“认知鸿沟”：银行数智化转型的瓶颈与本体论破局之道

来源：市场资讯

（来源：中国金融电脑）

上海银行数据管理与应用部总经理 于浩瀚

上海银行数据管理与应用部 胡申民 李焕彰 杨晓彦 刘燕玲

历经十余年投入，我国商业银行在线上化与数据化方面取得了显著成就。然而，当行业满怀期待地迈入以数智化为标志的第三阶段时，却普遍面临预期与现实的落差。商业银行拥有了海量数据，部署了强大算力，并引入先进算法，但一个根本性瓶颈日益凸显：在诸多核心场景中，其机器系统仍然难以理解所要处理的业务本身。这种理解的缺失，并非指功能实现的缺位，而是指系统缺乏对业务概念、规则及其内在逻辑的精准、一致、可推理的把握。银行业将此称为自身数智化转型的“认知鸿沟”。这道鸿沟，使巨额科技投资难以沉淀为真正的认知竞争力，也成为下一代数智化应用规模化落地的终极瓶颈。更严峻的是，随着大模型技术的普及，当发散性的模型推理遭遇缺乏精准约束的系统逻辑时，这道鸿沟正从“隐性成本”转化为“显性风险”，直接威胁商业银行AI应用的合规性与可控性。

当前，银行业弥合“认知鸿沟”的努力主要集中在业务建模与知识工程上，但其成效未达预期。这些困境相互交织，构筑起一道难以突破的认知屏障。

首先是动态的需求与周期更新的数据模型之间的冲突。以UML、BPMN、企业架构(EA)为代表的建模语言，本质是为人与人沟通而设计的“静态施工图”。它们擅长描述某一时点的流程与结构，却无法作为机器可直接执行且能随业务动态演化的“活模型”。其结果是导致模型与实际系统脱节，更新滞后于业务变化，最终沦为昂贵的、过时的文档。例如，银行数据仓库中的加工口径频繁调整，但数据字典仍按季度进行人工更新，与实际运行的逻辑不一致，既无法有效指导开发，也因需要反复进行对齐维护产生大量技术债务。

其次是知识显性化和规模化困局。商业银行真正的核心竞争力，除宏观经营方略外，往往深藏于资深专家的“隐性知识”中——包括对复杂风险的直觉、对监管意图的把握，以及对客户需求的深层理解。传统知识工程方法试图将这些知识抽取并固化，但其过程高度依赖个人，耗时长、成本高，且一旦固化便难以更新。与此同时，商业银行经营中不乏遵循既定流程形成的业务管理制度及产品说明书，但在实际业务拓展和客户经营中往往仍需审慎地采用“一户一策”的方式。以科创企业的信用贷款审批为例，资深审批官能凭借对企业专利布局、核心团队稳定性、产业链上下游协同性的“直觉”快速作出判断，而新员工即便严格遵循书面流程，也往往因缺乏对隐性风险点的把握而难以决策。专家智慧无法有效沉淀、复制和规模化赋能，便形成了组织内的“知识暗网”。

此外，系统协同的“语义巴别塔”困境(《圣经》中关于人类语言混乱、无法协作的隐喻)持续产生内耗成本。在分行与部门长期独立发展的历史背景下，核心业务概念(如客户、风险敞口、收入等)在不同系统、报表中存在大量定义不一、口径各异的现象。每一次跨系统集成或监管报送，都需耗费大量资源进行“语义对齐”。这并非技术接口问题，而是底层认知不统一导致的系统性内耗。

二、大模型：照亮鸿沟的

“聚光灯”与“放大镜”

以ChatGPT为代表的生成式大语言模型的快速发展，并未直接弥合“认知鸿沟”，反而如同一盏高亮聚光灯，将其暴露无遗，甚至在某些维度上进一步放大。

大模型凭借强大的自然语言理解与生成能力，成为与业务系统交互的理想界面，让人们看到了“用自然语言驱动复杂业务”的可能性，极大提升了智能化的期望值。然而，大模型“概率生成”的本质，使其在严谨、高风险的金融核心业务中暴露出“幻觉”、事实不一致和逻辑不可控等内生缺陷。没有业务知识约束的AI，如同一辆没有地图和交通规则约束的超级跑车——能力越强，潜在风险越大。

商业银行作为经营风险的专业机构，始终追求基于信息数据和经验逻辑实现对风险收敛性的精确计量和描述。而大模型的根本局限在于其“无本体性”——它学习的是语言共现概率，而非概念间的因果与约束关系。当面对银行业务中“监管约束—商业逻辑—统计模式”的价值链时，这种逆向建模方式必然导致优先级错位。大模型的出现，将“机器理解业务”从一项长期的、隐性的需求，转变为一个紧迫的、显性的、关乎AI能否真正用于生产的刚性前提。例如，大模型倾向基于统计模式优先推荐高收益产品，而忽略监管对高风险客户的刚性约束(如禁止向失信被执行人营销)，需要额外通过规则硬编码来矫正这种优先级错位。这一情形迫使商业银行必须寻找一种能为概率性AI注入确定性、可解释性的“理性骨架”。

三、本体论：跨越“认知鸿沟”的

工程化桥梁

巧合的是，一个经典的哲学命题——本体论为此提供了理论工具。在信息科学中，本体论被定义为“对某一领域内共享概念体系的明确、形式化规范”。将其引入银行业，即构建“业务本体”——一套用机器可读语言无歧义地定义所有核心业务概念、属性、关系及约束规则的“数字宪法”。

本体论之所以能成为破局关键，在于其提供了不可替代的系统性价值。

首先，它为“客户”“产品”“交易”等每一个业务术语提供了全行唯一、精确的形式化定义，从根本上摆脱“语义巴别塔”困境，构建认知同温层。例如，将“客户”明确定义为：“具有唯一统一社会信用代码或身份证号的机构法人或自然人，且在本行开立至少一个账户或签署有效合约”，并约束其属性取值范围(如“风险等级”∈{1,2,3,4,5})，从而杜绝系统间的定义漂移。

其次，本体论通过定义概念间的逻辑关系(如抵押品“担保”贷款、交易“触发”风险事件)，构建了一个可进行逻辑推理的“骨架”，使机器能够基于确定规则进行精确推理，而非仅仅依赖统计概率拟合猜测。这种推理能力能够依赖任意数据支点发起类似风险压力测试的反事实分析。例如，假设将未来三个月新增贷款投放的重定价周期从按年浮动调整为按季度浮动，那么下季度经济增加值(EVA)将提升多少？如果同时叠加新增投放定期存款期限调整，又会受到怎样的影响？——这正是固化数据驱动模型无法回答的因果问题。

再次，业务本体可以充当大模型的“规约器”与“加速器”。一方面，它将大模型的自然语言输出“编译”到确定的逻辑轨道上进行验证，有效抑制幻觉；另一方面，大模型亦可反向辅助，从海量文档中快速提取并归纳概念与规则，大幅降低本体构建与维护的成本。例如，在利用大模型自动生成对公授信审批的评级审查要点时，其背后是由业务本体(客户、资产、行业规则等)充当“规约器”，约束输出边界；同时，大模型快速学习海量历史审批报告与最新政策，辅助提炼和归纳审查要点，从而有效破解传统知识工程的“保鲜”难题。

四、破局路径：从“最小可行本体”

到“认知基础设施”

面对“可信AI”落地生产这一宏大命题，商业银行不应追求一蹴而就，务实的破局路径在于“小步快跑，价值驱动”的战略演进。

战略锚定是首要前提。商业银行管理层必须统一认识，将业务本体明确定位为支撑未来AI战略的“认知基础设施”，而非传统科技项目。这需要从顶层获得承诺与资源，并可由首席信息官或首席数据官牵头，统筹业务本体治理与建设。

精准选域、优先从小切口破局是较为可行的路径。商业银行可选择业务规则需动态迭代、数据基础良好、当前认知摩擦成本最高的垂直领域作为切入点，从而有效解决传统方式难以处理的认知不一致、规则不统一等问题，并快速验证本体建模价值。

敏捷共创是工程落地的核心。商业银行可组建由业务专家、风控合规官与语义技术专家构成的“融合型战斗单元”，以周为单位进行产出，快速构建目标领域的“最小可行本体”(Minimal Viable Ontology，MVO)。具体可采用“逆向工程”方法：从现有核心系统的数据库结构与业务规则文档出发，快速生成草案，再通过专家访谈矫正语义偏差。“最小可行本体”应包含核心实体、关键属性、基础关系，以及可执行的语义规则语言(如SWRL语言等)。

价值验证是建立信心的关键。商业银行可将“最小可行本体”以API服务的形式快速接入现有的分析或决策流程，定量考察其在效率提升、歧义消除及风险提示率上的实际成效，用短期可见收益赢得持续投入。

最终，商业银行需要建立本体的版本管理、治理流程与贡献激励机制，鼓励业务部门持续参与本体迭代，形成全行统一的“业务语义市场”，让业务本体像数据资产一样被管理、交易与复用。

本体论并非“银弹”，其在实施过程中面临组织、技术与治理三重挑战。业务条线的“域内特权”文化可能抵制业务本体的标准化，破解之道在于初期不强求全行统一，允许“域内本体”与“全行本体”共存，通过“本体映射层”实现互联互通。过度追求快速统一本体，容易导致业务瘫痪、响应失调。商业银行可遵循“八二原则”，优先覆盖高频、高风险、高歧义业务概念，接受本体的不完整性。针对存量系统的语义异构这一历史包袱，建议采用“本体网关”模式，在遗留系统与AI应用间构建语义适配层，逐步迁移而非推倒重来。

银行业下一阶段的竞争，将不再是技术或数据的竞争，而是“认知深度”的竞争。大模型暴露了“认知鸿沟”的深度与广度，而本体论则为工程化、系统性地弥合这道鸿沟提供了迄今为止最坚实的理论框架与实践路径。

这意味着商业银行的数字化哲学需要一场根本性转变：从过去专注于“流程如何建构”(流程驱动)，转向致力于定义“业务本质及其价值”(本体驱动)。谁能率先建立机器可理解、可执行的业务语义体系——即业务本体，谁就能在确保安全与合规的前提下，真正释放智能技术的革命性潜力。这不仅是技术升级，更是一场“认知平权”运动：每一位管理者都拥有专家视角，每一位员工都具备专家经验，每一位客户都能享受专家服务，形成全行共享共见的“业务真相”，这才是银行数智化的核心愿景。

本文刊于《中国金融电脑》2026年第5期

《中国金融电脑》杂志不收取作者版面费用，不会以所谓的“本刊代理/编辑部”或“发表定金”“手续费”等名义收取费用。购刊收款账户为对公账户，请勿对任何个人账户汇款。另，本刊开具发票不收取任何额外费用。如有异常，请作者立即与本刊编辑部查证核实，以免给自身造成风险或损失。

本刊编辑部联系方式：

010-51915111-816

投稿邮箱：