文/嵇少峰
嵇少峰：AI能替代信贷专家吗？--论专家经验量化模型与人工智能的信贷边界
银行业正在出现一轮新的人工智能热潮。大模型、知识库、智能审批、智能调查、智能预警、信贷智能体，几乎同时涌入银行。很多机构已经不满足于让人工智能整理材料、生成报告，而是希望它直接参与客户筛选、风险识别、授信决策和贷后处置。技术公司给出的答案通常更简单：数据越多，模型越强，人工参与越少，风控就越智能。问题是，信贷从来不是一个只要增加算力就能解决的行业。银行今天围绕人工智能发生的许多争论，看起来是在讨论技术，深处却仍然是几个老问题：信贷风险究竟是什么，银行依据什么认识风险，模型输出是不是信贷判断，专家经验还有没有价值，机器能不能直接作出授信决定，出了问题又由谁承担责任。这些问题不先说清，银行很容易走向两个极端。一个极端是把人工智能当成新的万能风控工具，认为大模型能够阅读全部资料、学习全部经验，最终替代调查、审查和审批。另一个极端是仍然停留在早期的数据风控认识中，认为人工智能只能做辅助工作，凡是重要决定都必须回到人工。两种认识都不准确，也都会妨碍银行真正使用好人工智能。我认为，人工智能当然会深刻改变信贷，部分标准化业务也完全可以由机器在授权范围内自动作出决定。但是，人工智能能够完成多少工作，与银行应当把多少权力交给人工智能，是两个不同的问题。技术能力解决“能不能做”，信贷治理还要回答“可不可以做”“在什么边界内做”和“结果由谁负责”。
一、银行首先要分清自己正在使用什么
元股证券:ygzq.hk1．概念混乱必然造成管理混乱
现在银行内部最混乱的一个现象，是把规则引擎、统计模型、机器学习、大模型和智能体统称为“人工智能风控”。名称一旦混在一起，能力边界、验证方法和管理责任也会跟着混乱。
2．规则引擎只是在执行已经确定的条件
规则引擎按照事先确定的条件执行。例如，征信出现某种记录便拒绝准入，负债率超过阈值便降低额度，缺少必要材料便不能进入下一环节。它可以非常复杂，也可以完成大量自动审批，但它执行的仍然是人预先写好的规则，严格说来不一定属于人工智能。
3．量化模型主要解决预测和排序的问题
传统量化模型通常根据统计、经济和金融理论，把输入数据转化为评分、评级、违约概率、损失率或者风险排序。评分卡、逻辑回归模型、内部评级模型以及大量预警模型，都属于这一范围。这类模型已经深刻改变了零售信贷、信用卡、反欺诈、资本计量和组合管理，是现代银行不能缺少的技术基础。机器学习预测模型仍然主要处理分类、排序和预测问题，只是它可以从数据中学习更加复杂的非线性关系。它可能比传统模型识别出更多弱信号，也可能取得更高的样本外预测能力。广义上，它仍然属于量化模型；从技术分类看，它又属于人工智能。银行不能因为名称中有“人工智能”，就把它理解为一种完全不同的信贷判断。
4．生成式人工智能和智能体处理的是另一类任务
生成式人工智能（AI）解决的是另一类问题。大模型擅长理解和生成文字、图像与代码，可以从授信报告、财务附注、合同、访谈记录和行业资料中提取信息，也可以生成调查问题、风险提示和报告草稿。它输出的通常不是严格意义上的违约概率，而是一段文字、一种解释或者一项建议。语言表达越接近专家，并不表示事实越可靠，更不表示它已经完成了完整的信贷判断。智能体又向前走了一步。它可以调用知识库、传统模型和业务系统，连续完成资料收集、任务分派、规则校验、报告生成、预警升级甚至某些操作。到了这一步，人工智能已经不只是分析工具，而开始成为信贷流程中的执行载体。认知错误也不再停留在一段错误文字上，而可能直接变成错误操作。所以，银行讨论人工智能之前，至少要把规则引擎、传统量化模型、机器学习预测模型、生成式人工智能和智能体分开。它们都可以提高效率，却解决不同的问题；都可能进入信贷，却需要不同的验证和控制方式。例如某银行把“系统自动拒绝征信逾期客户”称为人工智能审批，又把大模型自动生成调查报告也称为人工智能审批。前者的风险主要来自规则是否合理，后者还涉及资料来源、事实错误和输出波动。如果两者沿用同一套验证办法，管理从名称开始就已经错了。
二、信贷风险不是数据也不是模型分数
1．风险存在于未来 数据只是现实留下的痕迹
信贷工作的底层对象是未来的不确定性。银行发放贷款时，真正需要判断的是借款人未来能不能还款、愿不愿意还款，第一还款来源在不同环境下是否仍然成立，银行设计的额度、期限、担保和控制条件能不能把风险收住。这些内容在决策时都不能被直接观察。银行能够看到的是报表、流水、征信、纳税、订单、合同、经营场所、管理者行为以及外部环境留下的各种信息。它们可能反映风险，也可能掩盖风险。数据只是现实留下的记录，记录还要经过来源核验、业务解释和相互印证，才能成为可以使用的证据。
2．从信息到授信决定之间还有多次转换
从完整过程看，信贷判断至少包含几个不能混同的环节：客观经营和偿债事实形成信息，银行对信息进行核验并形成证据，专家或模型依据证据作出风险估计，银行再结合收益、资本、政策和规则设计信贷方案，最后由有权主体作出决定，并在执行后根据结果修正原来的认识。模型主要改变的是信息处理和风险估计。生成式人工智能可以进一步参与事实提取、材料解释和方案生成，智能体还可以把判断建议转成行动。但是，无论技术走到哪一步，数据、证据、风险估计、信贷方案和授信决定仍然是不同的东西。银行最容易犯的错误，是把一个环节的技术进步误认为整个信贷判断已经完成。模型给出较低的违约概率，不代表客户一定适合银行当前的战略；大模型完整归纳了企业的经营优势，不代表这些优势真实存在；智能体按规则自动通过一笔贷款，也不代表规则本身仍然适用于当前市场。例如企业提交的报表显示销售和利润同时增长，大模型据此写出了完整的竞争优势，评级模型也因收入增加而上调分数。但如果新增销售主要来自关联交易，应收账款迟迟不能回收，模型和大模型只是对一组经过包装的输入作出了更精致的解释，并没有证明还款来源增强。
3．历史数据还包含银行过去的选择
历史数据同样不能被神化。银行通常只能观察已经获批客户的还款结果，很难知道当初被拒绝的客户如果获得贷款会怎样。客户最终是否违约，还会受到授信额度、期限、定价、担保、贷后管理和宏观环境影响。模型所学习的历史结果，实际上同时包含客户风险、银行过去的选择和当时的市场条件。这意味着，模型学到的往往是“过去在某种业务政策和经济环境下，哪些特征与结果同时出现”，而不是一套永远成立的风险规律。一旦客群、渠道、竞争、共债、欺诈方式和经济周期发生变化，原来表现很好的模型也可能迅速失效。
三、专家经验的价值和危险同样真实
1．复杂企业信贷仍然离不开专家
标准化零售信贷可以减少逐笔人工判断，复杂企业信贷却仍然离不开专家。人工智能兴起以后，有人认为专家经验已经落后，理由似乎很充分：人的认知有限，判断不一致，还会受到情绪、利益和权威影响；机器可以处理海量数据，执行统一尺度，还能够持续学习。这些理由在标准化业务中有一定道理，却不能直接推导出复杂企业信贷可以取消人工调查和专家判断。
2．专家的价值在于提出问题和解释因果
专家真正有价值的地方，不是记住了多少财务指标，也不是看过多少授信报告，而是能够判断问题有没有被正确提出。企业销售收入增长，究竟来自真实需求、价格上涨、关联交易还是提前确认；流水很大，究竟是经营回款、资金过桥还是循环走账；一个项目有政府支持，支持到底表现为政策态度、财政安排还是具有法律约束力的合同责任；控制人愿意还款和有能力还款，又是两回事。这些判断需要理解经营因果、交易背景、行为动机和外部约束。专家还能够发现资料之间没有被明说的矛盾。报表、流水、订单和现场访谈可能各自完整，放在一起却未必来自同一条经营链。企业越会准备材料，表面信息越可能漂亮，真正的风险反而隐藏在材料之间的断裂处。模型可以发现异常，人工智能可以提示冲突，但异常为什么出现、是否足以改变第一还款来源，往往还需要结合具体场景继续判断。
3．专家经验也必须接受验证
不过，专家经验从来不天然正确。经验可能来自已经变化的市场，可能只是少量成功案例留下的记忆，也可能是个人偏好被包装成专业判断。同一个客户在不同审批人手里出现完全不同的结论，并不值得被解释为“信贷是一门艺术”，它首先说明银行没有把必要的判断标准组织起来。专家知识大致可以分为两类。一类是能够说清事实依据和因果过程的专业判断，可以进入调查方法、分析框架、审查标准和授信规则；另一类是尚不能完整解释的直觉，适合成为风险提示和补充调查的入口。前者应当尽可能沉淀为组织能力，后者也可以保留，但不能直接上升为不可质询的决定。因此，专家经验需要接受与模型相同的结果检验。专家推翻模型结论，应说明依据和权限；模型推翻一线判断，也应说明适用条件和证据。银行既不能允许一个分数替代完整判断，也不能允许一句“根据经验”结束讨论。
四、传统量化模型解决了什么又遗漏了什么
1．量化模型把判断变成可重复的计算
传统量化模型对银行最大的贡献，是把高度依赖个人的风险判断转化为可以批量使用、可以重复检验的计算结果。面对几十万、几百万甚至更多客户，银行不可能逐户进行企业式深度调查。模型通过评分、分层和阈值，把有限的审批资源集中到风险更高、信息更矛盾或者规则覆盖不足的客户上。在信用卡、消费贷和其他标准化零售信贷中，这套方法已经证明了巨大价值。模型使银行能够稳定处理大规模申请，控制总体通过率和预期损失，观察不同客群的迁徙变化，并根据实际结果重新校准参数。没有量化模型，现代零售信贷很难成立。
2．模型可以检验但不能脱离用途
传统模型还有一个经常被忽视的优点，就是便于检验。模型预测了什么、使用了哪些变量、样本表现怎样、区分度和校准度是否下降，通常能够通过回溯测试、样本外测试和结果分析加以观察。模型当然会错，但它的错误在很多情况下可以被统计地发现。它的边界也十分清楚。模型是现实关系的简化表达，必须依赖假设、样本和预定用途。一个模型在原有客群中表现良好，不等于换一个渠道、地区或者产品仍然有效；模型能够识别变量与违约之间的相关关系，不等于能够解释企业为什么会失去还款能力；模型能够计算个体风险，不等于能够自动决定银行是否应继续扩张某类资产。传统模型尤其容易受到历史选择的影响。银行过去只愿意给某类客户贷款，模型就只能从这类客户中学习；过去通过高利率覆盖风险，模型观察到的是这一价格条件下的结果；过去贷后干预较强，违约率中还包含了人工管理产生的效果。离开这些条件，模型结果就可能失去原来的含义。一套在本地稳定工薪客群中表现良好的消费贷模型，被直接用于外部平台导入的客户。模型变量和分数都没有变化，客户来源、共债程度和营销激励却已经变了。几个月后风险上升，问题并不是模型突然“算错”，而是银行把模型用到了它没有被验证过的客群。
3．好模型也会被错误使用
因此，模型准确率不是信贷技术的全部。模型还要回答用途是否明确、样本是否适合、输出如何进入规则、业务人员是否理解边界、人工调整是否失控，以及环境变化后谁负责叫停。技术指标漂亮而使用方法错误，最终仍然会形成错误的信贷决定。
五、人工智能真正增加了哪些新能力
1．人工智能扩大了机器能够处理的信息范围
人工智能没有推翻传统量化模型，但显著扩大了机器能够处理的信息范围。过去模型主要使用结构化数据，很多经营事实、合同条款、财务附注、访谈记录、图片资料和行业信息很难进入统一处理。大模型和多模态模型能够阅读这些材料，帮助银行从大量非结构化信息中提取主体、金额、时间、条件、异常和相互关系。这一变化对企业信贷尤其重要。企业风险并不只存在于报表数字里，还存在于经营模式、交易结构、治理关系、重大投资、融资安排和管理者行为中。人工智能可以快速比较不同版本的合同，寻找报表与流水之间的差异，梳理集团关联关系，汇总行业和舆情变化，形成需要客户经理进一步核验的问题清单。很多过去依赖人工翻阅资料的工作，将因此大幅提速。人工智能还可以帮助专家把经验转化为组织能够使用的知识。银行可以把制度、案例、行业分析方法、调查要点和历史差错组织为知识库，使客户经理和审批人员在具体场景中获得相对一致的专业支持。专家经验不再只存在于少数人的头脑中，可以逐步进入问题清单、核验路径和判断依据。
2．大模型最容易制造可信表达的错觉
但是，大模型的能力很容易制造新的错觉。它可以把错误材料总结得非常完整，也可以根据不充分的证据生成一段逻辑通顺的风险分析。它擅长给出“像答案的答案”，却不会自动保证事实来源真实、结论与证据一致，更不会自动知道银行愿意承担什么风险。生成式人工智能与传统模型还有一个重要区别。传统模型在相同输入下通常给出相对稳定的输出，生成式人工智能的结果可能随着模型版本、提示词、上下文和知识来源变化。传统模型主要检验区分度、校准度和稳定性，大模型还要检验事实准确性、来源可追溯性、任务完成度、输出一致性和有害偏差。把传统模型验证办法原样搬过来，显然不够。例如：大模型比较两份采购合同时，准确指出了付款期限变化，却把“满足验收条件后付款”概括成“合同签订后付款”。文字只差几个字，现金流时点和履约条件却完全不同。生成内容能不能进入授信判断，不能只看表达是否流畅，还要回到原始条款核验。
3．智能体把判断风险扩展为操作风险
智能体带来的变化更大。过去模型只给出分数，人仍然决定下一步做什么；智能体可以直接调用系统、补充资料、分派任务和触发操作。人工智能从“告诉银行可能发生什么”，开始走向“替银行做一些事情”。技术与战术之间的边界由此变得模糊，权限、流程、日志、中止和回滚便成为新的信贷管理问题。
六、三种能力应当怎样组合
1．先按信息条件和任务性质确定组合
专家经验、传统量化模型与人工智能并不是简单的高低关系，也不是一个必然替代另一个的三代技术。它们面对不同的信息条件，处理不同性质的问题，也以不同方式出错。
标准化、重复性高、样本充分且结果能够持续观察的业务，可以更多依靠模型。模型可以成为主要判断工具，部分业务可以在既定规则和授权范围内自动完成。人工不必逐笔重复模型已经能够稳定处理的工作，而应把注意力放在模型边界、例外事项和组合变化上。
2．复杂企业信贷必须先解决输入真实性
复杂企业信贷的首要前提，是先解决输入真实性，再组合专家、模型和人工智能。人工智能可以处理资料、发现异常和形成问题，量化模型可以提供财务、行业和组合比较，专家则把这些信号放回企业经营、交易和融资结构中，判断第一还款来源是否成立。任何一项技术都可以提高判断质量，但单独拿出来都不足以完成复杂企业授信。这里还要补上一条经常被技术讨论忽略的前提：企业交给银行的信息和数据并不天然真实。为了获得授信、提高额度或者满足财务指标，部分企业会包装交易、调节报表、安排资金循环、提前确认收入，甚至通过关联主体制造合同、流水和开票记录。银行能够从税务平台取得数据，并不表示这些数据已经替银行完成真实性验证。发票证明发生了开票行为，纳税申报表记录的是企业申报结果；如果交易本身被人为设计，或者报表未经审计和交叉核验，权威平台上的数据同样可能准确记录了一项不真实的经营活动。因此，企业信贷的数据工作不能停留在“取得数据”。经过训练的信贷人员需要沿着真实的业务过程，核对交易对手、合同履行、货物或服务交付、资金回流、库存变化、纳税逻辑和关联关系，并用现场调查、外部信息与不同数据源相互印证。其任务不是凭经验否定数据，而是判断数据由什么业务行为产生，几组数据能否共同还原同一项经营事实。只有经过这一步，数据才可能成为模型和人工智能可以依赖的输入。某企业近半年开票额快速增长，税务授信模型据此建议提高额度，大模型也从报表中归纳出“订单增长和市场扩张”。调查人员进一步核对后发现，新增发票主要在关联企业之间循环开具，物流、库存和最终回款均无法对应。技术没有算错，它们只是忠实处理了企业人为制造的数据。
3．小微经营信贷仍然需要数据核验和场景判断
小微经营信贷处在两者之间。税票、流水、账户行为、征信和交易数据可以进入模型，人工智能可以帮助还原经营和发现矛盾，客户经理仍要核验经营者、真实生意、现金流和贷款用途。随着数据质量和模型能力提高，人工调查的范围可以缩小，方法也可以改变，但不能在风险主线尚未被验证之前，仅因机器可以生成完整报告就取消必要核验。
4．贷后管理适合发挥机器的连续监测能力
贷后管理更适合发挥人工智能的持续监测能力。模型可以识别迁徙和异常，大模型可以汇总分散信息，智能体可以按规则发起任务。真正需要人工决定的，是这些信号是否改变了原来的还款判断，应当采取何种措施，以及何时需要调整客户、产品或者组合边界。
七、人机协同不是增加一道人工签字
1．人在回路中不等于有效复核
所有结果都由人工点一下，并不等于人工已经完成有效复核。很多银行为了控制人工智能风险，会提出“所有结果必须人工复核”。这种安排听起来稳妥，实际未必有效。若人工没有时间、能力和证据重新判断，复核很容易变成机械点击；若人工无权改变系统结论，所谓人在回路中只是责任转移；若模型处理几十万笔业务后仍要求逐笔人工重做，技术价值也会被全部消耗。真正的人机协同，应根据任务结构、数据条件、错误后果和机器自主程度确定分工。
2．分工应由任务风险和可逆性决定
信息提取类工作可以由人工智能先做，人工重点核验关键事实和异常来源。稳定的风险排序可以由经过验证的模型承担，专家调整必须受到权限和理由约束。复杂经营判断可以由专家主导，人工智能承担资料组织和反方检验。规则、战略和重大例外仍应由有权主体决定，人工智能可以提供测算、情景和备选方案。智能体能够执行的动作，则必须事先限定数据访问、工具调用、最高权限和中止条件。系统每天生成数千条贷后预警，客户经理必须逐条点击“已阅”，却没有原始数据、客户变化和处置权限。表面上每条预警都经过人工复核，实际上人工既不能验证，也不能行动。这样的“人在回路中”只留下了签字，没有形成风险控制。
3．自动化边界需要按照错误后果设置
人工是否参与，不应成为唯一的安全标准。银行真正要看的是：这个任务一旦出错会造成多大损失，错误能不能及时发现，系统能不能停止，结果能不能追溯，责任能不能落到明确主体。低风险的信息整理可以高度自动化，重大授信中的关键事实和规则例外则需要更强的人工控制。
八、银行需要建立统一治理和差异化管理
1．所有判断方式共享一条治理主线
专家判断、传统量化模型和人工智能可以进入同一条管理主线：先明确用途和边界，再完成建设和测试，由独立主体确认能否使用，随后进入授权运行，并根据实际结果持续监测、调整或者退出。共同主线并不意味着管理方法完全相同。
2．不同技术必须采用不同控制方法
专家判断重点管理任职能力、证据要求、利益冲突、例外权限、意见留痕和结果检验。传统量化模型重点管理样本、变量、假设、区分度、校准度、稳定性和实施一致性。机器学习模型还要增加复杂性、偏差、特征漂移、鲁棒性和解释方法。生成式人工智能要进一步管理知识来源、提示词、模型版本、事实核验、敏感信息和输出不确定性。智能体则必须管理工具权限、操作上限、人工中止、运行日志、回滚机制和应急替代。
3．模型风险管理已经不能覆盖全部人工智能风险
2026年美国银行业修订后的模型风险管理指引，把传统统计与量化模型以及非生成式、非智能体式人工智能模型纳入模型风险管理范围，同时明确生成式和智能体式人工智能发展迅速，没有直接纳入该指引的模型定义，但银行仍应通过其他风险管理和治理制度确定适当控制。这一处理说明，模型风险管理仍然重要，却已经不能覆盖全部人工智能风险。2026年6月，国家金融监督管理总局发布《关于银行业保险业人工智能安全开发应用的指导意见》，提出“谁使用谁负责”，要求金融机构加强顶层设计，建立人工智能全生命周期管理体系，实施应用分类分级和高风险应用准入管理，并在高风险应用关键环节建立人工监督和干预机制。监管已经把关注点从单纯的模型技术，扩展到应用场景、业务流程、数据、算力、供应商和组织责任。这也意味着，银行不能把人工智能全部交给科技部门，也不能让模型团队只对技术指标负责。业务部门必须说明人工智能解决什么问题，产品和规则责任主体必须确定输出怎样进入业务，风险与验证部门必须独立评估适用性和限制条件，科技运营必须保证系统实现与确认规则一致，有权管理层则要决定哪些业务允许自动化以及银行愿意承担什么后果。
4．能力可以委托但责任不能转移
人工智能可以协助建设规则，可以执行已经确认的规则，也可以发现运行偏差，但它不能自己决定应用边界，不能自己确认自己的可靠性，更不能成为最终责任主体。银行可以把工作交给机器，不能把责任交给机器。智能体把一条尚未核实的负面舆情识别为重大风险，并自动触发停额。如果系统没有权限上限、人工中止和回滚机制，原本只是一项判断错误，随后就会变成客户经营和银行声誉问题。到了智能体阶段，管理对象已经从“答案准不准”扩展到“机器能做什么”。
九、过度保守与过度乐观都会错失人工智能
1．过度保守会浪费技术能力
把人工智能永久限制在筛选和提示环节，已经过度保守。过去一些关于数据风控的批评是必要的。模型未经周期检验、数据来源不可靠、机构只看短期通过率和不良率、互联网平台用高增长掩盖风险，这些问题至今仍然存在。但是，由这些问题推导出人工智能不能参与决定，已经不符合技术和业务发展的现实。在客群稳定、规则清楚、数据充分、模型经过验证且错误可以控制的场景中，人工智能完全可以承担部分决定和执行。银行如果坚持所有事项都必须由人工重新判断，不仅无法获得技术效率，也会把大量专业人员长期困在资料搬运、格式核对和重复审批中。
2．过度乐观会加快错误扩散
同样，把人工智能理解为更强的模型，然后尽可能减少人工，也会重走过去纯数据风控的老路。大模型可以吸收更多材料，仍然不能保证材料真实；算法可以发现更多关系，仍然不能自动解释因果；智能体可以执行更多动作，也会以更快速度放大错误。技术能力越强，适用边界和责任安排反而越需要提前说清。
3．银行需要重新安排人和机器的位置
银行真正需要改变的，是人和机器的工作位置。能够标准化的经验应当进入规则，能够量化的问题应当进入模型，能够由人工智能高效处理的信息不应继续依赖人工搬运，必须由专家处理的因果、例外和责任判断则要保留下来。不同能力各归其位，银行才能既提高效率，又不失去对风险的解释和控制。
十、银行真正短缺的是两种基础能力
融资杠杆平台1．银行真正缺的不是更多系统
银行讨论智能风控时，最容易把注意力放在数据平台、模型算法和算力投入上。系统可以采购，模型可以合作开发，大模型也可以快速接入，真正难以在短期内补齐的却是两种基础能力：一是经过业务检验并能够被组织使用的专家经验，二是信贷人员获取、分辨和解释真实数据与信息的能力。前者决定银行能否正确提出问题、使用模型和人工智能，并管住完整的信贷流程；后者决定模型和人工智能拿到的究竟是经营事实，还是企业精心准备的材料。
2．第一种能力是经过检验并被组织化的专家经验
很多银行有大量从业人员，也有资历很深的审批人员，却未必真正拥有组织化的专家经验。真正有效的专家经验，应当能够说明某类业务的风险从哪里发生，哪些信息足以改变还款判断，模型适用于什么客群，什么变化会使原有规则失效，以及机器结论出现冲突时沿什么路径继续核验。它不仅参与单笔授信，更要进入客群选择、产品设计、数据选择、模型建设、规则确认、例外管理、组合监测和结果复盘。银行有没有这类专家，决定的不是“是否保留人工审批”，而是能否把人工智能用在正确的问题上。缺乏专家约束的模型团队，容易把能够取得的数据当成应当使用的数据，把历史相关性当成稳定规律；缺乏专家参与的人工智能项目，也容易追求报告完整、识别速度和自动化比例，却没有回答第一还款来源是否被正确识别。
3．第二种能力是获取和分辨真实信息
企业数据与信息采集常被当作基础性甚至低价值工作，实际上它是信贷认识风险的第一道工序。客户经理和调查人员需要知道去哪里找证据，怎样通过业务链、物流、资金流、票据流、合同流和控制关系交叉核验，怎样识别循环交易、虚假用途、关联方腾挪和阶段性报表修饰，也要知道哪些矛盾值得继续追问，哪些缺口已经足以否定原来的还款逻辑。这项能力不是要求信贷人员与模型比计算，也不是要求人工重复系统已经完成的工作，而是要把企业的现实经营转换成可信的事实和证据。输入不真实，传统模型会给出精确但失真的分数，大模型会生成完整但错误的分析，智能体还可能把错误分析迅速变成流程动作。人工智能越善于处理信息，银行越不能忽视信息是怎样取得的。
4．高度自动化的零售信贷同样离不开专家
这两种能力并非只服务于复杂企业授信。零售信贷可以高度自动化，但专业判断的位置已经从逐户审批转向客群、区域、场景、产品和组合。银行仍然需要理解区域经济变化、消费和经营场景、客户共债、经济周期、监管政策、同业竞争以及欺诈方式，判断模型与人工智能在哪些条件下有效，又会在什么条件下共同失效。零售信贷最危险的错误，往往不是少数客户被判断错，而是同一套错误假设被系统同时用于大量客户。模型在平稳期看到的按时还款，可能依赖多平台借新还旧；某一获客场景的低不良，可能来自渠道补贴和宽松展期；区域经济、监管政策或竞争策略一旦变化，原来彼此分散的个体风险就可能同时暴露。机器可以快速识别历史规律，也会快速复制银行对环境的共同误判。某线上经营贷在扩张期表现良好，系统发现客户账户流水稳定、历史还款正常，便持续提高自动审批比例。银行后来才发现，部分客户在多家平台循环融资，同业降价又掩盖了真实偿债压力。当监管规则和市场资金同时收紧，原来稳定的还款行为迅速改变。导致组合风险的不是某一笔数据缺失，而是银行没有及时识别共债、竞争和周期正在改变模型的适用条件。
十一、AI时代需要怎样的信贷专家
1．低价值的专业工作会被机器替代
人工智能不会让信贷专家消失，却会迅速淘汰一部分低价值的专业工作。只会收集材料、复制模板、查找制度、拼接报告的人，工作会被大规模替代；只会依据资历下结论、不能说明证据和逻辑的人，也会越来越难以证明自身价值。
2．专家需要形成五种可以验证的能力
未来真正重要的信贷专家，需要具备几种更难替代的能力。第一，能够把风险问题定义清楚，知道机器应该回答什么、不应该回答什么。第二，能够识别事实来源和证据质量，不被完整、流畅的材料表达迷惑。第三，能够理解经营、交易、财务和行为之间的因果关系，把模型信号放回真实业务中解释。第四，能够把个人经验转化为规则、案例、清单和知识，使组织可以重复使用。第五，能够检验模型和人工智能的边界，在环境变化时及时发现原有方法正在失效。
3．专家必须进入方法规则和责任位置
银行同样需要改变对专家的使用方式。专家不应长期充当人工接口和最后签字人，而应更多参与问题定义、规则设计、模型挑战、复杂判断和结果复盘。人工智能越强，专家越要从重复作业中退出，进入更靠近方法、规则和责任的位置。
4．人工智能最终检验的是银行治理能力
我对人工智能进入信贷总体上持积极态度。它会显著提高信息处理效率，也会推动信贷分析、风险监测和组织运行发生深刻变化。但银行不能因为技术进步，就忘记信贷的底层事实：风险发生在未来，模型只能依据过去；客户经营存在于现实，数据只是它留下的部分痕迹；授信决定影响银行资本和客户命运，责任最终必须由组织承担。人工智能能够把银行的好方法放大，也能把银行原有的错误放大。决定结果的，从来不只是模型参数有多少、大模型能力有多强，而是银行有没有看清风险对象，有没有把专家、模型和人工智能放到正确位置，有没有让判断、权力和责任保持一致。让机器承担机器能够稳定完成的工作，让专家处理必须理解事实和情境的判断，让银行对任何技术形成的信贷结果负责。做到这一点，人工智能才会真正成为信贷能力，而不是下一轮被重新包装的技术幻觉。
(本文作者介绍：江苏微金创联（咨询）信息科技有限公司董事长，厦门国际信托独立董事，2023 年度新浪财经十大意见领袖, 2016 中国微金融十大年度人物、全国知名信贷管理与实战专家、财经专栏作家。尝试改变传统的信贷风险管理为主调的银行信贷管理框架，从企业管理学+信贷风险辩证认知论双视角，建立一整套基于实战的商业银行信贷管理框架，撰写了大量信贷管理与信贷技术相关，文章在金融科技、信贷专业领域具有广泛的影响力。)
北京证券配资综合服务网
元股证券股票配资移动端提示：本文来自互联网，不代表本网站观点。
