信贷审批不是AI的试验田,红线画在责任不可转移之处
2024年下半年到现在,我接触过的银行里,几乎没有一家不在讨论把大模型塞进信贷流程。贷前调查用AI读财报、查工商、跑舆情;贷中审查用AI做客户画像和额度测算;贷后管理用AI做预警和催收话术。热闹是真热闹,但监管的态度也很清楚——这些
先把背景摆出来。六大行2024年年报口径下,金融科技投入合计超过1250亿元,工商银行一家就接近285亿元。钱砸下去,模型必然要往核心业务里挤,而信贷是这个体系里最核心的那块。与此同时,商业银行净息差已经压到1.43%左右,资产质量压力顶在头上,谁都希望AI能帮着把不良率再压两个BP。这种"既要又要"的处境,正是红线需要被画清楚的原因。
差已经压到1.43%左右,资产质量压力顶在头上,谁都希望AI能帮着把不良率再压两个BP。这种"既要又要"的处境,正是红线需要被画清楚的原因。授信审批为什么是AI最难碰的环节
《贷款通则》和"三查"制度讲究的是什么?是尽职、审慎、可追溯。一笔贷款批出去,三年后成了不良,检查的人会问:当时谁做的判断,依据是什么,为什么排除了那些风险信号。这三个问题,恰恰是深度学习模型最不擅长的。
《个人信息保护法》第二十四条要求,利用个人信息进行自动化决策,应当保证决策的透明度和结果公平公正,个人有权要求说明。《生成式人工智能服务管理暂行办法》则对生成内容的真实性、准确性提出了明确要求。叠加上金融业自己的《人工智能算法金融应用评价规范》(JR/T 0221—2021),对算法可解释性、稳健性、可审计性都有具体条款。说实话,一个千亿参数的大模型,你今天让它解释为什么给这个客户30万额度而不是50万,它给不出能让审计认可的理由。
所以贷款审批的红线不在"能不能用AI",而在"AI输出的东西有没有资格成为决策依据"。辅助可以,直接决策不行。这条线,我认为未来几年不会松动。
真正的分级:哪些场景能碰,哪些碰不了
行业内现在比较务实的做法,是按"是否直接产生法律后果"来分级。
反欺诈、贷后预警、催收策略、客户经营,这些场景AI已经用得比较深。某股份制银行的智能反欺诈系统,把欺诈交易的识别时效从小时级压缩到秒级,误拦率控制在千分之几。这类场景的特点是,反正错了可以人工复核,代价可控。
真正碰不了的是授信额度审批和风险定价的直接决策。这不是技术问题,是《商业银行法》和监管责任体系下的合规问题。美联储2011年的SR 11-7把模型风险管理讲得很透:模型输出的局限性,必须由人来承担最终判断。这话放到今天依然成立。
,结果客户投诉到监管,最后整改了三个月。真正碰不了的是授信额度审批和风险定价的直接决策。这不是技术问题,是《商业银行法》和监管责任体系下的合规问题。美联储2011年的SR 11-7把模型风险管理讲得很透:模型输出的局限性,必须由人来承担最终判断。这话放到今天依然成立。
中小银行的现实困境更值得担心
大行有能力自建模型、自建算力、自建模型风险管理团队。四千多家银行业法人机构里,绝大多数没有这个条件。它们的路径往往是采购SaaS,或者直接调用大模型API。
这中间的风险,《银行保险机构信息科技外包风险监管办法》和2025年3月1日施行的《银行保险机构数据安全管理办法》都已经点到了:外包不等于免责,数据出域、模型黑箱、供应商锁定,每一个都可能是雷。我了解到的情况是,一些中小银行把客户征信数据和交易流水打包给第三方做模型训练,这在数据安全新规下是很难解释清楚的。
更要命的是,模型供应商今天被换掉,明天业务就转不动。这种依赖本身就是风险,而且它不会体现在1104报表的任何一格里。
我的判断:接下来大概率会出"备案制"
基于目前监管的节奏,我的判断是,未来一到两年内,金融领域的AI应用大概率会走向某种形式的准入或备案管理:哪些场景可以用什么级别的模型,模型上线前要不要过评估,出问题谁负责,都会有明确说法。算法备案、模型评估、可解释性报告这些岗位,会从"有最好"变成"必须有"。
对银行来说,其实现在正是把AI治理框架搭起来的窗口期。等监管细则落地再补,成本和被动程度完全不是一回事。
该怎么做
我给三条务实建议。现在就该做一份AI应用场景清单,按"是否直接影响客户权益和授信决策"分成三档,把禁止类场景先钉死,别等出事再补。另一件事是模型风险管理(MRM)该从科技部门独立出来,放进风险条线,让它对模型有否决权——这不是流程冗余,是责任落位。中小银行如果要外采,合同里至少把数据不出域、模型可解释、供应商退出机制这三条写清楚。
AI在银行的价值,我一直认为不在替代审批,而在把人力从重复劳动里解放出来,去干那些真正需要判断的活。红线划出来不是坏事,它让所有人都清楚边界在哪,反而敢往前走。
本文由「银行人实用工具箱」(deepwater84.cn)出品,专注银行从业者的效率工具与专业内容。
