人民银行浙江省分行最近公示了第七批金融科技创新监管工具的入选名单,这一批有个此前没出现过的定语:人工智能主题。五个入选应用里,工行浙江省分行、浙江农商联合银行都在列,但最值得拆的是台州银行的那一项:大模型驱动的小微金融信贷助手。
值得拆的原因有点反常识。小微信贷是银行业里最依赖人的业务,没有完整财务报表,靠客户经理跑街串巷、看库存看流水看老板靠不靠谱来做判断。这种业务按直觉应该最晚被AI改造,台州银行却跑在了前面。11月4日该行在官网发布项目声明,正式进入测试运行阶段。
一家把宝押在人身上的银行,决定把人的经验装进系统里。这件事怎么做、做到哪一步了、对同类机构有什么可抄的,值得完整拆一遍。
拆之前先交代方法论。企业案例的价值从来不在复述对方的新闻,在于把对方的选择还原成一道可以代入自己机构的题:这家银行的处境是什么、约束是什么、它在约束下做的取舍哪些是普遍的。照这个框架读台州银行,你会看到一家机构在人力成本、资产质量、监管合规、模式可复制性这四个约束之间找平衡的完整过程。它交的答卷未必全对,项目毕竟还在测试运行阶段,但答卷的答题思路,对所有经验密集型机构都成立。
先看台州银行的模式,以及它的账理解这家银行的动作,得先理解它靠什么吃饭。
台州银行做小微金融的路子,业内不陌生:不依赖报表,依赖实地。客户经理常年走街入企,交叉检验经营者说的和实际看到的能不能对上,库存、流水、水电费、上下游口碑,都是核验材料。这套打法养出一只庞大的队伍,全行五千三百多名员工里,营销人员占比超过百分之四十五。
这套模式的回报写在资产质量上。2025年末,台州银行不良贷款率1.09%,拨备覆盖率超过300%,在一众城商行里属于优等生水平。小微客群历来是高风险领域,这个资产质量说明人海加交叉检验的风控是真的扎实。
但账的另一面同样清楚。人力成本高,一个成熟客户经理的培养周期以年计;模式复制慢,新开一家分行,风控能力要跟着人走,人不到位能力就不到位;审批效率受个人经验影响,同一个客户,老手和新手看出来的风险不一样。说到底,这套模式的核心资产是经验,而经验有三个天生的毛病:在人身上、会退休、难审计。AI要解决的,恰好就是这三个毛病。
升级是分两步走的,别混成一步台州银行这次的公示项目,容易被读成从零上大模型。翻它的公开轨迹,其实是第二步。
第一步在前面几年已经完成。该行此前上线的AI小微风控辅助系统,把单笔小微贷款的审批时效从平均4小时压缩到40分钟,审批人员人均处理效率提升60%。这一步解决的是流程问题:材料录入、数据核对、初筛这些机械环节交给系统,审批人员聚焦判断。
第二步才是这次公示的项目。看官方声明的表述,新系统的定位是智能调查与审批风控辅助平台,用多模态大模型、智能体技能、可持续迭代的知识库、规则因子和智能体编排这些技术,为信贷人员提供贷前调查、风险预警、合规审查、审批报告生成的全流程辅助。声明书披露的流程是四个阶段:数据采集、规则约束、技能分析、报告生成。
两步的区别是质变的。第一步是让机器帮人干体力活,第二步是把人的判断经验本身变成系统的一部分。官方声明里有一句值得划线的表述:系统实现的是数据采集到报告生成的全流程自动化处理,风险识别准确率提升至95%以上。效率数字之外,准确率的提升才是这一步真正的增量,而增量的来源,是接下来要拆的架构。
这套架构的核心:一条线管死,一层放活先补一块容易被略过的地基。声明书在数据应用部分披露了这套系统的底座做法:采用多模态因子提取技术与多源数据检验,打通行内信贷数据、征信数据、工商数据等多个数据源,自动识别隐性负债、多头借贷、关联风险这些隐蔽风险点,实现跨数据源的自动化交叉检验。
这一段对小微信贷的意义,比字面上看起来大。实地交叉检验原本是客户经理的看家功夫:经营者嘴上说的经营状况,要到库存、流水、上下游口碑里找印证,对不上就有问题。过去这套功夫完全靠腿和眼,一个客户经理一天跑不了几家。数据打通之后,行内数据、征信数据、工商数据之间的自动比对替掉了一部分跑腿,客户经理到场核验的,只剩机器核不了的软信息。5300个人的队伍没缩,单兵的作业半径变了。
拆开台州银行的声明书,最值得同业抄走的东西与模型选型无关,真正值钱的是它画的那条分界线。这条线把整个风控体系分成两层。
下层是硬规则。反欺诈红线、监管合规要求这些不容商量的事项,声明书明确保留硬规则实现,理由也写得很清楚:确保决策的确定性与可审计性。翻译一下,红线范围内的事,AI说什么都不算数,规则说什么就是什么,每一次触发都有据可查。这层的设计目标是绝对可靠、绝对可追责,不是聪明。
上层是软知识。声明书描述了一个痛点:传统系统的分析逻辑是硬规则,新增一个分析维度就要重新发布一次系统,慢且贵。新系统的解法是技能与知识库双轮驱动,实现热更新,同时把专家经验模板化。分析维度要加、行业知识要补,不需要动系统底座,更新技能和知识库就行。这层的设计目标是敏捷迭代、持续沉淀。
两层合起来,声明书自己给出的名字叫刚性底线加柔性扩展的分层架构。
这个架构的价值,值得从决策机制的角度再解释一遍。AI在强监管业务里最被质疑的问题是决策不可解释、错了没人担责。分层架构没有去反驳这个质疑,而是把问题拆开了:涉及红线和责任的决策,回到规则和人,可解释、可审计、有人签字;涉及经验判断的分析,交给可以快速迭代的AI,试错成本低。争议最大的那块灰色地带,被这条线切掉了。
给同行一个判断标准:你所在机构的AI项目如果还在争论该不该让AI做决策,大概率是线还没画。先做分层设计,把不可让渡的决策列出来进硬规则,把可以迭代的经验判断列出来进知识层,争论自然变成工程问题。
经验萃取才是主战场,20个行业是关键数字软知识这一层怎么建起来,是整个项目最有嚼头的部分,也是最容易被人低估的部分。
台州银行的做法,声明书里写了两条机制。一条是技能萃取:把行内风控专家的能力要点、经验、研判流程,萃取成标准化的执行技能,覆盖征信解读、合规审查、调查表分析等多个维度,直接提升大模型产出报告的质量。另一条是知识蒸馏:通过访谈对话引导的形式,把一线业务专家脑子里多年积累的行业经验,转写成知识库内容,按行业归档。
进展数字是,已经完成20多个行业的风控知识萃取,商超、汽摩配这些都在列,后续行业持续补充。
20多个行业这个数字值得停下来算笔账。假设每个行业的经验萃取需要访谈若干名资深客户经理、整理校验若干轮,背后是一整套组织动作:专家的时间谁去约、萃取的访谈谁来做、内容的质量谁把关、更新维护谁负责。技术采购只是这个工程里最小的一块,真正的工作量在组织侧。这也是多数银行知识库建不起来的真实原因,卡住的从来不是算力,是没人做萃取这件事,更没有机制让专家愿意把吃饭的本事讲出来。
咨询里管这个过程叫知识资产化。经验原来存在个人身上,人走经验走;萃取之后存进组织系统,人可以轮岗可以退休,能力留在行里。对小微信贷这种人力密集、经验密集的业务,这件事的战略意义大于任何单点效率提升。资产质量为什么能长期稳住,因为判断标准不再随人员波动。
再往深一层看,经验萃取还有一个隐含的收益:标准化的过程本身就是风控质量的再检验。老师傅的经验里既有真金白银的判断,也有过时的、拍脑袋的成分,萃取必须把逻辑讲清楚才能进知识库,讲不清楚的自然被筛掉。很多机构上AI时第一次系统性地梳理了自己的业务经验,梳理完经常发现,原来的做法连自己都说不清依据。
萃取这件事还有个时间窗口问题,值得所有经验密集型机构警觉。专家经验不会等人,资深客户经理的退休潮什么时候来,萃取工程就要赶在它前面。台州银行们此刻启动,从时间账上看并不算早:一次萃取访谈占用专家半天,20多个行业做完,加上校验和入库,以年为单位计。等人才断层显现再动手,知识资产的流失已经无法挽回。这个时间窗口的紧迫感,比任何技术趋势都该排在数字化议程的前面。
95%这个数字,要放在边界里读声明书披露风险识别准确率提升至95%以上,这个数字怎么用,得先把系统的边界看清。
声明书对系统定位的表述很克制:为信贷人员提供辅助,报告里给的是风险分级预警和智能分析建议。整个体系里,大模型负责理解材料、整理信息、提示风险,授信决策本身由人工复核完成。官方声明的措辞是这个项目最重要的合规设计:AI的产出是判断依据的整理和风险的提示,签字落责的仍然是人。
放在这个边界里,95%的正确读法是:AI整理和提示的环节,准确率达到95%以上,而人工复核环节的质量,取决于人。这两个环节是串联的,AI的95%无法直接折算成整个审批流程的可靠性,中间还隔着人工复核的衰减和把关。对使用者来说,该盯的数字里没有95%这一项,真正该盯的是人工复核环节抽检发现AI错误的频率,那个频率才告诉你这套系统在你行里真实的可靠度。
这也是为什么这套架构值得别的行业抄。审计、质检、法务,所有强监管的经验密集型岗位,都能套这个框架:规则层保红线,知识层存经验,AI做整理和提示,人做终审和签字。台州银行这单公示,等于替所有这类行业趟了一次监管沟通的路径。
同批公示里还有个行业信号把镜头拉远一点,这次公示还有两个背景信息值得记录。
一是主题。浙江七批金融科技创新应用累计29个,这次是头一回以人工智能为主题设批,监管的信号意义明确:AI应用在金融领域从分散探索进入集中申报、集中测试的阶段。对机构来说,跟着公示名单走,是目前拿监管沟通模板成本最低的方式。
二是同批阵容。五个应用里,工行浙江省分行在列,三家浙江本土中小银行也在列,台州银行之外,浙江农商联合银行构建三级分层知识库,稠州银行用大模型做涉农信贷辅助,民泰商业银行用多智能体做反洗钱可疑报告。大行和中小银行同场竞技,各自选的切口完全不同:大行做广度,小行扎进自己最深的那个业务场景。这个格局对中小机构的启示是直接的,AI落地上比的不是投入体量,是谁先把自家的看家业务拆明白。
拆完之后,抄作业的正确姿势台州银行这单案例,直接可搬的是方法论,不是技术清单。同业或类同业想抄,按顺序做四件事。
第一件,盘点决策。把本机构目标业务流程里所有决策点列出来,逐个标注:哪些是红线决策必须进硬规则,哪些是经验判断可以进知识层。这张表是整个项目的地基,没有它,后续全部采购都是空中楼阁。
给一个示意性的填法,以信贷流程为例:
决策点
归属层
归属依据
反欺诈红线命中是否放款
硬规则
监管刚性要求,必须可审计
年龄准入门槛
硬规则
制度明确规定
行业景气度对还款能力的影响
软知识
经验判断,随市场变化需迭代
借款用途合理性评估
软知识
依赖行业经验,专家间有分歧
单笔金额超限升级审批
硬规则
权限制度刚性约束
填这张表时有个检验技巧:问签字人。每个决策点找出流程里实际签字负责的那个人,问他这件事敢不敢让AI按历史案例类推着办。敢,进知识层;不敢,追问是怕错还是怕担责,怕错进知识层加校验,怕担责进硬规则加人工。签字人的直觉,往往比流程文件更接近风险的真实分布。
第二件,盘点知识。盘点行内有多少经验在老师傅脑子里,哪些岗位、哪些行业、哪些判断流程值得萃取。盘点的产出是一张萃取优先级清单,从业务价值高、专家临近退休的场景做起,这个排序逻辑本身就是一次风险管理。
第三件,设计机制。萃取要占用专家时间,谁出面约、怎么激励、产出归谁,这些组织问题比技术问题难解决。台州银行的经验是访谈引导式萃取,把讲经验变成结构化对话,专家的负担小,产出的质量高,这个做法成本低,值得直接学。机制设计里最容易漏的一条是质量把关人:蒸馏出来的经验条目,谁有资格判断对错、谁负责签字入库,没有这个角色,知识库三个月就会变成错误的集散地。建议设双岗,业务专家管内容对错,风控合规管口径安全,两道章缺一不可。
第四件,定验收。上线后盯三个数:知识库覆盖的岗位和行业数、AI提示被人工采纳的比例、人工复核抽检发现AI错误的频率。三个数组合起来,才是一套完整的健康度指标,单看准确率都会高估系统。
这四件事里没有一件需要先买模型。分层架构也好,知识萃取也好,都是想清楚了才动手,想不清楚,预算花出去也只是买回一个更贵的提醒工具。
小微信贷这门最老的生意,被一家最依赖人的银行推着,走到了AI应用的最前排。它给出的答案谈不上炫技:底线用规则钉死,经验用知识库养起来,AI站在中间做整理和提示,人守住签字权。这个答案朴素,但每一层都对得上各自的账。
说明:基于公开信源整理分析,分层决策表与知识萃取四步法为本文原创方法论。项目处于测试运行阶段,效果数据以官方声明口径为准。若相关权利方认为本文表述存在不当引用,请及时联系我们处理。
不喜欢人民银行浙江省分行最近公示了第七批金融科技创新监管工具的入选名单,这一批有个此前没出现过的定语:人工智能主题。