刘晓曙：人工智能助力商业银行加速转型探析

刘晓曙系青岛银行首席经济学家 、中国首席经济学家论坛理事

本文原载于《金融时报》理论研究版

当前，我国经济正处于新旧动能转换的关键阶段。随着技术革命深入推进，新旧经济之间的分化逐渐加剧。2018年至2024年，我国以房地产、基建、传统制造业等为代表的传统经济增长放缓、市场空间受限，资本投入回报率（ROIC）随之走低。从A股上市公司数据来看，2013年传统经济行业与非传统经济行业的ROIC还较为接近，均在8%左右，但到2025年，传统经济行业的ROIC已下降至2.77%，低于非传统经济行业3个百分点。以人工智能、先进制造、绿色发展为代表的新经济领域快速成长，逐步成为拉动经济增长的新动能。

金融是为实体经济服务的，经济结构发生转换，金融的服务对象、服务方式也理应随之调整。然而，我国商业银行客群转型未能完全适应或跟得上经济结构的变迁，信贷资产仍以传统经济领域为主。这种以传统经济为主的信贷资产结构，在面对经济结构转型时，会导致银行贷款收益率承压，负债成本上升，净息差持续收窄，这也推动银行业重新审视自身的经营逻辑与转型发展路径。

专业能力建设：风险管理能力的核心价值与发展现状

银行本质是经营风险的单位，风险管理能力决定了银行的业务边界。作为信用中介，银行转型背后的核心驱动力是信用风险管理能力的提升。过去，商业银行在房地产、政信类业务等领域积累的风险管理经验，更多停留在操作风险管理、合规管理层面。比如做房地产信贷，更多聚焦合规性审查，对实质性信用风险的识别深度不足。当经济结构从传统动能向新动能转换时，银行的服务对象结构发生了显著变化，如果信用风险管理模式不能与之相匹配，仍维持相对初级的专业化能力，会让银行难以将信贷资源有效配置到更加复杂的新兴经济业务领域。传统的不动产抵押思维、粗放的行业授信策略、缺乏行业深度的风险评估体系等，都构成了银行拓展新兴经济客群的能力瓶颈。可以说，信用风险管理能力的相对滞后，是制约商业银行转型的关键因素。

从国际同业的经验来看，一些国际先进银行经过长期的市场化实践，已经在信用风险管理的识别、度量、监测、控制等环节形成了较为成熟的能力体系，并将风险管理成果较为充分地转化为科学定价的基础，其净息差水平也相对稳健。例如，美国银行业2026年一季度净息差为3.31%，近十年均保持在2.5%以上的水平。虽然不同经济体的金融市场发展阶段、监管制度背景存在差异，国际经验不能简单照搬，但其中一些具体做法，仍值得国内银行业结合自身实际学习借鉴。

在风险识别环节，其重要性在于能否在开展业务时准确把握风险的种类、成因及影响程度。良好的风险识别应当兼顾客户自身风险与宏观、区域、行业等系统性风险因素。从国内实践看，随着信贷投向逐步向高端制造、科技创新、绿色发展等新经济领域拓展，部分银行、基层业务端仍习惯于依赖个人经验判断，对宏观经济周期、区域产业布局、细分行业特点等系统性因素的研究分析相对不足，这在一定程度上影响了业务拓展的精准度。国内也有一些银行已在行业研究和客群细分方面进行了积极探索，但从行业整体来看，这方面的能力建设深度和覆盖面还有待进一步提升。相比之下，国际先进银行普遍重视行业研究能力建设，通过深入的产业链研究和客群细分分析形成研究成果并转化为业务指引，帮助一线人员更精准地把握目标客群和风险要点。同时，普遍建立标准化的风险评级流程，前台人员提出初始判断后须经独立的专业评审环节确认。这些做法把风险识别从依赖个人经验的软能力，逐步转变为依托制度、流程和研究体系的硬能力。

在风险度量环节，其价值在于对已识别风险的发生概率、损失程度进行定量评估，是实现差异化定价的重要基础。如果缺乏有效的度量工具，银行往往只能依靠经验判断确定授信条件，难以将风险成本合理反映到贷款定价中。从国内实践看，部分银行在探索建立企业信用评级模型的过程中，曾因模型早期运行精度不高、应用场景相对有限等原因，出现评级工具使用不充分，甚至舍弃使用的情况；也有银行已经在部分业务领域搭建了相对成熟的评级体系，但行业整体的评级精细化程度、全场景覆盖度仍有提升空间。国际先进银行的经验，主要体现在建立覆盖全品类信贷业务的内部评级体系，并将评级结果与拨备计提、贷款定价紧密挂钩，同时普遍采用面向未来的预期损失计量方法，结合历史数据、当前经营状况和前瞻性信息动态，评估信贷资产的预期损失，使风险度量结果能够充分传导至价格端。

在风险监测环节，其核心价值在于持续跟踪已识别风险的发展变化，并及时调整应对策略，这要求风险监测形成动态、闭环的管理机制。从国内实践看，多数银行已建立贷后管理和风险预警的基本制度框架，但受风险识别和度量环节基础支撑不足的影响，部分预警机制的实际效能仍有提升空间；评级结果、拨备计提、贷款定价与预警信号之间的联动机制还不够紧密。具体看，当前多数银行的风险预警仍以财务数据为核心指标，更新频率普遍以季度、半年度为主，对企业经营异动、产业链传导风险、市场舆情变化、政策调整影响等非财务信号的捕捉能力相对不足。监测视角多局限于单户个体风险，对行业性、区域性的系统性风险传导缺乏穿透式识别与预判能力。预警触发后的处置流程多依赖人工推进，跨部门协同链路较长，风险信号从发现到落地管控存在一定时滞。国际先进银行的成熟做法，是构建评级、拨备、定价、预警相互联动的闭环管理体系，评级结果的变化会及时传导至拨备计提和贷款定价环节，并触发相应的贷后管理动作调整，形成识别、度量、监测、控制相互衔接的完整闭环。

在风险控制环节，良好的风险控制应当兼顾信用贷款与担保贷款、第一还款来源与第二还款来源，形成多层次的风险缓释体系，不宜过度依赖单一抵押担保方式。从信用的本质来看，信贷的核心支撑是借款人未来的偿付能力，本质是对其未来稳定现金流的预期与评估；抵押品只是风险发生后的缓释手段，属于第二还款来源，不能替代对第一还款来源的核心判断。过去，传统的房地产、土地因为同时契合了价值易评估、资产易流通、权属易控制的抵押品“三性原则”，成为银行长期依赖的核心缓释工具。这种模式也导致国内部分银行在服务政府平台、房地产等业务时，形成了过度依赖强不动产抵押物的惯性。我国商业银行信贷风控体系中押品结构相对单一、对第一还款来源的分析深度明显不足，这也是当前监管部门大力推动动产和权利融资业务发展的重要背景。国际先进银行的经验主要体现在，建立与风险评级挂钩的分级审批权限体系以及构建多元化的押品体系，除不动产抵押外，还广泛运用应收账款、存货、设备等动产作为押品，并将现金流分析作为授信决策的核心依据之一。

综合来看，我国银行业风险管理能力建设整体仍处于向更高层级迈进的阶段。部分银行、部分业务领域已经具备了较好的探索基础，但从行业整体看，识别、度量、监测、控制四个环节的能力建设深度和协同程度，还有一定的提升空间。这既是转型的挑战所在，也是下一步能力建设的方向所在。

人工智能赋能：银行风险管理能力建设的加速器

面对上述能力建设的迫切需求，如果仅依靠传统的人才培养、制度建设和数据积累逐步推进，往往需要相当长的时间周期。人工智能技术近年来的快速迭代更新，为银行业加快能力升级提供了新的工具和手段。谈人工智能，不可脱离业务空谈，否则容易陷入“技术万能”的陷阱。人工智能的价值，在于能否被有效嵌入能力建设的各个环节，成为能力转型和业务转型发展的加速器。

在风险识别环节，人工智能有望把行业研究能力从依赖少数专家的经验积累，转变为一线人员普遍可以调用的智能化工具。大模型技术能够对企业公告、产业链信息、舆情数据、司法记录等海量非结构化信息进行快速处理和语义理解，帮助银行在较短时间内构建更加细致的客户画像和风险因子体系，使风险识别从粗线条的“看抵押物、看股东背景”，升级为多维度的“读数据、看行为、看产业链”，显著提升早期异常信号的捕捉精度与风险识别的前瞻性。尤其对于新兴经济企业而言，传统财务报表往往不足以完整反映其真实经营状况，更能反映真实情况的订单稳定性、研发持续性、核心客户依赖度、产业链位置变化等信息，可以借助智能工具进行持续跟踪提取和综合专业研判。人工智能并不是简单替代客户经理“看材料”，而是在更大范围内帮助银行形成对客户更立体、更接近真实经营状态的风险认知。与此同时，人工智能对风险识别的价值还在于增强交叉验证能力，实现企业自身披露的信息与外部交易、上下游关系等多源信息的交叉比对，减少单一口径信息失真的影响，大幅降低信息不对称带来的判断偏差，为授信审批与额度管控等提供更扎实的多维评判支撑。

在风险度量与定价环节，人工智能可以推动信用评级模型加快走向成熟可用，解决传统模型迭代周期长、精度提升缓慢的问题。传统信用评级多采用参数化统计模型，高度依赖长周期历史违约数据完成校准，一次完整的模型迭代往往需要数年的数据积累。机器学习和大模型具备很强的自学能力，能够结合产业链交易数据、物联网数据、政务涉税、知识产权等外部替代数据源，在相对有限的历史数据条件下更快地提升预测精度。同时，人工智能可以支撑更复杂场景下的模型训练和动态调整，过去银行在面对新产业、新模式、新业态时，往往因为缺乏足够长的历史违约样本而难以建立稳定模型，导致定价要么偏保守、要么偏粗放，而人工智能可借助更强的非线性拟合能力，较为客观地刻画风险因子与违约概率之间的复杂关联，在一定程度上可缓解因“样本少、变化快、异质性强”带来的建模困难，使风险度量更接近企业真实经营状态，更好地服务于差异化授信和差异化定价。这样一来，既有助于银行提升风险识别精细度，也可避免因定价过粗而错失优质客户，在风险可控的前提下拓宽新经济客群的服务边界。

在风险监测环节，人工智能可以直接推动风险监测从静态、周期性检查，转变为实时、自动化的动态闭环。依托实时数据流和异常检测模型，系统可以持续跟踪客户经营状况、行业景气度、市场舆情等多维信息的变化，帮助银行从滞后性预警转向前瞻性、实时性风险趋势识别，并在贷后管理和组合调整上实现更及时的预警和响应，提高对新业务领域风险的动态把控能力。更重要的是，人工智能有助于把原本分散在不同系统中的“微信号”识别出来。单一指标的轻微波动未必意味着风险明显上升，但若订单下降、回款变慢、舆情异常、上下游纠纷增多等信号同时出现，往往意味着客户信用状况正在发生趋势性变化。借助人工智能的实时数据分析能力，一旦监测到风险信号，系统即可自动触发评级重检、拨备计提和定价调整等联动动作，打通此前各环节相互割裂的堵点，使风险监测真正嵌入日常经营管理的全流程环节，而不再是相互割裂独立的制度动作。

在风险控制环节，人工智能可以支撑押品管理和授信决策的智能化、精细化，加快押品多元化和审批专业化的落地进程。通过图像识别、物联网数据采集和智能估值技术，银行可以对押品进行更高效的确权、估值和动态重估，尤其是在动产和权利质押场景中，押品的价值波动、权属变化、在库状态和处置可行性往往比不动产更复杂，传统人工管理模式很难低成本、持续性地完成监测和更新。人工智能与物联网、数字仓单、在线确权等技术结合后，可以在一定程度上提高押品管理的穿透性和时效性，增强银行对第二还款来源的真实控制能力，有助于银行改变过去主要依赖不动产抵押、其他押品处置能力不足的局面，构建多层次的风险缓释体系。同时，智能化审批辅助工具能够结合企业现金流、经营数据和风险画像，统一审批判断标准、减少人为经验决策偏差，保障风险评级与授信政策在审批端精准落地，提升风险管控的一致性与专业性。这意味着，原本需要多年才能形成的专业化审批能力和押品管理体系，有望借助人工智能技术工具在较快时间内实现部分替代和加速补齐。

技术本身不会自动转化为能力，人工智能要在银行转型中发挥实质作用，离不开与数据治理、模型管理、风险政策、组织架构和人才队伍的协同。银行在推进人工智能技术应用之前，首要回答的仍然是能力问题：希望在风险识别、度量、监测和控制这几个环节上具体提升什么、提升到什么程度；在明确这些目标之后，再去设计人工智能在其中具体扮演什么角色、需要怎样的数据基础和流程配合。这种“先能力、后技术”的顺序安排，有助于避免技术与业务脱节，也有助于确保人工智能真正服务于银行的长期竞争力。

同时也要看到，人工智能在提升效率的同时，也可能带来模型可解释性不足、数据安全、算法偏见等新的风险点，需要银行在推进技术应用过程中同步加强相应的风险管控。未来考虑将人工智能相关风险纳入全面风险管理体系，做到审慎推进、稳步应用，才能真正把技术红利转化为可持续的能力建设成果，而不是在加快补短板的过程中形成新的风险敞口。

人工智能提供的不是替代传统风险管理体系建设的捷径，而是一种能够压缩能力建设周期、加快弥补能力差距的有效工具。面对经济结构转型对银行风险管理能力提出的更高要求，国内银行业应当抓住这一技术窗口期，在明确自身能力目标的前提下，稳妥推进人工智能与风险识别、度量、监测、控制各环节的深度融合，加快实现从传统能力配置向与新经济、新业态相匹配的能力体系的转变，加速商业银行转型服务实体经济发展。