# 信贷行业知识 · 第 08 篇｜科技与数字化 > 系列：信贷行业知识库（共 14 篇）｜AI生成｜2026-10-27｜codebuddy **这一篇讲什么** 信贷科技最容易犯的错，是把“数字化”当成买系统：上一套决策引擎、接几家数据、做一个 App，就以为转型完成。真实的数字化是一条从数据到决策、再到回收的流水线，任何一段断开，前面的投入都会变成沉没成本。这一篇只回答四个生意问题：系统由哪几层组成、哪些该自建哪些该买；数据值多少钱、合规边界在哪；自动化、反欺诈、催收和大模型各自跑到哪一步、哪些是厂商话术；三千万预算怎么花、为什么大量项目不达预期。看完你应该能判断一家机构的科技投入是真能力，还是 PPT。 --- ## 一、八层系统：一笔贷款在机房里走的路 信贷科技本质是八层系统加一条数据流：客户点“申请”，请求穿过渠道、进件影像、决策引擎、信贷中台，落到核心系统出账；放款后，数据平台把还款、行为、逾期回流，喂给模型和催收，形成闭环。任何一层慢，客户感知就是“卡”；任何一层不通，风控看到的就是残缺的人。 **表 1：信贷科技的八层系统** | 层级 | 核心功能 | 典型形态 | 关键指标 | 自建/采购倾向 | | --- | --- | --- | --- | --- | | 核心/账务系统 | 产品参数、账户、计息、核算、总账 | 集中式或分布式核心 | 可用性 99.99%、日终批处理时长 | 大行自建，中小采购 | | 信贷中台 | 产品工厂、额度、定价、合同、押品 | 微服务+产品配置 | 新产品上线天数 | 采购为主，少量自研 | | 进件与影像 | 申请表单、OCR、活体、双录、影像件 | 移动 SDK+影像平台 | 完成率、单笔进件时长 | 采购+SaaS | | 决策引擎 | 规则集、评分卡、策略流、冠军挑战者 | 规则引擎+流式决策 | 决策耗时、策略版本数 | 采购为主 | | 模型平台 | 特征、训练、部署、监控、MLOps | 特征平台+模型服务 | PSI、KS 衰减、上线周期 | 头部自建，中小租用 | | 催收系统 | 分案、外呼、短信、诉讼、委外结算 | 呼叫中心+案件管理 | 回收率、投诉率、触达率 | 采购/SaaS | | 数据平台 | 数仓、标签、实时计算、图计算 | 湖仓一体+图数据库 | 数据时效、口径一致率 | 自建为主 | | 渠道与开放平台 | App、小程序、API 网关、场景对接 | 开放银行平台 | API 调用量、可用率 | 自建 | （层级划分为行业通行架构，具体产品形态因机构而异） 八层里真正决定速度的是**信贷中台与决策引擎**：一个决定新产品上线快慢，一个决定 100 毫秒内能否给出额度。核心系统最稳定，也最容易被预算忽视——三年不出事没人记得，出事一次全行停摆。 投入端的数据能说明行业阶段。2025 年六大国有银行金融科技投入合计 1300.91 亿元，同比增长 3.69%；工行 285.88 亿元居首，建行、农行、中行均在 250 亿元以上，交行 123.42 亿元、邮储 117.91 亿元。13 家上市银行合计超过 1800 亿元，但股份行分化：招行 129.01 亿元、同比降 3.36%，中信 96.41 亿元、同比降 11.91%（来源：上市银行 2025 年年报，转引自证券时报、金融时报，2026 年 4 月）。 另一个口径更冷静：IDC《中国银行业 IT 解决方案市场份额，2025》显示，2025 年中国银行业 IT 解决方案市场规模 714.5 亿元，同比仅增长 0.2%，前 20 家厂商合计份额不足 40%，预计 2030 年达到 968.3 亿元、五年复合增速 6.3%（来源：IDC，2026 年）。**两个数字放在一起，结论很清楚：大行仍在加码，中小行在收缩，整个市场从“增量采购”进入“存量替换”。** 存量替换的主战场是核心系统。据不完全统计，2025 年有 28 个以上银行核心系统建设、升级或改造项目启动（来源：银行科技研究社基于招投标统计，2025 年 11 月）；分布式数据库是这轮改造的底座，截至 2025 年 6 月，OceanBase 已服务超过 100 家银行、支撑 190 多套核心系统（来源：2025 中国国际金融展）。**核心系统换代是十年一遇的窗口，换的不只是软件，还有组织、流程和数据标准。** --- ## 二、自建、采购还是 SaaS：一笔三年 TCO 账 “自建还是买”是伪命题。真实选择有四种：自建、采购 License 加实施、SaaS 租用、联合运营。差别不在技术先进程度，而在**谁承担固定成本、谁承担迭代速度、谁掌握数据**。 **表 2：四种建设模式的取舍** | 模式 | 首年投入（经验区间） | 年运维/年费 | 上线周期 | 三年 TCO | 适合谁 | 主要风险 | | --- | --- | --- | --- | --- | --- | --- | | 全自建 | 1000—2000 万元 | 建设费的 15%—20%，另加团队 | 18—30 个月 | 1500—3000 万元 | 资产 5000 亿元以上、有科技子公司 | 需求变更、人才流失 | | 采购+实施 | 300—800 万元 | 15%—18% 维保 | 6—12 个月 | 450—1100 万元 | 资产 500—5000 亿元 | 定制化陷阱、版本落后 | | SaaS 租用 | 50—200 万元 | 30—100 万元 | 1—3 个月 | 120—400 万元 | 消金、小贷、村镇银行、初创助贷 | 数据出域、涨价、停服 | | 联合运营 | 建设费为 0 | 按放款额分润 10%—30% | 1—2 个月 | 随规模线性增长 | 缺风控能力的资金方 | 核心能力外包、合规风险 | （以上为行业经验区间，不含硬件与专线；不同产品差异很大） 用具体案例把账算实。某城商行要做一套支持年 50 万笔的零售信贷系统（进件+决策+贷后），三个方案： - **自建**：首年 1200 万元（产品 400 万、开发 500 万、迁移 150 万、硬件 150 万），次年起每年 400 万元（运维 150 万+3 人团队 250 万），三年合计约 2000 万元。 - **采购**：首年 600 万元（License 300 万+实施 300 万），次年起每年 150 万元（维保+1 名管理员），三年合计约 900 万元。 - **SaaS**：首年 120 万元（实施 80 万+年费 40 万），次年起每年 60 万元，三年合计约 240 万元。 单看 TCO，SaaS 便宜一个数量级。但自建买到**迭代权**和**数据资产**，采购买到**稳定但滞后的版本**，SaaS 买到**速度**，代价是数据在别人机房。对大行，SaaS 省下的 1700 万元可能抵不上一次整改成本；对年投放 20 亿元的消金公司，自建三年 2000 万元足以压垮利润表。 判断标准可以压成三个问题： 1. **是否构成差异化？** 反欺诈策略、定价模型、客群运营应自建或深度定制；总账、影像、呼叫中心标准化程度高，买或租更划算。 2. **规模能否摊薄成本？** 年投放低于 50 亿元，自建单位成本通常是采购的两到三倍；高于 500 亿元，自建边际成本开始低于 SaaS 年费。 3. **监管是否要求可控？** 核心系统、征信数据、模型决策链路必须自主可控、可审计。2025 年助贷新规（金规〔2025〕9 号）要求银行自主风控、总行集中管理，直接堵死了“风控整体外包”。 三个最常见的坑：**定制化陷阱**（改 30% 以上，三年后无法升级，TCO 反超自建）、**厂商锁定**（数据模型与接口用私有标准，换供应商等于重做）、**需求不清**（把“上个系统”当目标，上线后没人用）。 --- ## 三、数据体系：五类来源的价格、覆盖与边界 信贷的原材料是数据。“数据越多越好”只对了一半：**前三个数据源贡献大部分区分度，第六个之后边际增益常低于成本。** **表 3：五类数据源的价格与适用场景** | 数据源 | 典型字段 | 单价（经验/官方） | 覆盖与稳定性 | 主要用途 | 合规要点 | | --- | --- | --- | --- | --- | --- | | 人行征信 | 信贷记录、查询记录、逾期、担保 | 个人 1 元/份，企业 9 元/份；11 类机构优惠至 0.5/4.5 元 | 11.6 亿自然人，8.1 亿有信贷记录；最权威 | 准入、额度、定价、贷后 | 必须取得书面授权，用途限定 | | 三方数据 | 多头借贷、黑名单、消费画像 | 0.2—2 元/次 | 覆盖参差，需定期验证 | 反欺诈、补充评分 | 来源合法、持牌经营、不得转售 | | 税务与发票 | 纳税额、开票流水、上下游 | 1—5 元/次 | 小微经营户覆盖较好 | 经营贷授信、额度测算 | 需企业授权、直连或持牌通道 | | 运营商 | 在网时长、归属地、通话行为 | 0.3—1 元/次 | 覆盖广，敏感性高 | 身份核验、反欺诈 | 最小必要、单独同意 | | 设备与行为 | 设备指纹、IP、点击流、通讯录 | 0.05—0.3 元/次 | 自采为主，实时性最强 | 反欺诈、体验优化 | 不得过度索权，须告知 | （征信为官方定价，其余为行业经验区间） 把单价乘上查询量，数据成本并不便宜。一笔零售贷款平均调用 8 个数据源，单笔 3—8 元；年 67 万笔就是 200—550 万元，约占利息收入的 1%—3%，和催收成本同一量级。**所以数据采购必须做“增量价值测试”：每加一个数据源，看 KS 或 AUC 提升多少、通过率变化多少、单笔成本增加多少，算不过账就不接。** 价格还在往下走：2025 年 5 月发改价格〔2025〕668 号将企业、个人信用报告基准价定为 9 元和 1 元，农商行、村镇银行、小贷、消金等 11 类机构优惠至 4.5 元和 0.5 元，2025 年 7 月 1 日起执行（来源：国家发展改革委，2025 年 5 月 29 日）。**这说明征信基础设施是“公共品+成本补偿”，不是利润中心。** 合规边界比价格更重要。四条硬线： - **断直连**：《征信业务管理办法》（中国人民银行令〔2021〕第 4 号）自 2022 年 1 月 1 日施行，平台不得直接向金融机构传输个人征信信息。 - **最小必要**：与处理目的直接相关、影响最小；通讯录、相册、位置是处罚高发区。 - **来源合法**：爬虫、黑市、未授权共享的数据，合同无效且可能涉刑。 - **用途限定**：营销数据不能直接用于授信，保存期满要删除。 2025 年施行的《中国人民银行业务领域数据安全管理办法》（中国人民银行令〔2025〕第 3 号）还要求，用隐私计算做数据融合时须确认其他参与方无法还原原始数据、无法做范围外关联。**合规决定的不是技术方案，而是哪些数据“能用”、哪些“碰都不能碰”。** --- ## 四、四个已经跑通的场景：审批、反欺诈、催收、客服 技术价值只有在具体场景里才能验证。以下四个场景，是过去五年真正跑出稳定 ROI 的。 ### 4.1 自动化审批：把“人看材料”变成“策略流” 自动化审批的内核不是 AI，是**决策引擎**：把准入规则、评分卡、额度公式、定价矩阵编排成可版本管理的策略流，命中不同分支给出不同结果。成熟机构自动化率（无需人工即完成审批）在 60%—85%，单笔耗时从小时级降到秒级。 关键不在自动化率多高，而在**边界画在哪**：白名单全自动；标准客户模型自动+抽检；边缘客户（额度高、资料矛盾、分数临界）转人工。人工不是失败，是**风险的最后一道闸门**；把自动化率当唯一 KPI，结果一定是用通过率换不良。策略上线前还要跑冠军挑战者（champion-challenger），用 5%—10% 流量对比真实表现，而非历史回测。 ### 4.2 实时反欺诈：100 毫秒内的交叉验证 反欺诈与信用风险是两件事，详见第 05 篇《风控体系与信贷技术》。链路是：设备指纹（30—100 个参数）→ 关系网络（申请人、设备、手机号、银行卡、地址的图关系）→ 规则与模型打分 → 名单碰撞 → 决策返回，全程须在 100 毫秒内。 真正有效的不是单点规则，是**多源交叉**：社保单位、代发工资单位、营业执照地址是否一致；同一张流水图是否被多个客户上传；一台设备是否 7 天内登录多个身份。2025 年一季度金融黑灰产规模突破 2800 亿元，这个量级意味着规则每季度必须回溯。 ### 4.3 智能催收：把“人海”换成“分层” 催收技术改造分三层：**分案**（按账龄、金额、回收概率分配案件）、**触达**（短信、IVR、AI 外呼、人工、外访）、**合规留痕**（录音、质检、投诉预警）。 行业调研显示，2025 年金融业智能外呼渗透率约 73%（来源：中研普华 2025 年报告，转引自行业厂商，属调研估算）。M1（逾期 1—30 天）以 AI 外呼为主，单台日处理量数千通、是人工十倍以上；M2 转“AI+人工协同”；M3+ 仍以人工和委外为主。**AI 能把标准提醒做到极致，但协商还款、减免方案、情绪安抚只能由人完成。** 合规是前置条件。国家标准《互联网金融 个人网络消费信贷 贷后催收风控指引》（GB/T 45251-2025）于 2025 年 2 月 28 日实施，对时间、频次、话术、外包提出明确要求。系统若不内置“22:00—8:00 禁呼、每日语音不超过 3 次、全程录音可回溯”，效率越高罚单越大。详见第 06 篇。 ### 4.4 AI 客服：从“答得上”到“办得成” 客服是生成式 AI 落地最快的场景：容错、可兜底、可量化。行业水平是自助解决率 60%—80%，坐席助手把通话时长压降约 10%。分水岭是**能不能办事**——查额度、改还款日、申请延期要打通核心、信贷、催收三个系统，每一步都要权限与审计。只做问答不做办理，本质是更贵的 FAQ。 **表 4：四个场景的投入、效果与边界** | 场景 | 核心指标 | 行业区间 | 投入量级 | 能力边界 | | --- | --- | --- | --- | --- | | 自动化审批 | 自动化率、TAT | 60%—85%、分钟级 | 500—1500 万元 | 复杂对公、首贷户、大额抵押仍需人工 | | 实时反欺诈 | 响应时间、误杀率 | <100ms、1%—3% | 200—600 万元 | 对抗性强，规则需持续迭代 | | 智能催收 | M1 回收率、投诉率 | 提升 5—10 个百分点、<0.5% | 100—400 万元 | M3+、协商减免仍需人工 | | AI 客服 | 自助解决率、通话时长 | 60%—80%、-10% | 100—300 万元 | 复杂投诉、征信异议需转人工 | （投入为中型机构单场景经验值，含软件、实施与首年运维） --- ## 五、大模型：能力是真的，边界也是真的 2025 年是银行业大模型从试点走向规模化的年份。工行依托“工银智涌”，在 30 余个业务领域落地 500 余个场景，AI 数字员工工作量相当于 5.5 万人一年；招行“AI First”，日均 Token 吞吐量较 2024 年增长 10.1 倍，落地 183 个领域模型和 856 个场景；交行部署超过 2500 个 AI 智能体（来源：上市银行 2025 年年报，转引自证券时报，2026 年 4 月）。六大行科技员工已增至约 13 万人（来源：金融时报，2026 年 4 月）。 但“场景数”最容易注水：是真正进入生产流程、有人用、有效果，还是 Demo 演示过一次，差别巨大。判断真实能力，建议按四级成熟度看： **表 5：大模型在信贷场景的成熟度分级** | 场景 | 成熟度 | 可验证效果 | 主要风险 | 建议 | | --- | --- | --- | --- | --- | | 材料识别与字段抽取 | L3 规模化 | 识别率 85%—97%（多模态） | 版式漂移、PS 伪造 | 生产可用，保留人工抽检 | | 尽调/风险报告生成 | L3 规模化 | 单份 5 分钟—1 小时 | 事实错误、引用失真 | 生产可用，必须标注来源 | | 客服与坐席助手 | L3 规模化 | 解决率 60%—80% | 话术违规、承诺超权限 | 生产可用，全量质检 | | 代码与测试生成 | L3 规模化 | 效率提升 20%—40% | 安全漏洞、许可证 | 生产可用，强制代码评审 | | 策略迭代辅助 | L2 试点 | 提供特征与规则候选 | 因果不明、过拟合 | 只做候选，人工验证 | | 合规文本审查 | L2 试点 | 召回率提升、误报仍高 | 责任不清 | 辅助，不替代法务 | | 拒绝理由生成 | L1 实验 | 需人工改写 | 告知义务、歧视 | 不建议直接对客 | | 授信决策 | L0 不建议 | 无可审计证据 | 不可解释、不可问责 | 禁止 | （成熟度分级为本篇提出的评估框架；识别率为公开案例口径，非行业均值） 案例能说明 L3 长什么样。九江银行用大模型做贷后风险识别，单份报告从数小时压缩到约 5 分钟，2025 年通过预警联动冻结授信 5.12 亿元、压降敞口 11.10 亿元，合计止损 16.22 亿元（来源：金科创新社，2026 年）。成都银行材料识别率提升至 85% 以上、报告生成压缩到 1 小时内；苏商银行厂商披露识别率超过 97%（来源：公开案例，后者为厂商口径）。 三个硬边界必须说清： 1. **幻觉不可接受**。报告里一个错误数字可能导致一笔错误授信，生成内容必须“有源可查”，关键字段回链到原始影像或征信报告。 2. **不可复现有合规问题**。同一输入两次输出不同，无法解释“为什么拒你”；生产环境须固定模型版本、温度参数和提示词。 3. **责任无法归属**。监管已明确“谁使用谁负责”：2026 年 6 月 18 日，金融监管总局发布《关于银行业保险业人工智能安全开发应用的指导意见》，要求金融机构承担主体责任，高风险场景使用生成式 AI 须报告；人民银行等推进“人工智能+金融”部署（银发〔2026〕101 号），基调是“稳妥有序”，不是“全面替代”（来源：国家金融监督管理总局，2026 年 6 月）。 成本也要算清：Token 在降价，但数据清洗、评测集、提示词工程、流程改造、合规评审通常是调用费的 5—10 倍；中等复杂度的场景，预算 50—200 万元、周期 3—6 个月是常见量级。**大模型不是“买 API”，是“改流程”。** --- ## 六、隐私计算、开放银行、区块链：三项技术的真实进度 ### 6.1 隐私计算：从“技术可行”到“商业可算” 隐私计算解决“数据不出域但能联合建模”，三条路线：**联邦学习**（换模型参数）、**安全多方计算**（MPC，换密文分片）、**可信执行环境**（TEE，硬件隔离）。信贷里最现实的是联合反欺诈、联合授信、存量提额。 落地比宣传慢，但已有可验证案例。工行 2025 年新增 26 个隐私计算场景，覆盖银行间数据共享、政银合作、精准营销（来源：移动支付网，2026 年 4 月）。工行与银联用联邦学习构建小微商户违约评分，模型性能提升 20%、户均授信提高 30%（来源：北京金融科技产业联盟，2025 年）。中行与支付宝则用隐私求交做信用卡促绑。 难点不在算法，在**工程与商业**：性能损耗是明文的 5—50 倍，平台互联互通要适配，算力、计费、责任都没有成熟答案。所以它是“有稳定合作方的大中型机构”的游戏，中小机构更适合走征信机构或数据交易所。 ### 6.2 开放银行与嵌入式金融：把银行做成 API 开放银行（Open Banking）是把账户、支付、贷款封装成 API 输出给外部场景；嵌入式金融（Embedded Finance）是把这些能力嵌进电商、出行、ERP，让用户“办事”时顺手完成金融动作。 中国没有强制立法，走“平台自建+商业合作”。工行以 100 多个产品、2000 多项 API 对接合作方超过 6 万家，日交易峰值 2.8 亿笔（来源：公开报道，2025 年）；招行、建行、平安也在千级 API。中小银行更多是“接入场景”，把贷款嵌进本地商超、医院、供应链平台换批量获客。 商业上要清醒：**API 不赚钱，赚钱的是账户、结算、存款和信贷分润。** 壁垒是场景方信任与分润结构，不是技术。风险在合作方集中度、数据责任边界、消费者被不知情导流，以及断直连后征信不能直接传；助贷新规的名单制同样适用。 ### 6.3 区块链：不是“去中心化”，是“确权与多级流转” 区块链在信贷里最实的落地不是发币，是**应收账款确权与拆分流转**和**供应链票据**。核心企业确认应付账款、生成电子凭证，上游可持有到期、可拆给更上游、也可融资。区块链的作用是防篡改、可追溯、防止一票多卖，替代的是纸质确权函，不是银行信用。 规模已经不小。2025 年应收账款电子凭证开立发生额 4.00 万亿元、融资发生额 2.84 万亿元，平均融资利率 2.85%；年末开立余额 2.61 万亿元、融资余额 1.95 万亿元。供应链票据 2025 年发生额超过 1 万亿元、同比增长 133%，上海票据交易所平台接入 50 家直连机构、累计发生额超过 2 万亿元（来源：上海票据交易所、行业研究机构，2026 年 1 月）。 监管同步收紧。2025 年六部门联合发布《关于规范供应链金融业务 引导供应链信息服务机构更好服务中小企业融资有关事宜的通知》（银发〔2025〕77 号）：凭证须有真实贸易背景、不得基于预付款开立，付款期限原则 6 个月内、最长 1 年，信息服务机构不得归集资金或变相做保理、贷款（来源：中国人民银行，2025 年）。此后部分平台陆续退出该业务。 **真实价值是把核心企业信用沿产业链“稀释着”传下去，让四、五级供应商拿到 2.85% 左右的资金；真实风险是把一家核心企业的信用风险通过多级流转扩散到几十家银行。** 77 号文控期限、控层级、控资金，本质是控信用链长度。 **表 6：三项技术的成熟度与适配对象** | 技术 | 成熟度 | 2025—2026 可验证效果 | 主要障碍 | 适合谁 | | --- | --- | --- | --- | --- | | 隐私计算 | 试点转推广 | 联合建模模型性能提升约 20%，户均授信提升约 30% | 性能损耗、互联互通、计费与责任 | 有稳定数据合作方的大中型机构 | | 开放银行 | 成熟 | 头部银行千级 API、数万合作方 | 分润薄、责任边界、名单制合规 | 有场景与结算能力的银行 | | 区块链/电子凭证 | 成熟但强监管 | 凭证融资 2.84 万亿元、平均利率 2.85% | 核心企业信用依赖、合规整改 | 产业链核心企业+合作银行 | --- ## 七、投入产出：3000 万怎么花，为什么大量项目不达预期 ### 7.1 三类收益，一张回收表 数字化收益只有三类：**降本、增收、风险节省**。立项书通常只写第一类，但决定 ROI 的是后两类。 假设城商行年新增投放 100 亿元、笔均 1.5 万元（约 67 万笔），定价 12%、不良率 2.5%；上一套“决策引擎+反欺诈+智能催收”首年投入 3000 万元、年运维 600 万元，按中性假设： - **降本**：人工审批 12 元/笔，自动化率 45%→80%，减少 23.3 万笔人工，年省约 280 万元。 - **风险节省**：欺诈损失率 0.25%→0.12%，年省约 1300 万元。 - **增收**：催收回收率提升 2 个百分点（不良余额 2.5 亿元），年增回款约 500 万元；提额与交叉销售约 200 万元。 合计年化收益约 2280 万元，扣除运维 600 万元，净收益约 1680 万元，静态回收期约 2 年。但**结果对假设极其敏感**：如果自动化率只到 60%、欺诈损失只降 0.05 个百分点，年收益会掉到 900 万元以下，回收期拉长到 5 年以上，项目在财务上就不成立。 所以立项时最该做的不是技术选型，是**敏感性分析**：把自动化率、欺诈损失率、回收率各设乐观/中性/悲观三档，算九种组合；只有在“三乐观”下才成立的项目，一律不做。 **表 7：3000 万元预算的分配建议（示意）** | 投向 | 金额（万元） | 占比 | 说明 | 见效周期 | | --- | --- | --- | --- | --- | | 信贷系统/核心改造 | 900 | 30% | 产品工厂、额度、合同、出账 | 12—24 个月 | | 数据平台与治理 | 600 | 20% | 数仓、标签、实时链路、口径统一 | 6—12 个月 | | 决策引擎与反欺诈 | 500 | 17% | 规则编排、设备指纹、图计算 | 3—6 个月 | | 催收与客服 | 400 | 13% | 分案、外呼、质检、知识库 | 3—6 个月 | | AI 场景试点 | 400 | 13% | 材料识别、报告生成、坐席助手 | 6—12 个月 | | 安全合规与灾备 | 200 | 7% | 等保、数据分类分级、审计 | 持续 | （分配比例为经验建议，实际应服从机构短板；AI 试点不建议超过总预算的 15%） ### 7.2 七种常见失败原因 1. **“一把手工程”变成“IT 工程”**：行长挂名、科技部执行、业务不参与，系统上线后没人用。 2. **数据不通、口径不一**：同一个“不良率”三个口径，同一个客户三个 ID，在沙地上盖楼。 3. **KPI 不匹配**：科技考核上线时间、业务考核放款量、风控考核不良率，系统成了甩锅证据。 4. **过度定制**：标准产品改 40%，版本无法升级，三年后成为“孤本”。 5. **模型无人运营**：交付即结束，没有监控、重训和反馈，PSI 从 0.1 涨到 0.3 没人管。 6. **合规返工**：授权链不全、数据来源不清、算法未备案，返工常是建设成本的两三倍。 7. **供应商锁定与关键人流失**：策略只存在顾问电脑里，人走系统瘫；文档必须内部化，至少两人能接手。 ### 7.3 岗位视角：三类人最值钱 - **懂业务的技术**：能听懂“这笔贷款为什么拒”并翻译成规则或特征，而不是等业务写 20 页需求。 - **懂技术的风控策略**：会 SQL、Python，能做 A/B 测试和回溯，知道 KS 涨 0.02 意味着什么；纯“调参”正被 AutoML 替代。 - **懂 ROI 的产品/运营**：能算清一个功能省多少人、少亏多少钱、多久回本。项目最缺的是把技术语言翻译成损益表的人。 对转行者，建议不是“学 Python”，而是“拆一个信贷产品的系统链路”：能画出一笔贷款经过哪些系统、每个系统存什么数据，比会写多少行代码更有价值。 --- ## 本篇要点回顾 1. **信贷科技是八层系统加一条数据流**，决定业务速度的是信贷中台与决策引擎；2025 年六大行科技投入 1300.91 亿元、同比增 3.69%，但银行业 IT 解决方案市场仅 714.5 亿元、同比增 0.2%，已从增量采购转入存量替换。 2. **自建、采购、SaaS 的分界不是技术，是差异化程度与规模**：同一年 50 万笔的系统，三年 TCO 约为自建 2000 万元、采购 900 万元、SaaS 240 万元，但自建买到的是迭代权和数据资产。 3. **数据成本约占利息收入的 1%—3%**，单笔 3—8 元；征信官方定价为企业 9 元/份、个人 1 元/份（11 类机构优惠至 4.5/0.5 元），边际价值测试比“多接数据源”更重要。 4. **四个场景已跑通**：自动化审批率 60%—85%、反欺诈响应小于 100 毫秒、智能催收 M1 回收率提升 5—10 个百分点、AI 客服自助解决率 60%—80%；大模型在材料识别与报告生成达到 L3，但授信决策仍是 L0。 5. **数字化的失败大多不是技术失败**，而是流程、数据、KPI 与合规的失败；一个 3000 万元项目的回收期约 2 年，但只有在中性假设下成立，立项时必须做九种组合的敏感性分析。 ## 延伸阅读 - 第 04 篇《全流程运营与获客展业》——本篇讲系统怎么支撑流程，那一篇讲流程本身怎么跑；进件、审批、催收的业务细节在那边。 - 第 05 篇《风控体系与信贷技术》——评分卡、反欺诈、模型风险管理的技术细节，与本篇的“系统与平台”视角互补。 - 第 06 篇《监管框架与合规红线》——数据合规、催收国标、AI 监管的文件原文与处罚口径，是本篇科技投入的约束条件。 - 第 03 篇《商业模式与盈利逻辑》与第 07 篇《财务与经营指标解读》——本篇的 ROI 测算，需要那两篇的单位经济模型与财务口径作支撑。 - 国家金融监督管理总局《关于银行业保险业人工智能安全开发应用的指导意见》（2026 年 6 月 18 日）——AI 在信贷场景的责任划分、高风险场景报告要求与全生命周期管理，是判断“能不能上线”的官方依据。