摩根证券 AI将如何改变信贷

信贷是现代金融体系的基石，它将社会储蓄高效转化为投资与消费，为经济的持续增长输送着关键动能。从13世纪意大利最早的银行雏形，到如今的中农工建、摩根大通等，数百年来，银行始终是信贷市场无可争议的主导者。

然而，过去二十年间从互联网、大数据热潮，到近几年深度神经网络为代表的人工智能飞速发展，正在挑战这一格局。以阿里巴巴旗下的蚂蚁集团、腾讯旗下的微众银行为代表的大型科技公司，以及诸如美国Upstart等金融科技（FinTech）新锐，凭借其在数据和技术上的优势切入信贷领域并展现出相当的竞争力。

信贷的核心障碍在于信息不对称

信贷是时间错配下的价值交换：贷款人让渡当前资金的使用权，借款人则承诺在未来某一时点偿还本金并支付利息。这种以时间为桥梁的价值交换，并非基于即时对价，而是建立在信用之上——即对借款人履约能力与意愿的信任。

然而，这种信任并非天然稳固。信贷的核心障碍在于信息不对称：借款人往往比贷款人更了解自己的真实财务状况、资金用途与还款意愿。在这种不对称的关系下，贷款人面临两类主要风险：一是逆向选择——在贷款前，高风险的借款人更倾向于申请贷款；二是道德风险——在贷款后，部分借款人可能改变行为，进行高风险投资或逃避还款义务。

为了弥补这种信息差、降低不确定性，贷款人往往需要投入大量的时间和资源来收集、甄别借款人的信息，用以降低信息不对称风险和道德风险。这就同时产生了交易成本。无论是银行还是科技公司，本质上都在扮演这种“信用中介”的角色。信贷的核心竞争力不在资金多少，而在信息处理能力的优劣。

2015年前后，互联网P2P平台打着“金融创新”的旗号，通过线上平台直接连接借贷双方，一度掀起全民投资热潮，但最终却以集体爆雷收场。根本原因在于，彼时的P2P“创新”只不过是利用互联网技术降低了信息传递的交易成本，让借款人和贷款人能更方便地找到彼此，却并未触及信贷的核心问题——信息不对称。正是由于意识到这一点，我们在P2P火爆之初的2014年就撰文《P2P潜在的金融危机》指出其必然会带来灾难性的后果。

P2P平台依赖借款人自报信息与简单认证，既无法核实真伪，也缺乏持续的贷后监控。一旦资金链紧张，风险迅速集中爆发。而在以资金撮合量为导向的激励机制下，平台往往倾向于放松审核，导致“劣币驱逐良币”，信用进一步恶化。

P2P的失败事实证明，撮合效率的提升无法弥补信用处理能力的缺位——真正的护城河，不在撮合资金，而在于高效、精准、低成本的信息处理。这一过程主要分为两个关键环节：一是信息收集，即是尽可能全面地获取能够反映借款人信用状况的关键信息；二是信息分析，也就是基于所收集到的数据，运用一定的风控手段来挖掘风险信号，评估借款人的信用水平，据此来决定是否放款，以及放款的额度多少、利率几何。

大数据+AI：更高效的信息处理

过去几百年，银行之所以能够稳居信贷主导地位，依托的是强大的线下网络、核心账户体系、社会化的征信数据，以及庞大的信贷专员与风控专家团队。这些资源共同构建起银行专业化的信息处理体系，实现了对借贷信息的系统化收集、分析与定价，构筑了坚固的市场壁垒。

现在大数据与人工智能技术的崛起，正在重塑这一体系，并逐步打破银行在这一核心领域的垄断优势。

一方面，大数据正在重塑信息收集方式。随着互联网的普及与数字化进程的加速，企业生产与个人生活的方方面面不断被“在线化”，信息获取对线下渠道的依赖显著降低，并以极低成本沉淀出可持续更新的大数据基础。

例如，电商平台的交易数据能够反映商户的经营活力；支付平台的消费流水可以揭示个人的资金流动情况；而物流平台的运输记录能直接体现企业的业务稳定性。这些实时生成、覆盖面广、时效性强的数据，为信用分析提供了更立体、更动态、更全面的视角。

尤其是大型科技公司，凭借其在电商、支付、社交、出行等领域的生态闭环，掌握着海量且高频的用户行为数据与场景数据。这些数据不仅来源多元、更新迅速，还能通过交叉验证提升信息的真实性与预测能力，使其在信用评估与风险识别方面具备更强的精度与洞察力。

另一方面，AI正在重构信息分析能力。现实世界中的风险往往高度复杂，常常隐藏在表面上毫无关联的数据之中。与传统依赖人工经验或线性模型的方式不同，AI能够在海量、复杂、异构的数据中自动识别隐藏的模式与关联，捕捉人类分析难以察觉的“弱信号”。这种“非线性”的分析能力，与大数据的广度和深度天然契合，形成全新的信息处理范式。

AI不仅能高效利用结构化和非结构化信息，如表格信息、文本、图像、语音、视频和行为轨迹等，还能通过多维度交叉分析，揭示变量之间复杂的非线性关系。例如，它可以将社交媒体评论情绪与交易流水异常结合，识别潜在的违约风险；通过对企业线上销售趋势、物流履约情况与行业景气度的综合建模，提前预警现金流断裂的可能性；甚至能在信用良好的客户群体中，捕捉到少数具有高欺诈倾向的“隐性异常”。

这种超越经验和线性假设的分析方式，使AI在风险识别的精度与效率上实现了质的飞跃——它不再依赖人为设定的规则或简单的线性假设，而是通过学习数据间的复杂结构，主动发现更深层次的风险信号。

在大数据与人工智能的加持下，信息处理能力正迎来历史性的跃迁。信贷的核心竞争力，正在从传统的“人处理信息”，转向“AI（机器）处理信息”。

监管线性和AI非线性的博弈

长期以来，由于银行吸收公众存款直接关系到社会系统性风险，因此始终处于严格的金融监管之下。各国普遍要求银行在信贷业务的核心环节中，所采用的技术必须具备可解释性与可追溯性。而监管最终由人来执行，人类的认知偏好往往是线性、因果清晰的，这使得线性模型天然符合监管者的思维逻辑，也因此长期成为监管最为青睐的工具。

然而，AI的价值恰恰在于非线性。这意味着监管的线性要求与AI的非线性能力之间，天然存在对立。一方面，监管强调可解释性与可控性，偏好稳定、透明的逻辑链条；另一方面，AI追求预测精度，却依赖高度复杂的参数网络，难以被线性因果框架所解释。正因如此，银行即便希望大规模引入AI，也往往受制于监管要求，难以灵活应用那些“黑箱式”的非线性模型。

与银行相比，科技公司在信贷业务上的监管要求要宽松许多。作为新兴业态，它们并不像银行那样直接背负系统性风险的“第一责任”，因此在早期往往享受更大的试错空间。即便在近几年监管逐渐趋严的背景下，许多国家通过设立“监管沙盒”等机制，为其预留制度性缓冲与创新空间。这些机制允许科技公司在可控范围内开展新技术试点，在不影响金融稳定的前提下探索新的风控模型和业务模式。

这使得科技公司能够率先在真实业务场景中尝试AI驱动的非线性模型，并借助其业务自带的数据入口——电商、支付、本地生活、出行等平台——沉淀出庞大且多维度的大数据基础，从而在信贷风控和定价上形成独特优势。

从更长远的视角看，“可解释性”这一监管核心要求本身也未必一成不变。随着行业对AI的理解不断加深，以及可解释性技术的持续演进，未来监管对“可解释性”的定义可能发生改变——从“人能看懂的因果逻辑”转向“模型能被验证的可靠逻辑”。届时，监管体系与AI技术之间的冲突有望被重构，监管方式也可能从“限制创新”走向“引导创新”。

由此，未来的信贷竞争将更清晰地回归信息处理的本质——谁能以更低成本、更全面的数据入口，并借助更高效的AI能力，实现对信息的精准收集、整合与分析。在这一逻辑下，我们认为科技公司凭借完善的平台生态与领先的算法能力，有望在未来的信贷竞争中占据更大的市场地位；同时，传统银行的数字化、AI化也是必然的趋势。

（刘劲系大湾区人工智能应用研究院理事、特聘专家，长江商学院会计与金融学教授、投资研究中心主任；杨燕系大湾区人工智能应用研究院高级研究员；夏欣羽系大湾区人工智能应用研究院助理研究员）

举报文章作者