嵇少峰：智能风控不是一个AI（信贷人员必须掌握的基础课）

（AI将彻底改变信贷，信贷人员未来要做什么？这篇科普文建议所有信贷人员、IT人员和银行管理者都读一读）

这两年，银行谈信贷数字化，开口往往就是大数据、模型和AI。不少人把自动审批称为AI审批，把评分卡称为智能模型，把规则引擎、大数据平台、知识库乃至普通软件都归入“智能风控”。概念被混在一起以后，银行看似拥有了越来越多的技术，实际上却越来越难回答几个最基本的问题：系统究竟用了什么数据，模型预测的是什么，分数为什么能够转化为贷款，AI又在其中承担什么责任。

银行人员目前最容易混淆的，不只是AI和模型，而是把数据、指标、规则、算法、模型、评分、阈值、策略、系统和人工判断全部混成了一个技术黑箱。客户经理看到的是系统通过或者拒绝，审查人员看到的是一个风险分数，管理者看到的是审批率和不良率，至于这套结果怎样形成、哪些事实已经查清、哪些风险仍然留在系统之外，往往无人能够完整说明。

先给出本文最重要的结论：银行目前在消费信贷和小微税贷中实现自动审批，主要依靠的不是一个无所不能的AI，而是一套由数据、规则、传统统计模型、机器学习模型、审批策略和业务系统共同组成的风险控制体系。生成式人工智能，也就是近两年公众通常所说的大模型AI，只是后来加入其中的一种新能力，目前并不是自动审批的主要基础，更不能替银行直接认定客户事实和承担信用风险。

把这些概念讲清楚，不是为了把信贷人员培养成程序员。恰恰相反，是为了让信贷人员重新取得对技术的判断权。只有知道每项技术能够解决什么、不能解决什么，银行才不会把软件功能当成信贷能力，把模型输出当成客户事实，把技术供应商的产品说明当成风险管理结论。

一、先看懂一笔贷款是怎样被机器处理的

一笔线上贷款从申请到审批，通常会经过这样一条链条：现实中的客户和经营活动被记录为数据，原始数据被加工成指标或模型变量，规则系统先排除明确不符合条件的业务，不同模型分别识别身份、欺诈、信用风险和偿债能力，模型再输出评分、等级、概率或预测金额，银行根据风险偏好和产品政策设置阈值与审批策略，决策系统最终给出通过、拒绝、转人工、额度和价格，贷款发放后的实际表现再用于检验原有规则和模型。

举个例子。王先生在手机银行申请20万元消费贷款。系统先取得他的身份、职业、月收入、现有贷款、历史逾期、贷款查询、本行交易和登录设备等记录，这些是原始数据；再计算债务收入比、近半年查询次数和收入稳定性，这些是指标或变量。规则先检查年龄、严重逾期和禁止准入条件；身份核验判断是不是本人，反欺诈模型判断有没有冒用或者中介包装；信用模型估计未来违约风险；偿债能力模块测算每月最多能够承受多少还款。假设模型给出680分和2.1%的预计违约概率，银行策略规定660分以上可以进入审批，但根据收入和已有负债，最终只批准12万元。最后把这些步骤自动执行并显示结果的，才是审批系统。

这条链上的每一层回答的都不是同一个问题。数据回答客户被记录了什么，指标回答哪些现象可能反映风险，规则回答哪些情况明确可以做或不可以做，模型回答客户发生某类风险的可能性有多大，策略回答银行准备怎样处理这种风险，系统负责把规则、模型和流程稳定执行，人工则负责核实事实、解释原因、处理例外并决定银行是否承担风险，贷后结果最后检验原来的判断究竟对不对。

很多所谓“智能审批”的混乱，正是因为银行把这几个不同层次压成了一个按钮。只要系统给出批准，就误以为客户事实已经查清；只要模型分数较高，就误以为风险原因已经得到解释；只要流程自动运行，就误以为原来由调查、审查和审批承担的责任也转移给了机器。事实上，系统自动执行的只是银行预先放进去的数据、规则、模型和策略，责任并不会因为流程线上化而自动消失。

二、数据、指标、规则、算法、模型和系统不是一回事 1、数据是对客户事实的记录，不是事实本身

客户年龄、职业、收入、贷款余额、历史逾期、企业纳税、开票、账户流水、工商登记、司法诉讼、登录设备以及企业与股东、关联方和上下游之间的关系，都是银行可能取得的数据。数据是现实活动留下的记录，却不等于现实本身。例如税务系统显示某企业去年开票1000万元，只能证明系统记录了这些开票行为，不能直接证明1000万元销售全部真实、已经履约并形成现金回款，也不能证明企业没有未开票收入。

因此，模型首先依赖的不是高深数学，而是数据质量。数据来源错误、主体错位、时间口径不一致、更新不及时或者重要事实根本没有进入系统，模型无论采用多么复杂的算法，都不可能自动还原真实客户。数据错了，模型计算得越快，错误反而可能扩散得越快。

2、指标、变量和特征是经过加工的数据

模型一般不会把全部原始数据原样投入计算，而是先把数据加工成能够反映风险的指标。企业最近十二个月账户累计入账1200万元，可以进一步算成月均入账100万元、最高月与最低月差异、回款集中度和资金快进快出比例；收入与每月还款额可以加工为债务收入比；开票数据可以加工为增长率、连续性和客户集中度。技术人员通常把进入模型计算的项目称为变量，在机器学习中也常称为特征。通俗地说，原始数据是系统看见了什么，指标、变量和特征是银行准备从什么角度理解这些数据。

可以把原始数据理解为体检中的身高、体重、血压和血糖，把指标或特征理解为医生据此计算的体重指数和疾病风险指标。同一组原始数据可以形成不同指标，不同指标又可能服务不同模型。指标怎样设计，本身就包含业务假设和专家经验。

3、标签是模型准备学习的历史结果

模型要预测未来，必须先知道历史客户后来发生了什么。贷款发放后十二个月内是否出现连续九十天以上逾期，是否发生欺诈，是否进入催收，是否形成实际损失，企业风险分类是否下迁，这些历史结果都可以成为标签。标签就像给历史试卷标上答案，模型先看哪些客户后来变坏，再从他们申请贷款时的数据中寻找共同特点。

标签定义不同，训练出来的模型就不同。把逾期三十天定义为坏客户，与把逾期九十天定义为坏客户，不是同一个预测任务；贷款通过展期、续贷或者担保代偿保持表面正常，是否仍被标记为好客户，也会直接改变模型学到的规律。标签看起来只是技术字段，背后却是银行对风险结果的业务定义。

4、规则是银行事先明确的判断条件

规则最常见的形式是“如果出现某种情况，就执行某种处理”。客户年龄不符合产品要求，属于禁止准入行业，征信存在严重违约，申请金额超过产品上限，企业没有连续纳税记录，申请设备同时关联大量不同客户，或者放款条件没有落实，系统就按照银行预先设定的要求拒绝、限额、转人工或者禁止放款。

规则由人事先确定，同样输入原则上得到同样结果，容易解释和检查，适合执行制度红线、授权边界和明确业务条件。它的不足是不能自动发现银行事先没有想到的新规律。传统技术中确实存在基于规则的专家系统，但在银行信贷文件中，与其使用“规则智能”这类容易引起误解的说法，不如直接称为规则控制或者规则系统。规则不是模型，规则系统也不必然属于现代意义上的人工智能。

5、算法是制造模型的方法，模型是计算出来的成品

算法是解决问题的方法和步骤，可以把它理解为一套做法；模型则是运用某种算法和一批具体历史数据训练出来的成品。逻辑回归、决策树、随机森林、梯度提升树和神经网络都是算法或者算法类别。同样一套做法，使用的客户数据、变量和风险答案不同，得到的模型就不同。就像两家饭店都采用同一种烹饪方法，原料和配比不同，做出的菜也不会完全一样。

模型是银行利用数据、假设和计算方法，把客户信息转换为风险估计结果的一套计算关系。一个消费贷款模型可能根据客户负债、收入、历史逾期、贷款查询和本行交易，估计其未来一年发生违约的可能性。模型至少包括输入、处理和输出三个部分。它本质上是对现实关系的简化表达，只能回答设计时准备回答的问题，不是真实客户本身，更不是真理。

6、参数是模型内部形成的数值，不是模型能力的勋章

模型在历史数据中发现某些因素与风险关系较强，就会给它们分配不同权重，这些权重以及模型内部需要确定的其他数值都属于参数。例如历史逾期对风险分数影响多大、负债上升到什么程度会明显增加违约概率，最后都会以某种数值进入模型。传统评分模型可能只有几十个主要参数，大语言模型可能包含数十亿甚至更多参数。参数数量只说明模型内部规模，不能直接说明它更适合信贷审批。一个结构复杂的模型，如果数据质量较差、使用范围错误或者无法稳定验证，完全可能不如简单模型可靠。

7、评分、概率和评级是三种不同表达

模型可以输出风险概率、信用分数、风险等级、真假标签、异常程度、预测金额，也可以生成一段文字。信用分数主要用于排列客户风险高低，分数方向和尺度由银行自行规定，并没有全行业统一的含义。某客户得到650分，只能说明他处在某个相对风险位置，不能天然解释为6.5%的违约概率。只有经过概率校准以后，银行才能把某个分数区间与大致违约概率联系起来。

评级则是把客户归入若干风险等级。内部评级可能进一步对应违约概率和资本计量，但一个等级本身仍然是银行定义的风险分类。分数解决排序，概率描述发生风险的可能性，评级把风险分组管理，三者不能混用。

8、阈值和策略体现的是银行选择，不是模型自然结论

模型给出结果以后，银行还要划定处理界线。评分低于什么水平拒绝，中间区间是否转人工，欺诈概率达到什么程度暂停申请，风险较低的客户可以给多少额度，这些界线就是阈值。阈值不是模型自己天然决定的，而是银行结合风险偏好、贷款收益、资本占用、客户体验和业务规模作出的选择。使用同一个模型，只要阈值不同，审批通过率和不良率就可能完全不同。

策略比单项规则范围更广。它把客户准入、模型评分、风险等级、额度、利率、客户价值、资本成本、区域行业限额、担保条件和人工审批要求组合起来。模型回答风险可能有多大，策略回答银行面对这种风险准备怎么办。即使模型预测违约概率为3%，银行仍要判断收益能否覆盖损失、客户是否属于目标客群、是否存在欺诈疑点、能否通过金额、期限、担保和贷后条件控制风险。

9、规则引擎、决策引擎和业务系统只是执行载体

规则引擎是专门执行大量明确条件的软件，决策引擎则把多个模型、规则和审批策略按照既定顺序连接起来。可以把它理解为机场塔台：身份核验、反欺诈、信用风险、偿债能力和额度定价分别提供信息，决策引擎按照银行设定的顺序决定下一步去哪里。系统可能先验证身份，再识别欺诈，随后检查禁止准入条件，计算信用风险和偿债能力，测算额度与价格，最后输出通过、拒绝或者转人工。很多银行宣传的“智能审批模型”，实际不是一个模型，而是模型、规则和策略共同组成的决策系统。

系统的价值在于稳定、快速、批量地执行银行已经明确的安排，却不能替银行弥补专业判断空白。如果数据、规则和模型本身存在问题，系统只会更加一致地执行错误。把系统上线等同于风险能力建成，是银行数字化转型中最常见的认识偏差之一。

最简单的记法是：数据是原始记录，指标是加工后的观察角度，规则是银行提前画出的红线，算法是制作模型的方法，模型是用历史数据形成的风险判断工具，评分和概率是模型输出，阈值是通过或者转人工的分界线，策略是银行准备怎样处理风险，系统负责把前面的安排自动执行，人工则负责查明机器看不到的事实、解释原因并承担最终责任。把这十句话记住，后面的概念就不会再混在一起。

三、模型不是一个黑箱，它有完整的形成和管理过程 1、一个模型首先要明确究竟预测什么

以消费贷款违约模型为例，银行必须先明确预测对象、观察期限和违约定义，例如预测新发放贷款在未来十二个月内出现连续九十天以上逾期的可能性。目标不清楚，后面的样本、标签、变量和评价指标都没有共同基础。所谓模型先进，首先不是算法复杂，而是问题定义准确。

可以把模型开发理解为学校培养学生。先确定考什么，相当于明确模型目标；再选择教材和历史例题，相当于确定样本和数据；学生做题并纠错，相当于训练模型；换一套没有见过的题考试，相当于验证和测试；正式上岗以后还要定期考试，相当于持续监测。任何一步把答案泄露给模型，或者考试内容与真实工作完全不同，模型表现都会失真。

2、模型只能从被选择的历史客户中学习

银行从历史贷款中选择一批客户，收集申请时能够取得的数据和贷款发放后的实际结果，再把客户标记为好客户、坏客户或者欺诈客户。这里天然存在样本选择问题：模型通常只能看到已经获批客户的还款结果，看不到被拒绝客户如果当时获得贷款会怎样。如果银行过去主要向公务员发放某类信用贷款，模型学到的首先是公务员客群的规律；后来直接把它用于个体工商户和企业主，就可能超出原有经验范围。

模型还需要把原始数据加工成特征，再由算法寻找这些特征与风险结果之间的关系。所谓训练，本质上是根据历史结果不断调整参数，使模型减少预测错误。机器学到的是历史样本中的统计关系，并不是像信贷专家一样真正理解了企业或者个人。

3、训练、验证和测试不能使用同一批答案

如果银行用训练模型的同一批数据证明模型准确，就像让学生用已经背过答案的题目参加考试。规范做法通常会划分训练样本、验证样本和测试样本，有时还要使用跨时间样本检验模型在另一个时期是否仍然有效。训练样本相当于教材例题，验证样本用于调整，测试样本才接近正式考试。

模型还必须明确适用于什么客户、产品、金额和地区，依赖哪些数据，缺少数据怎样处理，什么情况下不得使用，哪些异常需要转人工。模型不是只要计算成功就可以使用，使用范围本身就是模型的一部分。

4、模型上线只是管理开始，而不是管理结束

模型接入申请系统、数据平台、规则引擎和审批流程以后，才真正进入业务。银行随后还要持续监测客户群、经济环境、变量含义、预测风险与实际风险、人工调整情况以及模型是否被客户和中介识别规避。发现模型缺陷或者不再符合设计目标，应重新测试、优化、限制使用或者退出。

我国互联网贷款监管规定已经把模型管理覆盖到开发测试、评审、监测和退出，要求职责清晰、独立评审、持续监测，并明确银行不得把模型管理责任外包。这说明采购一个外部评分或者模型平台，不等于银行已经具备模型管理能力。

5、模型分类必须分清用途、方法和阶段

银行人员经常把反欺诈模型、随机森林模型和贷前模型放在一起比较，实际上三者分别属于用途、算法和业务阶段三个不同维度。按照用途，信贷领域常见身份认证、反欺诈、反洗钱、合规、信用评分、内部评级、偿债能力、授信审批、额度、定价、贷后预警、催收和损失预测等模型。每类模型回答不同问题，不能让一个综合分数替代全部判断。

按照方法，最容易理解的是专家评分和逻辑回归。专家评分由信贷专家选择指标、确定分值和权重；逻辑回归和传统评分卡则从历史数据中计算哪些因素与违约更加相关，结构相对清楚，长期以来广泛用于信用风险预测。

决策树像客户经理连续提问：有没有严重逾期、负债是否过高、收入是否稳定，每个答案都把客户带到下一条路径。随机森林不是只种一棵树，而是让许多棵树分别判断后再共同表决；梯度提升树则让后面的树不断纠正前面判断错的客户。这几类方法特别适合银行常见的表格数据。

神经网络和深度学习更擅长处理人脸、图像、声音、文字和复杂行为；聚类用于把相似客户自动分成若干群体；异常检测寻找与大多数客户明显不同的行为；关系网络和图模型则用于发现共同设备、关联企业、循环交易和团伙欺诈。它们解决的问题不同，不能只按名称比较谁更先进。

按照阶段，营销获客使用客户响应和客户价值模型，贷款申请使用身份与反欺诈模型，风险评价使用信用评分、评级和偿债能力模型，授信审批使用额度与定价模型，贷款存续期使用行为评分和预警模型，风险处置使用催收、失联和回收率模型。所谓一笔贷款经过七八个模型，并不夸张，因为它们本来就在回答七八个不同问题。

6、判断模型好坏不能只看一个技术指标

非技术管理人员不必死记AUC、KS等指标的名称和计算公式，只要知道它们首先在看模型能不能把高风险客户排在低风险客户前面。假设随机抽取一名后来违约的客户和一名正常客户，如果模型经常能够把前者排得更危险，说明区分能力较好。但把顺序排对，不等于已经准确算出违约概率，更不等于银行一定赚钱。

第二要看预测是否准确和稳定。模型说某一组客户的违约概率大约为3%，后来实际结果也应大体接近3%，这叫校准；模型换一个时间、地区和客群仍然有效，才说明具有稳定性；少量数据缺失或者异常不会让结果突然翻转，才说明具有较好的稳健性。

第三要看银行能否解释和管理。银行要能够说明数据从哪里来、哪些因素影响结果、模型用于什么范围、什么时候必须转人工。最后还要看审批率、违约率、欺诈损失、客户投诉、收益、资本占用和风险集中。技术指标漂亮，只能说明模型的某项考试成绩不错，不能证明整项贷款业务一定安全。

能把客户顺序排对，不等于能准确预测概率；上线时表现好，不等于几年后仍然有效；技术指标漂亮，也不等于产品最终赚钱。模型评价的重点从来不是寻找一个最高分，而是确认它是否适用、稳定、可验证、可解释、可管理。

四、AI、机器学习、深度学习和大模型究竟是什么关系 1、人工智能是一个总称，不是某一个模型

从实务角度看，人工智能是使机器能够根据输入信息和既定目标，完成识别、预测、推荐、生成内容或者执行行动的一大类技术。最简单的理解方法，是把AI看成一个大家族：机器学习是其中一个重要分支，深度学习又是机器学习中的一类方法，大规模预训练形成基础模型，专门处理语言的基础模型中又包括大语言模型。因此，大语言模型属于人工智能，但人工智能绝不只有大语言模型。

机器学习让机器从历史数据中寻找关系。传统规则是人直接告诉机器“出现A就执行B”；机器学习则是给机器大量历史客户和后来结果，让算法自己寻找哪些特征与违约有关。深度学习使用层次更多的神经网络，特别适合人脸、图像、声音和文字。大语言模型主要学习大量语言材料中词语、语句和知识表达之间的关系，再根据当前问题生成最可能的回答。它擅长理解和组织语言，并不因此天然懂得某家企业的真实经营。

2、自动化、大数据和云计算不等于人工智能

银行核心系统自动计算利息，是普通软件计算；系统按照既定权限检查审批流程，是规则控制；RPA即机器人流程自动化，是让软件模拟人工点击、录入和搬运数据，相当于一个不会疲劳的电脑操作员。这些都属于自动化，可以提高效率，但不一定需要机器学习和大模型。

大数据、数据仓库和数据湖解决的是大量数据怎样存放、整理和调用，可以把它们理解为不同方式建设的大型数据资料库；云计算提供计算和系统运行能力；API即应用程序接口，像不同系统之间的标准插座，使征信、工商、税务和银行系统能够交换数据；隐私计算用于在不直接暴露原始数据的情况下完成联合计算；区块链侧重分布式记录和验证。它们都是AI落地可能依赖的基础设施，却不等于AI本身。

OCR即光学字符识别，负责把身份证、合同和报表图片中的文字变成机器可以处理的数据，现代OCR和人脸识别通常会使用AI模型；自然语言处理属于AI技术；知识图谱主要记录企业、股东、实际控制人、账户和交易之间的关系；决策引擎只是执行规则、模型和策略。必须区分三件事：能够处理大量数据不等于AI，能够自动执行不等于AI，使用了模型也不等于使用了大模型。

3、生成式人工智能擅长处理材料，不等于能够认定事实

传统信用模型通常输出分数、概率或者分类结果，主要承担预测和判别；生成式人工智能则可以生成文字、图像、语音、程序代码、表格和报告。它特别适合阅读制度、合同、报表、访谈记录和调查报告，完成信息提取、材料比较、摘要、问题清单和初步分析。公司信贷长期缺少处理非结构化材料的高效率工具，所谓非结构化材料，就是不能像姓名、金额和日期一样直接放进固定表格的大段文字、图片、录音等资料。生成式人工智能在这个领域确实具有重要价值。

但语言流畅不等于事实正确。材料本身错误，大模型可能把错误组织得更加完整；证据不足，它可能用听起来合理的语言填补空白；多个来源相互矛盾，它可以提示矛盾，却不能在没有新证据的情况下决定哪一个是真实情况。生成内容只能作为分析线索和工作底稿，不能未经核实直接写成客户事实。

4、知识库、检索增强生成和智能体各有明确边界

知识库是银行保存制度、案例、行业资料和业务知识的资料集合，可以把它理解为内部图书馆，并不等于大模型。大模型如果只靠训练时记住的内容回答，容易引用过时或者不存在的规定；银行先从知识库中找到当前有效文件，再交给大模型组织答案，就像让它参加一次可以查阅指定资料的开卷考试，这种方式通常称为检索增强生成。资料找错、找漏或者已经失效，回答仍然可能出错。

智能体通常由大模型、数据、知识库、软件工具、任务步骤和操作权限共同组成。普通大模型更像只负责回答问题的助手，智能体则是在授权范围内还能使用工具的助手：它可以查询客户材料、调用财务分析程序、比对工商司法信息、生成补充调查清单、发起人工复核并记录结果。它的能力来自多种工具的组合，并不是因为出现了一个可以独立承担信贷责任的新大脑。

有些科技公司把多模型调用、数据连接、任务安排、权限控制、输入输出检查、质量评价、运行监测和日志留痕的平台称为Harness。这个词在银行业没有统一定义，也不宜翻译为“企业大脑”或者“驾驭中枢”。对银行管理文件而言，更准确的名称是人工智能应用管理与运行控制平台。通俗地说，它负责规定AI可以查什么资料、调用什么工具、做到哪一步必须停下来等人处理，并保留全部操作记录；它只能按照银行赋予的权限运行，不能拥有银行的管理权。

举个例子。客户经理要求AI检查一份企业授信材料。知识库提供本行现行制度和行业调查要点，检索程序先找到与该客户有关的条款，大模型阅读合同、报表和调查记录并归纳矛盾，智能体再调用工商查询和财务分析工具，列出需要补查的问题。人工智能应用管理与运行控制平台则负责限制它不能直接修改客户数据、不能自行批准贷款，发现敏感信息或者结论冲突时必须转人工，并完整记录查过什么、生成了什么。五个概念在同一个场景中各有作用，不能统称为一个大模型。

五、消费信贷和小微税贷实际使用的并不是一个AI 1、消费信贷具备较好的批量模型化条件

消费信贷客户数量大、单笔金额相对较小、产品标准化程度高、数据结构比较统一、还款结果反馈较快，可以形成大量好坏客户样本，因此适合统计模型和机器学习模型批量处理。银行通常会使用客户申请、身份职业、个人征信、本行存贷款和信用卡、账户交易与工资代发，以及依法合规取得的公积金、社保、设备和操作行为等信息。

申请环节先通过身份证识别、身份核验、人脸识别、活体检测、手机号银行卡一致性和设备检查解决是不是本人；反欺诈环节识别身份冒用、虚假材料、中介包装、团伙骗贷和异常关联；信用评分预测未来违约风险；偿债能力模型分析收入、已有债务和新增还款压力；额度与定价模块决定最多贷多少和怎样覆盖成本；贷款发放以后再通过行为评分、预警和催收模型持续管理。身份真实、没有欺诈、信用较好和有能力还款，是四个不同问题。

回到前面王先生申请20万元贷款的例子。人脸识别只证明申请人是不是王先生，反欺诈模型只判断申请有没有冒用和包装，信用评分只比较他未来违约风险高低，偿债能力分析只测算他能够承担多少新增还款。即使四个环节都通过，银行仍可能因为风险偏好和产品额度只批12万元。所谓“秒批”，只是这些不同工作在几秒内依次完成，并不是一个AI看了客户一眼就决定放款。

业内常把申请阶段的信用评分称为A卡，把贷后行为评分称为B卡，把催收评分称为C卡。这些名称属于行业习惯，不是统一监管术语。额度模型也不一定是复杂机器学习模型，可能是一套公式、规则和审批策略。由此可见，消费贷款的自动审批从来不是一个信用分数决定全部结果。

2、小微税贷同样是多类数据、规则和模型的组合

较为成熟的税贷通常由税务数据、企业数据、实际控制人数据、征信数据、银行内部数据、反欺诈规则、信用模型和审批策略共同组成。涉税信息可能包括纳税信用、申报、实际缴税、应税销售、开票、欠税和税务违法等；非税务信息还包括工商登记、股东与实际控制人、企业与个人征信、司法执行、对外担保、本行流水、存量贷款、关联企业和行业区域风险。税务数据只是观察企业经营的一个窗口，不是企业全部经营。

税贷的准入规则先排除成立时间过短、申报中断、严重欠税、重大征信问题和禁止行业等明确情形；反欺诈模型重点识别空壳企业、临时包装、开票突增、对开环开，也就是企业之间相互开票或者多家企业循环开票，以及关联企业循环交易和集中变更；经营稳定性模型观察销售、纳税、开票连续性、波动和淡旺季；信用模型预测违约；额度模块结合可验证经营规模、行业利润、现金回款、已有债务和风险扣减形成初步额度；贷后系统继续观察申报、开票、账户、司法和实际控制人变化。

2026年进一步深化和规范“银税互动”的文件，要求银行持续监测相关贷款模型有效性，定期检视反欺诈、风险评价、授信审批和风险预警模型，加强多维度数据交叉核验，并关注对开、环开骗取贷款问题。这一监管表述恰恰说明，税贷不是读取纳税金额以后按某个倍数放款，更不是一项税务数据可以替代全部信贷调查。

税务数据的边界尤其需要注意。一个个体工商户可能按固定金额缴税，实际营业额上升或者下降并不会同比例反映在税额中；一家中型制造企业开票和申报相对完整，也不代表全部销售收入都进入税务系统。模型能够确认“系统记录了多少”，却不能凭空补出未申报收入、个人账户收款、民间负债和关联企业资金占用。因此，涉税记录连续可以成为风险线索，不能自动等同于经营真实和还款可靠。

3、消费信贷与税贷能够自动审批，并不代表一般公司信贷也能照搬

消费信贷和标准化税贷都具有客户较多、单笔相对较小、产品较为统一、数据相对结构化和风险结果反馈较快等特点。但一般公司信贷差异巨大，制造、贸易、房地产、平台、科技和供应链企业不能使用同一套数据逻辑；单家银行可用违约样本有限，风险暴露周期较长；企业还可以通过关联交易、收入确认、资产转移和债务安排改变表面数据。

更关键的是，公司信贷要解决的往往不是风险概率，而是风险原因。模型发现应收账款异常增加，并不能自动判断究竟是销售扩张、客户账期延长、回款恶化、虚增收入还是关联方占用。原因不同，授信方案完全不同。银行还可以通过金额、期限、品种、担保、提款条件、还款安排、资金监管、财务约束和退出计划改变最终风险。因此，公司信贷需要的是风险原因分析和授信方案设计，而不仅是一个模型分数。

再举一个公司贷款案例。某制造企业应收账款从2000万元增加到5000万元，模型可以迅速发现异常并发出预警，但它无法仅凭这一变化确定原因。企业可能是销售快速增长、客户账期普遍延长，也可能是主要客户无力付款、关联方长期占款或者企业虚增收入。如果属于销售增长，银行也许只需匹配更合理的贷款期限；如果属于回款恶化，就要压缩额度；如果属于关联占用或者虚增收入，则可能直接退出。模型发现的是同一个异常，人工查明的原因不同，授信结论完全不同。

六、专家经验和模型不是对立关系 1、模型从目标设定开始就离不开专家

模型并不是技术人员脱离信贷业务独立制造的产品。预测什么风险、采用什么违约定义和观察期限、选择哪些客户、哪些数据具有业务意义、哪些监管要求必须转化为规则、什么情况需要转人工，都需要信贷、风险、合规和产品人员共同确定。技术可以发现相关关系，却不一定知道这种关系是否符合业务常识，更不知道某个变量是稳定风险信号还是暂时政策结果。

模型发现企业收入下降，专家要判断是季节波动、行业变化还是企业自身经营恶化；模型提示关联关系异常，信贷人员要查明控制关系和资金用途；模型识别风险以后，银行仍要设计额度、期限、担保和贷后条件。经济环境、产业政策和企业经营模式发生重大变化时，历史模型还可能迅速失效，必须由人重新解释和调整。

2、专家经验也不能继续停留在个人感觉

承认专家经验不可替代，不等于允许客户经理或者审批人员凭直觉决定贷款。个人经验可能带有行业偏好、熟人影响和认知盲区，不同人员面对同一资料也可能得出完全不同结论。真正有价值的经验，是知道到哪里寻找事实，怎样解释数据冲突，什么证据能够支持结论，什么异常足以改变授信方案。

银行应把优秀专家经验转化为共同的分析框架、调查方法、证据标准、结论规则、案例知识和复核要求。对公司信贷而言，经营、财务、交易、重大风险和未来发展等专业判断必须相互校验。数据和模型可以为每个判断提供线索，生成式人工智能可以整理材料和检查遗漏，信贷人员则负责查明事实、解释原因并形成综合结论。只有这样，专家经验才能从个人能力转化为组织能力，也才能真正被系统和AI使用。

3、正确的人机分工可以概括为四个层次

第一层是事实记录与识别，即客户发生了什么、系统取得了什么数据、材料能够证明什么；第二层是原因解释，即收入、流水、利润、存货、应收账款和债务为什么变化；第三层是风险预测，即这些事实和原因可能怎样影响未来违约和损失；第四层是授信决策，即银行是否愿意在特定金额、期限、价格、担保和管理条件下承担风险。

数据系统在记录、整理和批量核验方面效率最高，规则适合执行已经明确的要求，统计模型和机器学习模型主要用于比较与预测风险，生成式人工智能适合阅读材料、发现矛盾和辅助分析；原因认定、证据取舍、方案设计和风险承担则必须由信贷人员与有权审批人负责。把四个层次压成一个综合评分，或者让大模型生成一份报告就直接代替授信判断，是AI时代最危险的认识错误。

把前面应收账款增加的案例放进这四个层次就更容易理解。第一层，系统确认应收账款从2000万元增加到5000万元，这是事实记录；第二层，客户经理通过合同、发货、验收、回款和关联关系查明增加原因，这是原因解释；第三层，模型和专家共同判断这些应收账款未来不能收回的可能性以及对现金流的影响，这是风险预测；第四层，有权审批人决定是否贷款、贷多少、期限多长、是否增加担保和回款监管，这是授信决策。机器可以在四个层次中提供帮助，但不能把后面三层压缩成一个分数。

4、公司信贷应当坚持人工主导专业判断，科技负责提效和监督

人工主导不等于每笔贷款都进行同样强度的现场调查，也不等于专家可以随意推翻模型。完整的信贷分析框架决定银行必须解决哪些问题，客户风险和信息条件决定调查深度，线上数据和模型负责批量取数、比较、预警和提出问题，线下人员负责发现机器没有看到的主体、账户、交易、债务和风险。机器与人工结论不一致时，银行应查明是数据遗漏、模型越界、调查不足还是客户经营发生变化，而不是选择对审批最有利的一方。

科技还应当反过来监督人工。系统可以检查客户经理是否解释了重大数据差异，是否核实主要还款来源和全部债务，调查结论是否与底层材料冲突，人工调整模型结果是否说明证据，审批条件是否真正进入合同和贷后管理。机器不能替人承担责任，却可以使人的作业更加标准、透明和可复核。

七、银行管理者真正应当追问的不是模型叫什么

面对一个号称智能风控、AI审批或者大模型风控的项目，银行管理者不必先问它使用了多少参数、采用了哪种热门算法，而应当连续追问以下问题。

1、先问用途。它究竟识别身份、欺诈、信用风险、偿债能力，还是只负责计算额度和价格。 2、再问数据。它看到了哪些主体、账户和时间段，哪些重要事实根本没有进入系统。 3、再问目标和样本。模型所谓的“坏客户”怎样定义，它从哪些历史客户中学习，这些客户是否代表今天的实际客群。 4、再问变量。不要只听算法名称，要问为什么这些变量与风险有关，是否把地区、设备、税额等代理信息当成了真实偿债能力。 5、再问输出。它给出的是排序分数、违约概率、风险等级还是文字建议，银行准备怎样解释和使用。 6、再问阈值和策略。谁决定多少分通过、多少分转人工，收益、资本、客户体验和风险偏好怎样进入选择。 7、再问使用范围。模型可以用于哪些客户、产品、金额和地区，缺少数据或者出现异常时怎样停止自动审批。 8、再问验证和监测。谁负责独立验证、持续监测和退出，实际违约、欺诈损失和人工调整是否回到模型管理。 9、再问人工责任。什么环节必须核实事实、解释冲突，谁对最终授信结论负责。 10、最后问失效处置。系统故障、模型失效或者AI输出错误时，银行能否立即转人工并安全退出。

能够回答这些问题，银行才真正拥有模型；只能说出平台名称、算法名称和供应商能力，银行拥有的可能只是一项外购技术。模型可以采购，数据可以合作，系统可以外包建设，但风险判断责任、模型管理能力和信贷专业知识不能外包。

结语　AI时代首先要把信贷科技的基本概念讲清楚

银行信贷科技大体经历了三个相互叠加的阶段。第一个阶段把制度、授权和操作流程转化为软件规则，解决标准化和执行效率；第二个阶段利用征信、交易、税务和经营数据建立统计模型与机器学习模型，解决批量筛选、风险排序和自动审批；第三个阶段开始利用生成式人工智能处理合同、报告、访谈记录和行业资料，辅助银行查找事实、发现矛盾和形成分析。后一阶段不会消灭前一阶段，规则、传统模型、机器学习和生成式人工智能将长期共同存在。

真正需要改变的，不是把所有技术统一改名为AI，而是重新划分数据、规则、模型、人工智能和专家判断的职责。规则负责执行明确要求，模型负责比较和预测风险，生成式人工智能负责处理材料和辅助分析，信贷人员负责核实事实、查明风险原因并设计授信方案，有权审批人员负责决定银行是否承担风险。

当银行能够说清数据从哪里来、模型在预测什么、分数怎样进入策略、系统为什么批准、人工在何处介入、贷后结果怎样反馈，智能风控才不再是一个无法解释的黑箱。AI时代的银行信贷竞争，最终比拼的也不会是谁最早接入一个大模型，而是谁能够把正确的信贷专业方法转化为数据、规则、模型、系统和人的共同能力。