期盼许久的吴鹏，终于成功争取到了那笔IT（信息技术）投入预算。
作为一家中部农商行的IT主管，过去两年里，他频繁接收到业务端的投诉。比方说，传统集中式数据库面对业务数据量的爆发，已屡屡暴露出稳定性与性能瓶颈；它甚至扛不住业务合作方的大规模并发接入，部分高并发场景下账户被锁死，使得信贷等业务难以做到永不停机服务。
2026年4月，这家农商行召开董事会临时会议，决定拨出近千万元的专项资金，用来把存贷款这类核心系统的数据库架构整体切换为国产分布式数据库。
随后两个月，吴鹏与五家国内数据库公司展开了密集沟通，力图尽快敲定国产分布式数据库落地的具体技术路线。
不过，令他意外的是，当他把“追求轻量化本地部署、降低迁移成本、实现极简运维并提供厂商驻场服务”这些诉求摆出来后，其中三家中小厂商迅速打起了退堂鼓，只剩下两家头部玩家依然在提供国产分布式数据库本地化部署的解决方案。
“这些条件其实并不苛刻，不太明白中小厂为什么主动退出。”吴鹏有些困惑。
他解释说，相比四年前，银行对国产分布式数据库的性能与运维要求已经发生质的飞跃——如果说2022年银行主要关心分布式数据库“行不行”，那么如今他们的着眼点已完全转向“能否持续稳定运行、敏捷迭代、运维简便，以及投入产出最优化”。
IDC中国研究经理王楠向记者分析，一方面，头部厂商通过核心系统的国产分布式数据库本地部署成功案例不断积累，迁移工具与生态建设日趋完善，越来越受银行青睐；另一方面，大量中小型数据库企业在最重要的金融场景服务上难以破局，市场份额持续收窄，只能被迫离场。
IDC（国际数据公司）数据显示，随着更多银行加速推进核心系统数据库的“去IOE”，2025年中国金融行业国产分布式数据库本地部署市场规模攀升至20.2亿元，同比增长37.6%。过去一年有超过六十家中小数据库厂商退出了这一赛道。反观蚂蚁集团自研的原生分布式数据库OceanBase、金篆信科、腾讯云、华为云与阿里云等头部企业，合计市场份额则从2023年的86.9%上升到了2025年的90.9%。眼下，国内仍在运营的数据库厂商约一百家，这意味着过去一年间接近38%的企业已经离场。
“这也表明，金融业数据库服务产业早已告别了单纯的国产替代红利窗口，转而迈入能力、生态与场景三者叠加的复合竞争阶段。”王楠表示。在“AI+金融”浪潮的驱动下，开年以来银行还对国产分布式数据库提出了全新期待，那就是生成式AI（人工智能）需要与数据库走向深度融合。
银行已跨过“能跑就行”的阶段
为了更稳妥地完成核心系统数据库的更迭，吴鹏特意向多位银行IT负责人“寻访真经”。
对方毫不含糊地告诉他，这项工作远不是“把存贷款、转账、账户管理这类核心业务数据从一套库搬到另一套库”那么单纯，它本质上牵扯到银行整套金融基础设施的重新搭建。
在这个过程中，银行必须保证这套新金融基础设施全程安全可靠。任何微小故障——比如某张网卡与操作系统不兼容，都可能拖累整个分布式数据库的性能与顺畅运转。
这番交流让吴鹏恍然大悟，自己最早那种“分布式数据库先看能不能跑通”的想法早就落伍了。如今银行更加在意分布式数据库技术路线的若干硬指标：数据迁移风险要把控得住、性能要足够强悍（能承载海量数据和高并发交易）、兼容性要足够高（能压低升级改造成本）、必须具备金融级高可用（保障系统永续在线）、还要便于本地运维（提升效率并压低成本）。
到6月初，当吴鹏把这一连串新要求摊在五家数据库厂商面前后，那三家中小公司一改往日“有求必应”的做派，改口说需要跟技术团队重新梳理数据库架构和落地路径。又过了两周，他们纷纷告知“受限于技术能力，只能退出此次竞标”。
北京银行软件开发中心的王子健同样察觉到，银行对于分布式数据库架构的期待仍在持续抬升。他提到，在“产品可用好用”的前提下，银行对数据库性能及服务方提出了一系列更尖端的诉求：核心代码必须百分百自主掌控；要具备弹性伸缩能力，能从容接纳业务量的指数级增长并适应业务弹性变动；还要持续提供完备的兼容性评估、数据迁移与监控等工具，从而根治传统集中式数据库在扩展性、可用性与成本层面的老问题。
“银行对分布式数据库需求层次的跃升，还远没到终点。”王子健说。从2022年着手构建数据底座起，北京银行的数据治理、资产打标等工作至今仍在推进，离真正在业务场景落地“智能问数”（即借助AI客服准确理解用户问询意图并输出专业答案）还有段距离，仍有赖于数据库协力打造更强悍的数据分析能力。
需求转向迫使厂商洗牌
2021年，随着国家层面深入推进金融信创，冯宇预见到国产分布式数据库服务将迎来大爆发，于是加入了一家中小型数据库企业出任运营总监。
最近几年，金融行业分布式数据库服务市场规模保持年均超30%的高增速，这印证了他的预判。可惜，他供职的公司却没能分到蛋糕。
“三年前，国有大行和股份制银行还在考察国产分布式数据库到底能不能用，并愿意通过非全栈、双轨并行的模式来试水，这让我们依托自身对银行数据库运维的熟悉，还能捕捉到一些商机。”冯宇回忆道。如今，“产品可用”早已不是银行遴选数据库厂商的首要考虑，他们更在意长期服务能力与数据库生态构建实力，这使得研发投入有限的中小厂商在产品竞争力上与头部梯队之间的差距越来越大。
随着国有大行和股份制银行相继完成分布式数据库本地部署改造，2025年起金融行业数据库服务市场的新增机会主要汇聚在中小银行以及券商、保险等非银金融机构，而后者格外看重数据库厂商是否积累了足够多可验证的本地化服务案例，以及能不能提供低成本的长周期运维和迭代升级支持。
冯宇坦承，三年前他所在的公司还能零星拿下两三家银行的数据库改造订单，但从2025年起这方面的生意几乎颗粒无收，公司只能靠既存合同的几十万元运维费来勉强维持，过去一年半已累计亏损超六百万元。
冯宇感慨，受银行需求升级等因素驱动，分布式数据库服务市场正清晰显现出“强者愈强、弱者愈弱”的马太效应。
王楠也坦言，在当前环境下，行业头部厂商围绕生产级SLA（服务等级协议）、迁移风险可控度以及长期服务能力所建立起来的竞争壁垒，正成为其持续扩张份额的护城河，令中小数据库厂商难以招架。更何况，随着“AI+金融”的高速渗透，银行希望分布式数据库能够充当起AI时代的数据基座。面对头部企业大手笔投入数据库与生成式AI的融合创新，研发预算拮据的中小数据库厂商的生存空间正被进一步挤压。
AI新要求加速分化
今年以来，冯宇在和银行对接分布式数据库业务时发现，后者已经高度聚焦“分布式数据库与生成式AI如何融通发展”。
有两家股份制银行的IT主管直接对他说，银行高层判断未来将有两股力量重塑数据底座：一是更多AI智能体将在客服、信贷、产品营销与财富管理等业务场景铺开；二是银行存有海量的客服语音、面签录音、尽调图像、财报文本、社交文本等非结构化数据，这些数据过去无法被传统数据库直接调用分析，大量业务价值被深埋，亟待被挖掘激活。
因此，这两家股份制银行对数据库服务方抛出了新题目：分布式数据库需具备更强的处理能力，能够负责多模态数据、混合搜索与实时分析，不仅要支撑众多AI智能体输出更好的金融服务体验，还要帮助生成式AI去唤醒这些沉睡的数据价值。
去年底，吴鹏所在的农商行搭建了企业级知识库，并借此开展远程银行客服。但他很快意识到，一旦知识库出现业务中断，会直接冲击全行的服务能力。因此他正在与两家头部数据库厂商探讨，如何借助生成式AI与数据库的协同发展，构建出更稳定、更垂直的业务知识库。
面对这类新需求，冯宇几乎无力接招。近年分布式数据库订单的下滑，导致公司拿不出足够资金去探索生成式AI与分布式数据库的融合发展。
冯宇曾与两家AI技术公司联手，尝试借助对方的能力推动“数据库AI化”。但他很快察觉，数据割裂（数据散落在银行各个业务系统形成孤岛）、实时分析基础薄弱（交易与分析不在同一套库内）、AI幻觉问题突出、安全合规门槛高（非结构化数据的治理安全体系远未完备），成了挡在数据库AI化面前的四只拦路虎。最终，在短暂合作没能见到成效后，冯宇与两家AI公司悄然“和平分手”。
冯宇说，过去一年退出市场的六十余家中小数据库厂商里，超半数是输在了缺失生成式AI与分布式数据库融合共创的能力上。
王楠对此评论称，生成式AI与分布式数据库走向融合，将掀起新一轮架构革命和范式变迁。前者意味AI能力将深度嵌入数据库内核，在效率、低时延与安全性等维面对传统架构形成全面超越；后者则提示数据库正从被动存取向主动理解演进，语义理解、相似性推理与跨模态关联将构成新一代数据库的硬核能力。这势必将推动金融业分布式数据库加速驶入高质量竞争周期，并令整个行业的洗牌更趋剧烈。
（应受访者要求，吴鹏、冯宇为化名）
