嵇少峰：AI能替代信贷专家吗--论专家经验量化模型与人工智能的信贷边界
2026-09-10 · 展博优配
嵇少峰：AI能替代信贷专家吗--论专家经验量化模型与人工智能的信贷边界 银行业正在出现一轮新的人工智能热潮。大模型、知识库、智能审批、智能调查、智能预警、信贷智能体，几乎同时涌入银行。很多机构已经不满足于让人工智能整理材料、生成报告，而是希望它直接参与客户筛选、风险识别、授信决策和贷后处置。技术公司给出的答案通常更简单：数据越多，模型越强，人工参与越少，风控
嵇少峰：AI能替代信贷专家吗--论专家经验量化模型与人工智能的信贷边界
银行业正在出现一轮新的人工智能热潮。大模型、知识库、智能审批、智能调查、智能预警、信贷智能体，几乎同时涌入银行。很多机构已经不满足于让人工智能整理材料、生成报告，而是希望它直接参与客户筛选、风险识别、授信决策和贷后处置。技术公司给出的答案通常更简单：数据越多，模型越强，人工参与越少，风控就越智能。问题是，信贷从来不是一个只要增加算力就能解决的行业。银行今天围绕人工智能发生的许多争论，看起来是在讨论技术，深处却仍然是几个老问题：信贷风险究竟是什么，银行依据什么认识风险，模型输出是不是信贷判断，专家经验还有没有价值，机器能不能直接作出授信决定，出了问题又由谁承担责任。这些问题不先说清，银行很容易走向两个极端。一个极端是把人工智能当成新的万能风控工具，认为大模型能够阅读全部资料、学习全部经验，最终替代调查、审查和审批。另一个极端是仍然停留在早期的数据风控认识中，认为人工智能只能做辅助工作，凡是重要决定都必须回到人工。两种认识都不准确，也都会妨碍银行真正使用好人工智能。我认为，人工智能当然会深刻改变信贷，部分标准化业务也完全可以由机器在授权范围内自动作出决定。但是，人工智能能够完成多少工作，与银行应当把多少权力交给人工智能，是两个不同的问题。技术能力解决“能不能做”，信贷治理还要回答“可不可以做”“在什么边界内做”和“结果由谁负责”。
现在银行内部最混乱的一个现象，是把规则引擎、统计模型、机器学习、大模型和智能体统称为“人工智能风控”。名称一旦混在一起，能力边界、验证方法和管理责任也会跟着混乱。
2．规则引擎只是在执行已经确定的条件
规则引擎按照事先确定的条件执行。例如，征信出现某种记录便拒绝准入，负债率超过阈值便降低额度，缺少必要材料便不能进入下一环节。它可以非常复杂，也可以完成大量自动审批，但它执行的仍然是人预先写好的规则，严格说来不一定属于人工智能。
3．量化模型主要解决预测和排序的问题
传统量化模型通常根据统计、经济和金融理论，把输入数据转化为评分、评级、违约概率、损失率或者风险排序。评分卡、逻辑回归模型、内部评级模型以及大量预警模型，都属于这一范围。这类模型已经深刻改变了零售信贷、信用卡、反欺诈、资本计量和组合管理，是现代银行不能缺少的技术基础。机器学习预测模型仍然主要处理分类、排序和预测问题，只是它可以从数据中学习更加复杂的非线性关系。它可能比传统模型识别出更多弱信号，也可能取得更高的样本外预测能力。广义上，它仍然属于量化模型；从技术分类看，它又属于人工智能。银行不能因为名称中有“人工智能”，就把它理解为一种完全不同的信贷判断。
4．生成式人工智能和智能体处理的是另一类任务
1．风险存在于未来 数据只是现实留下的痕迹
2．从信息到授信决定之间还有多次转换
历史数据同样不能被神化。银行通常只能观察已经获批客户的还款结果，很难知道当初被拒绝的客户如果获得贷款会怎样。客户最终是否违约，还会受到授信额度、期限、定价、担保、贷后管理和宏观环境影响。模型所学习的历史结果，实际上同时包含客户风险、银行过去的选择和当时的市场条件。这意味着，模型学到的往往是“过去在某种业务政策和经济环境下，哪些特征与结果同时出现”，而不是一套永远成立的风险规律。一旦客群、渠道、竞争、共债、欺诈方式和经济周期发生变化，原来表现很好的模型也可能迅速失效。
标准化零售信贷可以减少逐笔人工判断，复杂企业信贷却仍然离不开专家。人工智能兴起以后，有人认为专家经验已经落后，理由似乎很充分：人的认知有限，判断不一致，还会受到情绪、利益和权威影响；机器可以处理 海量数据 ，执行统一尺度，还能够持续学习。这些理由在标准化业务中有一定道理，却不能直接推导出复杂企业信贷可以取消人工调查和专家判断。
2．专家的价值在于提出问题和解释因果
不过，专家经验从来不天然正确。经验可能来自已经变化的市场，可能只是少量成功案例留下的记忆，也可能是个人偏好被包装成专业判断。同一个客户在不同审批人手里出现完全不同的结论，并不值得被解释为“信贷是一门艺术”，它首先说明银行没有把必要的判断标准组织起来。专家知识大致可以分为两类。一类是能够说清事实依据和因果过程的专业判断，可以进入调查方法、分析框架、审查标准和授信规则；另一类是尚不能完整解释的直觉，适合成为风险提示和补充调查的入口。前者应当尽可能沉淀为组织能力，后者也可以保留，但不能直接上升为不可质询的决定。因此，专家经验需要接受与模型相同的结果检验。专家推翻模型结论，应说明依据和权限；模型推翻一线判断，也应说明适用条件和证据。银行既不能允许一个分数替代完整判断，也不能允许一句“根据经验”结束讨论。
四、传统量化模型解决了什么又遗漏了什么
传统量化模型对银行最大的贡献，是把高度依赖个人的风险判断转化为可以批量使用、可以重复检验的计算结果。面对几十万、几百万甚至更多客户，银行不可能逐户进行企业式深度调查。模型通过评分、分层和阈值，把有限的审批资源集中到风险更高、信息更矛盾或者规则覆盖不足的客户上。在信用卡、消费贷和其他标准化零售信贷中，这套方法已经证明了巨大价值。模型使银行能够稳定处理大规模申请，控制总体通过率和预期损失，观察不同客群的迁徙变化，并根据实际结果重新校准参数。没有量化模型，现代零售信贷很难成立。
因此，模型准确率不是信贷技术的全部。模型还要回答用途是否明确、样本是否适合、输出如何进入规则、业务人员是否理解边界、人工调整是否失控，以及环境变化后谁负责叫停。技术指标漂亮而使用方法错误，最终仍然会形成错误的信贷决定。
1．人工智能扩大了机器能够处理的信息范围
人工智能没有推翻传统量化模型，但显著扩大了机器能够处理的信息范围。过去模型主要使用结构化数据，很多经营事实、合同条款、财务附注、访谈记录、图片资料和行业信息很难进入统一处理。大模型和多模态模型能够阅读这些材料，帮助银行从大量非结构化信息中提取主体、金额、时间、条件、异常和相互关系。这一变化对企业信贷尤其重要。企业风险并不只存在于报表数字里，还存在于经营模式、交易结构、治理关系、重大投资、融资安排和管理者行为中。人工智能可以快速比较不同版本的合同，寻找报表与流水之间的差异，梳理集团关联关系，汇总行业和舆情变化，形成需要客户经理进一步核验的问题清单。很多过去依赖人工翻阅资料的工作，将因此大幅提速。人工智能还可以帮助专家把经验转化为组织能够使用的知识。银行可以把制度、案例、行业分析方法、调查要点和历史差错组织为知识库，使客户经理和审批人员在具体场景中获得相对一致的专业支持。专家经验不再只存在于少数人的头脑中，可以逐步进入问题清单、核验路径和判断依据。
智能体带来的变化更大。过去模型只给出分数，人仍然决定下一步做什么；智能体可以直接调用系统、补充资料、分派任务和触发操作。人工智能从“告诉银行可能发生什么”，开始走向“替银行做一些事情”。技术与战术之间的边界由此变得模糊，权限、流程、日志、中止和回滚便成为新的信贷管理问题。
专家经验、传统量化模型与人工智能并不是简单的高低关系，也不是一个必然替代另一个的三代技术。它们面对不同的信息条件，处理不同性质的问题，也以不同方式出错。
标准化、重复性高、样本充分且结果能够持续观察的业务，可以更多依靠模型。模型可以成为主要判断工具，部分业务可以在既定规则和授权范围内自动完成。人工不必逐笔重复模型已经能够稳定处理的工作，而应把注意力放在模型边界、例外事项和组合变化上。
2．复杂企业信贷必须先解决输入真实性
3．小微经营信贷仍然需要数据核验和场景判断
小微经营信贷处在两者之间。税票、流水、账户行为、征信和交易数据可以进入模型，人工智能可以帮助还原经营和发现矛盾，客户经理仍要核验经营者、真实生意、现金流和贷款用途。随着数据质量和模型能力提高，人工调查的范围可以缩小，方法也可以改变，但不能在风险主线尚未被验证之前，仅因机器可以生成完整报告就取消必要核验。
4．贷后管理适合发挥机器的连续监测能力
贷后管理更适合发挥人工智能的持续监测能力。模型可以识别迁徙和异常，大模型可以汇总分散信息，智能体可以按规则发起任务。真正需要人工决定的，是这些信号是否改变了原来的还款判断，应当采取何种措施，以及何时需要调整客户、产品或者组合边界。
所有结果都由人工点一下，并不等于人工已经完成有效复核。很多银行为了控制人工智能风险，会提出“所有结果必须人工复核”。这种安排听起来稳妥，实际未必有效。若人工没有时间、能力和证据重新判断，复核很容易变成机械点击；若人工无权改变系统结论，所谓人在回路中只是责任转移；若模型处理几十万笔业务后仍要求逐笔人工重做，技术价值也会被全部消耗。真正的人机协同，应根据任务结构、数据条件、错误后果和机器自主程度确定分工。
人工是否参与，不应成为唯一的安全标准。银行真正要看的是：这个任务一旦出错会造成多大损失，错误能不能及时发现，系统能不能停止，结果能不能追溯，责任能不能落到明确主体。低风险的信息整理可以高度自动化，重大授信中的关键事实和规则例外则需要更强的人工控制。
八、银行需要建立统一治理和差异化管理
专家判断、传统量化模型和人工智能可以进入同一条管理主线：先明确用途和边界，再完成建设和测试，由独立主体确认能否使用，随后进入授权运行，并根据实际结果持续监测、调整或者退出。共同主线并不意味着管理方法完全相同。
3．模型风险管理已经不能覆盖全部人工智能风险
2026年美国银行业修订后的模型风险管理指引，把传统统计与量化模型以及非生成式、非智能体式人工智能模型纳入模型风险管理范围，同时明确生成式和智能体式人工智能发展迅速，没有直接纳入该指引的模型定义，但银行仍应通过其他风险管理和治理制度确定适当控制。这一处理说明，模型风险管理仍然重要，却已经不能覆盖全部人工智能风险。2026年6月，国家金融监督管理总局发布《关于银行业保险业人工智能安全开发应用的指导意见》，提出“谁使用谁负责”，要求金融机构加强顶层设计，建立人工智能全生命周期管理体系，实施应用分类分级和高风险应用准入管理，并在高风险应用关键环节建立人工监督和干预机制。监管已经把关注点从单纯的模型技术，扩展到应用场景、业务流程、数据、算力、供应商和组织责任。这也意味着，银行不能把人工智能全部交给科技部门，也不能让模型团队只对技术指标负责。业务部门必须说明人工智能解决什么问题，产品和规则责任主体必须确定输出怎样进入业务，风险与验证部门必须独立评估适用性和限制条件，科技运营必须保证系统实现与确认规则一致，有权管理层则要决定哪些业务允许自动化以及银行愿意承担什么后果。
人工智能可以协助建设规则，可以执行已经确认的规则，也可以发现运行偏差，但它不能自己决定应用边界，不能自己确认自己的可靠性，更不能成为最终责任主体。银行可以把工作交给机器，不能把责任交给机器。智能体把一条尚未核实的负面舆情识别为重大风险，并自动触发停额。如果系统没有权限上限、人工中止和回滚机制，原本只是一项判断错误，随后就会变成客户经营和银行声誉问题。到了智能体阶段，管理对象已经从“答案准不准”扩展到“机器能做什么”。
九、过度保守与过度乐观都会错失人工智能
同样，把人工智能理解为更强的模型，然后尽可能减少人工，也会重走过去纯数据风控的老路。大模型可以吸收更多材料，仍然不能保证材料真实；算法可以发现更多关系，仍然不能自动解释因果；智能体可以执行更多动作，也会以更快速度放大错误。技术能力越强，适用边界和责任安排反而越需要提前说清。
银行真正需要改变的，是人和机器的工作位置。能够标准化的经验应当进入规则，能够量化的问题应当进入模型，能够由人工智能高效处理的信息不应继续依赖人工搬运，必须由专家处理的因果、例外和责任判断则要保留下来。不同能力各归其位，银行才能既提高效率，又不失去对风险的解释和控制。
银行讨论智能风控时，最容易把注意力放在数据平台、模型算法和算力投入上。系统可以采购，模型可以合作开发，大模型也可以快速接入，真正难以在短期内补齐的却是两种基础能力：一是经过业务检验并能够被组织使用的专家经验，二是信贷人员获取、分辨和解释真实数据与信息的能力。前者决定银行能否正确提出问题、使用模型和人工智能，并管住完整的信贷流程；后者决定模型和人工智能拿到的究竟是经营事实，还是企业精心准备的材料。
2．第一种能力是经过检验并被组织化的专家经验
企业数据与信息采集常被当作基础性甚至低价值工作，实际上它是信贷认识风险的第一道工序。客户经理和调查人员需要知道去哪里找证据，怎样通过业务链、物流、资金流、票据流、合同流和控制关系交叉核验，怎样识别循环交易、虚假用途、关联方腾挪和阶段性报表修饰，也要知道哪些矛盾值得继续追问，哪些缺口已经足以否定原来的还款逻辑。这项能力不是要求信贷人员与模型比计算，也不是要求人工重复系统已经完成的工作，而是要把企业的现实经营转换成可信的事实和证据。输入不真实，传统模型会给出精确但失真的分数，大模型会生成完整但错误的分析，智能体还可能把错误分析迅速变成流程动作。人工智能越善于处理信息，银行越不能忽视信息是怎样取得的。
4．高度自动化的零售信贷同样离不开专家
这两种能力并非只服务于复杂企业授信。零售信贷可以高度自动化，但专业判断的位置已经从逐户审批转向客群、区域、场景、产品和组合。银行仍然需要理解区域经济变化、消费和经营场景、客户共债、经济周期、监管政策、同业竞争以及欺诈方式，判断模型与人工智能在哪些条件下有效，又会在什么条件下共同失效。零售信贷最危险的错误，往往不是少数客户被判断错，而是同一套错误假设被系统同时用于大量客户。模型在平稳期看到的按时还款，可能依赖多平台借新还旧；某一获客场景的低不良，可能来自渠道补贴和宽松展期；区域经济、监管政策或竞争策略一旦变化，原来彼此分散的个体风险就可能同时暴露。机器可以快速识别历史规律，也会快速复制银行对环境的共同误判。某线上经营贷在扩张期表现良好，系统发现客户账户流水稳定、历史还款正常，便持续提高自动审批比例。银行后来才发现，部分客户在多家平台循环融资，同业降价又掩盖了真实偿债压力。当监管规则和市场资金同时收紧，原来稳定的还款行为迅速改变。导致组合风险的不是某一笔数据缺失，而是银行没有及时识别共债、竞争和周期正在改变模型的适用条件。
人工智能不会让信贷专家消失，却会迅速淘汰一部分低价值的专业工作。只会收集材料、复制模板、查找制度、拼接报告的人，工作会被大规模替代；只会依据资历下结论、不能说明证据和逻辑的人，也会越来越难以证明自身价值。
银行同样需要改变对专家的使用方式。专家不应长期充当人工接口和最后签字人，而应更多参与问题定义、规则设计、模型挑战、复杂判断和结果复盘。人工智能越强，专家越要从重复作业中退出，进入更靠近方法、规则和责任的位置。
4．人工智能最终检验的是银行治理能力
我对人工智能进入信贷总体上持积极态度。它会显著提高信息处理效率，也会推动信贷分析、风险监测和组织运行发生深刻变化。但银行不能因为技术进步，就忘记信贷的底层事实：风险发生在未来，模型只能依据过去；客户经营存在于现实，数据只是它留下的部分痕迹；授信决定影响银行资本和客户命运，责任最终必须由组织承担。人工智能能够把银行的好方法放大，也能把银行原有的错误放大。决定结果的，从来不只是模型参数有多少、大模型能力有多强，而是银行有没有看清风险对象，有没有把专家、模型和人工智能放到正确位置，有没有让判断、权力和责任保持一致。让机器承担机器能够稳定完成的工作，让专家处理必须理解事实和情境的判断，让银行对任何技术形成的信贷结果负责。做到这一点，人工智能才会真正成为信贷能力，而不是下一轮被重新包装的技术幻觉。
(本文作者介绍：江苏微金创联（咨询）信息科技有限公司董事长，厦门国际信托独立董事，2023 年度新浪财经十大意见领袖, 2016 中国微金融十大年度人物、全国知名信贷管理与实战专家、财经专栏作家。尝试改变传统的信贷风险管理为主调的银行信贷管理框架，从企业管理学+信贷风险辩证认知论双视角，建立一整套基于实战的商业银行信贷管理框架，撰写了大量信贷管理与信贷技术相关，文章在金融科技、信贷专业领域具有广泛的影响力。)
新浪财经意见领袖专栏文章均为作者个人观点，不代表新浪财经的立场和观点。
欢迎关注官方微信“意见领袖”，阅读更多精彩文章。点击微信界面右上角的+号，选择“添加朋友”，输入意见领袖的微信号“kopleader”即可，也可以扫描下方二维码添加关注。意见领袖将为您提供财经专业领域的专业分析。
江苏微金创联（咨询）信息科技有限公司董事长，厦门国际信托独立董事，2023 年度新浪财经十大意见领袖, 2016 中国微金融十大年度人物、全国知名信贷管理与实战专家、财经专栏作家。尝试改变传统的信贷风险管理为主调的银行信贷管理框架，从企业管理学+信贷风险辩证认知论双视角，建立一整套基于实战的商业银行信贷管理框架，撰写了大量信贷管理与信贷技术相关，文章在金融科技、信贷专业领域具有广泛的影响力。
新浪财经意见反馈留言板 电话：400-052-0066 欢迎批评指正