的风险损失、更快的研发以及可能的新收入。
一个好用的问题是，每 100 万词源到底创造了多少有效业务价值呢？这是理解问题的思路，不是银行已经在用的财务公式。银行之所以是观察 AI 商业化最好的窗口之一，是因为它是一张最严格的考卷：流程能计时，结果能对账，出了错有人担责。
模型比过了，场景比过了，词源也晒出来了。接下来真正要比的，自然就是每一个词源在这张考卷上拿回了多少真实价值。
