银行的 AI 大考：从“能不能用”到“能不能过审计”，敢过这一关的只有 18%

卡点不在模型能力，在谁签字、拿什么签

Databricks于 2026 年 9 月 9 日发布了这篇博客，标题是《Five AI Questions We're Hearing from Financial Services Leaders》（我们从金融服务行业领导者那里最常听到的五个 AI 问题）。博客的开头是一组对句：去年在法兰克福的 Sibos，大家问的还是 AI 到底有没有用；今年到了迈阿密，问的变成了你的 AI 能不能赢得你的信任。

这个转变背后是两组调查数据。Grant Thornton（致同会计师事务所）的 2026 Banking Insights AI Impact Survey（银行业洞察 AI 影响调查）显示，一半的银行高管表示治理与合规已经在限制 AI 的表现。同一调查中，只有 18% 的银行高管表示有信心通过对 AI 控制的独立审计——也就是接受外部来检查自己管 AI 的那套控制措施。Databricks 与《经济学人》旗下研究机构 Economist Enterprise 合作的 2026 报告《Making AI Deliver》（让 AI 落地）发现，不到一半的组织对能自主行动的 AI 系统有正式的强制治理要求。

这就是金融 AI 当下的核心矛盾：模型能力已经够用，真正卡住项目的是监管对每一步决策的要求——能追溯、能审核、能复现。大多数试点项目证明了模型能做什么，却没有证明模型做了什么、怎么做的、谁审核过。

这三个数字的来源需要先说清楚。两项调查的原始报告均未公开，样本规模与调查方法无从查证；其中一项研究的合作方正是 Databricks 本身，而这篇博客本身是会议前的议程预告。它们能说明这是一个被反复问到的缺口，不能说明缺口具体有多大。

同一次调查里的两个答案：50% 与 18%

签字这件事，最先卡住的角色是财务团队——他们卡在哪一步？

财务团队能从“出报表”走到“做决策”吗？

第一个问题来自财务团队。让模型写一份报告不是难点，难点是让受治理的数据支撑财务每天都在做的那几类判断：资产负债表、流动性、支出和运营。

Databricks 给了一个具体场景：资金主管每天都要问，我们现在每个法人、每种货币的真实流动性到底是多少。这个问题本来不该靠三天拉表来回答。

展位上的演讲《Trapped Capital, Released by AI: Reconciliation Your Regulator Can Audit》（被困住的资本，由 AI 释放：监管者能审计的对账）讲的是更靠后的一段链路。它先找出总账和风险系统之间对不上的部分——这些数据断点会悄悄抬高风险加权资产——再带着证据去查，把被锁住的监管资本释放出来。整个过程由人工双人复核把关，并留下审计员能一步步跟着查的轨迹。

另一场闪电演讲的标题是 Tokenization Moved the Money. It Didn't Move the Hard Part（代币化搬走了资金，没搬走困难的那部分）。它要讲的是链下的运营怎么做：怎样让代币头寸、存款子账本和资金账户持续对齐，因为对账、金融犯罪控制和日内流动性管理仍然发生在链下。现场还会展示一套代币化存款的对账控制台。这是 Databricks 对“将要演示什么”的描述，还不是已经交付的客户结果。

对账能靠证据和复核来审，那更依赖人工判断的金融犯罪调查，AI 凭什么不失控？

反洗钱用 AI，凭什么不失控？

每条 AI 建议都得说得清四件事：用了哪些数据、给出了什么建议、有没有人复核过、事后能不能重建整个调查过程。Databricks 的回答是一句话：治理不能只写在政策文件里，得长进数据、权限和工作流里。

展位上的演示就是这么搭的。一个 agent在银行自己的数据平台上处理真实的 AML告警，它只能看到使用它的分析师有权看到的数据。它起草可疑活动报告（SAR），但最后报不报由人决定。每一步都留痕，记下 KYC/AML 证据和当时运行的是哪个模型。Databricks 对这件事的总结是：要证明 AI 做了什么，而不只是证明 AI 能做什么。

公开场次在 2026 年 10 月 1 日星期四上午 11:00，地点是 Discover Stage（展区演讲台），主题是 How financial institutions are governing AI in financial crime operations（金融机构如何在金融犯罪运营中治理 AI）。参会方里有一家未公开名称的大型金融机构，会和 Databricks 同台，讲怎么从规则检测转向自适应的 AI 金融犯罪情报，落点在审计轨迹、可解释性和风险委员会的信任。

反洗钱 agent 的四道留痕环节

面向客户的岗位，AI 到底减掉了什么？

第三个问题问的是银行家、顾问和投资团队能拿到什么帮助，Databricks 在这一问上给了具体案例。加拿大皇家银行旗下的英国财富管理公司 RBC Brewin Dolphin 用生成式 AI 自动准备客户复盘会的材料，Databricks 称每年省下约 4,700 小时。

另外两家机构走得更远，但都没有披露名称。一家全球资产管理公司用多智能体工作流为数百只基金生成投资评论，合规人员全程留在流程里，顾问因此能覆盖到更多基金。另一家把自有的基金评分和内部文档合到一起，几秒钟就能产出可直接审计的投资组合分析，把团队原本没时间找的机会翻了出来。

这一问的落点是分工。目标是把决策周边的工作量降下来，让人把时间放回判断和客户关系上，而不是替人做高价值决策。衡量这类 AI，看的是它清掉了多少准备工作——尽调材料整理、会前信息拼接、跨系统反复查询——而不是它替人做了多少决定。4,700 小时来自客户自述，计算口径未做说明，不宜视为行业均值。

减掉准备工作之后，数据本身要多快才能被用上？

实时数据一定要把架构再复杂一遍吗？

Databricks 的判断是：多数机构并非没有数据，问题在于数据散落在不同系统、被批处理拖慢，很难在合规可控的前提下用起来。所以真正要问的是数据到达决策点有多快。

它举了一个例子：交易银行负责人问，我们刚刚为什么拒了一笔好交易。这类问题要的是分钟级的速度，隔夜批处理给不了答案。

全文只有一个量级参照：Coinbase 在 Databricks 上运行实时欺诈检测，P99延迟低于 100 毫秒。这个数字说明“实时”在金融反欺诈里要做到什么程度——亚百毫秒级，秒级不够用。Databricks 没有给测试条件、负载规模和时间段，也没有客户案例可以对照；换到自己的负载下是否成立，无法据此判断。

快起来之后，账单会变成什么样？

用量上去以后，AI 到底花多少钱？

Databricks 承认，AI 的花费在试点里看着不多，进了生产完全是另一回事。它引用一位 CFO在最近一次彭博 CFO 简报会（Bloomberg CFO Briefing）上的说法：2026 年上半年 AI token支出还是一个“微不足道的数字”；他同时说，并不是每个任务都需要最贵的模型。Databricks 紧接着补上自己的判断：这个数字不会一直微不足道——不只这家银行，任何机构都一样。

难就难在两件事同时发生：单位成本在降，用量在涨。用量涨得比单价快，账单就会在某个拐点失控。而银行对成本的容忍度远低于科技公司，每一笔支出都要说得清回报。

所以成本纪律要在还没花到看不清之前立起来。Databricks 在另一篇博客《Managing AI Coding Costs at Scale》（大规模管理 AI 编码成本）里，列了工程团队已经在用的几个办法：按任务把请求分给不同价位的模型，把花费做成随时能看的指标。可迁移的部分是那个时间判断：成本纪律要在铺开之前就装上计量表，等账单出来再管已经晚了。

五道问题各在各的领域，背后是不是同一个障碍？

五个问题，一个答案：缺的是可审计的操作层

把五个问题放在一起看，它们指向同一套能力。财务团队要的是一条能追踪数据来源、有人复核、留下审计轨迹的决策链。反洗钱团队要的是一套每一步可追溯、最终由人提交的调查工作流。面向客户的岗位要的是一个能更快拿到正确信息的助手。实时数据要解决的是数据到达决策点的速度，成本要解决的是账单可见和按任务分级。

五个问题共享同一个障碍。银行缺的不是更聪明的模型，是一层可审计的操作层——数据权限、工作流和审计日志长在同一套工程里，而不是事后补出来的一份合规文档。模型能给出答案，但监管要的是答案从哪来、用了什么数据、谁审核过、能不能复现。

这一点可以用一个类比来理解：汽车的安全来自安全带、刹车和安全气囊这些嵌进车身结构的设计，随车手册里写一句“请注意安全”并不产生安全。AI 治理的位置也一样，它得长在工程里。

判断一个金融 AI 项目走到哪一步，可以拿五问自检。每一步 AI 决策要能追溯到具体数据，关键环节要有人工审核节点，审计员要能回放整个过程，数据要跟得上决策点的速度，成本要按任务类型做路由。五条都能答上来，才算走出了试点。

同一件事的试点做法与生产要求

这些问题会在哪里被当场回答？

Databricks 把它们都指向同一场会议：Sibos 2026 于 2026 年 9 月 28 日至 10 月 1 日在 Miami, Florida（美国佛罗里达州迈阿密）举行，场馆是 Miami Beach Convention Center（迈阿密海滩会议中心），展位 #DISL25，今年的主题是 Digital finance for AI-driven economies（面向 AI 驱动经济的数字金融）。

可以排进日程的有三件事：10 月 1 日 11:00 在 Discover Stage 的金融犯罪治理场；9 月 30 日 10:30 在 Microsoft 展位 #H068 的 Microsoft & Databricks 联合场；以及展位上的现场演示，Databricks 点名了AML 告警 agent 和代币化存款对账控制面。活动页还写明，闪电演讲 15 分钟，之后紧接 15 分钟公开问答；现场安排高管会议，话题覆盖金融服务业 AI agent、AI 治理、平台策略、智能文档处理和实时数据架构。

日程与场次均出自 Databricks 官方页面，会议实际内容要到现场才能确认。对不在迈阿密的人来说，真正能带走的是这五个问题本身：问题多半是真实的行业痛点，值得当清单用；答案则指向供应商自己的产品，未必是唯一解。今年银行问的已经不是 AI 行不行，而是敢不敢让审计看它做过的每一步。

Sibos 期间与这五问相关的节点