广东上线「Token贷」，银行以企业Token消耗、业务订单等作为授信核心依据，如何看待这一创新模式？

科技的尽头是金融，这点是符合我们的市场特点和消费层次结构的，但广东这次推出的“Token贷”，本质上不是把“Token本身”当作抵押物，而是把企业的AI经营活跃度、Token消耗、订单、算力使用等新型经营数据，转化为银行可识别的信用信号，从金融创新角度看，他其实就是从“工业时代”的“三表”（水表、电表、燃气表）识别逻辑，升级到“AI时代的数字化要素”，核心还是一种“经营贷”！

而且，现在AI虽然经济增长驱动走的是新的资本支出，但具体商业落地模式，在我们这里走的还是老的“互联网2.0”时代的流量、广告等路径，因此实际上“马太效应”在AI运用上依然在延续，此时如果资金、设备、团队配置能力更弱的中小企业，盲目扩大“Token”消耗，并加上“杠杆”，我不知道会不会重复上一个供应链金融时代的问题。

不过，本着“先发展后治理”的传统惯性逻辑，先鼓励金融创新吧，反正看看最后的坏账率，再去评判对错，反正这种方式，明显还是能给企业额外增信放贷、并跳出传统金融的资产负债表逻辑，特别适合当下流行的OPC企业，但我是做金融风控的，我觉得给弱势群体加杠杆以撬动大盘的方式，我持保留意见。

一、“Token”信用评价逻辑：

传统银行给小微企业授信，核心还是财务报表、抵押物、纳税记录、银行流水和征信。问题是，AI创业企业尤其是“一个人公司”、软件开发商、智能体服务商，往往存在“轻资产、高研发、收入早期不稳定”的特点，传统指标无法评估其真实经营能力，因此无法为经营者创造借贷便利。

而Token贷，其实是站在大盘高度，按国策逻辑去试图解决当下"Token“价格持续下跌的问题，其核心是要激发出消耗量，因此，这种贷款的逻辑就是：

企业每天消耗多少Token → 有多少真实AI业务需求 → 能否产生订单/收入 → 客户是否持续使用 → 企业现金流是否具有持续性。

因此，只要一个AI企业持续拥有大量真实客户调用、且Token消耗稳定增长，同时订单、回款同步增长，那其信用质量就可能比资产负债表所表现出来的更好。

这与传统的“抵押物信用”逻辑不同，属于数据资产的金融化方向！

二、美国类似的产品

美国其实已经走在类似方向上，只不过没有把它包装成“Token贷”。

最典型的是Square Loans！

这个产品，会直接利用商户在其支付平台上的交易金额、交易频率、客户结构、账户历史等实时经营数据决定给予用户的贷款额度，且可以申请自动贷款功能，而其还款则直接从每日销售收入中按比例扣除，因此，企业生意好时多还、生意差时少还，尤其是，今年这个产品还进一步利用机器学习和实时数据扩大了授信范围。

这与广东Token贷的底层逻辑高度相似：

Square Loans：实时支付流水和平台经营数据监控 → 信用评分 → 授信。

中国银行：Token消耗和AI业务订单 → 算力经营数据 → 信用评分 → 授信。

所以这种金融产品并不是一种“中国独有”的金融技术，专业名称叫：“替代数据（Alternative Data）信贷！

而且，美联储、FDIC、OCC等机构在2019年就明确讨论了利用银行流水等传统征信之外的数据进行信用评估，并认可其能够扩大信用覆盖面、改善授信效率，但同时强调数据安全、消费者保护和合规风险。

三、金融角度的最大风险：Token消耗不等于企业值钱

在我看来，Token消耗量是“活动指标”，不是“盈利指标”，而金融是建立在净现金流规模大小基础上的风险错配。

如果，一家企业一天烧掉10亿Token，可能意味着业务爆发，也可能只是因为模型效率低，大量重复调用，又或者当下业务初级， 企业在烧钱训练模型！

甚至，有些“聪明”人可能还会建立起通过补贴购买虚假流量、再用大量免费客户制造调用量，造出Token消耗很高，订单和现金流很大，但财务报表很能真实盈利的套补和骗贷模式！

而且，AI行业技术快速迭代后，同样的业务谁能用更少的Token才是王者，因此我个人认为Token/收入比、Token/订单比、Token/毛利比可能比Token绝对数量更有意义。

这也就是为什么美国的替代数据授信通常不会只看一个指标，而是结合现金流、交易行为、账户历史等多维数据。美国国会研究处也特别指出，替代数据虽然可以扩大信贷覆盖，但同时会产生数据安全、公平信贷和模型风险。

我不知道我国的“Token”贷，是不是考虑了这些！

四、金融角度的第二个风险:在不成熟阶段时的“数据泡沫”可能演变成信用泡沫

这是我认为Token贷中长期最大的风险。

假设银行把：

Token增长 → 企业成长 → 授信增加 → 企业购买更多算力 → Token继续增长 → 再次获得更多授信

作为金融闭环，那么很容易出现一种“用融资制造经营数据，再用经营数据获得融资”**的循环。

一旦AI行业景气度下降、客户减少或者模型价格大幅下降，Token消耗突然下降，企业现金流可能同步恶化。

因此，银行就是银行，他不是投行，我认为其不应该轻易把Token当成“抵押物”，而应该把它作为领先指标，且必须回归到：

订单真实性、回款能力、毛利率 、净现金流、客户留存、负债水平、客户质量这类的传统维度里

五、金融角度的第三个风险：银行投后能力跟上了么？

Token贷实际上把企业内部经营数据变成了金融数据，可企业用户那些数据隐私、商业秘密泄露、数据造假、算法偏差、模型黑箱这种，银行的信贷人员能看懂么？

未来如果银行根据算法自动决定额度，那什么情况下，企业会被降额呢？如果银行自己都无法解释模型，企业就更难申诉。

从美国监管部门的经验看，他们对Alternative Data（另类数据）的态度一直不是“反对”，但一直强调：数据可以创新，但不能因为换了数据，就降低金融监管标准！

所以，我个人觉得Token贷值得肯定，但不应该被神化，而且不应该先让最弱的CPO企业尝试。

我个人建议广东能够把Token、订单、发票、税收、银行流水、算力消耗、客户回款进行交叉验证，切记不可走向“AI数据泡沫的金融化”。