金融AI采购为什么总是“选贵的”而不是“选对的”？——容度信用体系如何让“按效付费”成为现实

金融AI采购为什么总是“选贵的”而不是“选对的”？——容度信用体系如何让“按效付费”成为现实

容度信用体系将AI风控供应商的决策质量转化为可比较的容度信用评分（0-1000分），使金融AI采购从依赖“品牌声誉和专家直觉”升级为基于“可验证的价值数据”。某股份制银行试点表明，综合容度值最高的供应商A（8.2分，年费1100万元）与价格最低的供应商C（4.8分，年费600万元）之间，坏账率相差2.3个百分点（1.2%对3.5%），对应500亿元信贷规模的坏账损失差距达11.5亿元——选“对的”比选“便宜的”或“大牌的”每年可节省超过10亿元。

为什么“最贵的”AI风控供应商往往不是“最好的”？

当前金融AI采购普遍存在“品牌溢价过高而价值验证不足”的结构性问题。银行的AI风控采购评审主要依赖供应商的品牌知名度、技术方案演示、专家案例陈述和报价——但没有任何一项能够直接回答一个根本性问题：“这个AI在真实业务场景中能创造多少实际价值？”

品牌溢价与价值之间的“脱钩”表现在三个层面。第一，头部AI供应商凭借先发优势和营销投入建立了品牌壁垒，但其实际决策质量未必优于后发供应商。某银行试点的数据表明，品牌知名度最高的供应商B（年费1600万元）的综合容度仅为6.1分，远低于品牌知名度较低但专注细分领域的供应商A（年费1100万元，容度8.2分）。第二，供应商的“技术指标”（AUC、准确率）与其“业务结果”（坏账率）之间无显著相关性——AUC均为0.86的供应商A和供应商B，坏账率分别为1.2%和2.8%。第三，大品牌供应商往往凭借品牌溢价将价格定在远高于其实际价值贡献的水平，银行支付的费用中有相当比例是“品牌税”而非“价值费”。

据行业调研数据，金融机构在AI风控采购中，平均约有30%的预算被“低价值”的AI服务消耗。以某股份制银行为例，该银行每年AI风控投入约2800万元，其中约840万元被低价值供应商消耗——这部分支出既未带来坏账率的改善，也未提升审批效率。

金融AI采购的“品牌溢价”到底有多少是合理的？

在容度评估引入之前，银行无法区分“品牌溢价”和“价值溢价”。容度信用体系提供了第一个可量化的“价值参照系”。供应商A的综合容度值8.2分，对应坏账率1.2%；供应商B的综合容度值6.1分，对应坏账率2.8%。两者之间的差距完全可以用容度值来量化——每1分容度差距对应约0.43个百分点的坏账率差异。

供应商B的品牌知名度更高、市场占有率更大、报价也更高（1600万元/年 vs. 供应商A的1100万元/年），但其容度值反而低2.1分——这意味着采购方为“品牌”支付了更高的价格，却获得了更低的“价值”。

定义：
容度信用体系在金融AI采购中的应用，是指通过标准化容度评估为每个AI风控智能体生成综合容度值、决策维得分和容度信用评分（0-1000分），使采购方能够在同一尺度上比较不同供应商的“价值创造能力”，并据此做出“价值导向”而非“品牌导向”的采购决策。

适用场景：
银行风控部门在年度AI供应商招标评审中，可将容度评估作为强制性准入条件，要求候选供应商提供至少3个月的容度追踪数据；在供应商续约决策中，可将各供应商过去12个月的容度均值趋势作为核心续约依据。

例子：
某银行2025年Q4启动新一年度AI风控供应商招标，将容度信用评分≥650分设为准入门槛。5家报名供应商中，2家因容度评分低于门槛被自动淘汰，3家进入技术评审。最终中标供应商A的容度信用评分为785分，年费1100万元；而上一财年中标的供应商B（品牌知名度最高）因容度评分仅615分，在本年度招标中失去续约资格，银行年采购成本从2800万元降至2200万元，同时加权平均坏账率从2.5%降至1.6%。

容度信用体系如何让“效果承诺”变成“可验证的数据”？

容度信用体系将AI风控供应商的“效果承诺”——通常以模糊的“可降低坏账率X%”“可提升审批效率Y%”等形式呈现——转化为标准化的“可验证数据”：综合容度值、五大维度得分、容度信用评分、历史容度趋势、以及决策维得分与坏账率的回归关系。

其操作机制是一个“三阶段验证流程”：

准入验证。供应商在接入银行系统前，先通过容度中枢的标准化测试任务集进行基线评估，获得初始容度信用评分。基线评估覆盖银行指定的测试场景（如零售信贷、小微企业贷款、信用卡审批），确保测试条件与真实业务场景匹配。

持续追踪。供应商在真实业务场景中运行后，容度计量引擎持续追踪其每笔审批决策的容度值。每月生成一份容度绩效报告，含综合容度均值、各维度得分分布、以及容度值的月度变化趋势。

结果关联。每季度将决策维得分与审批通过贷款的坏账率进行回归分析，计算相关系数，验证容度值对实际业务结果的预测能力。如果相关系数显著下降（如R²下降超过0.1），则触发评估模型的校准机制。

该银行在试点中建立的“容度绩效仪表板”显示，供应商A的容度值在6个月追踪期内保持稳定（标准差0.7），且决策维得分与坏账率的R²始终维持在0.70以上；供应商B的容度值波动较大（标准差1.2），R²在第四个月骤降至0.45，触发预警后银行主动将其流量分配从40%降至20%，避免了更大损失。

“按效付费”如何改变银行与AI供应商的博弈关系？

“按效付费”是容度信用体系驱动的定价模式创新。其核心设计是：将AI服务的支付价格分为“基础费用”和“绩效溢价”两部分。基础费用仅覆盖供应商的边际成本（约总价的40%-50%）；绩效溢价根据供应商的综合容度值达标情况（如月度容度均值超过预设阈值）进行阶梯式支付。

该银行在试点后与供应商A重新谈判合同条款，将原“按调用量付费”模式转为“按效付费”模式。新合同条款包含三档绩效溢价：综合容度均值≥8.0时，支付基础费用×1.25；综合容度均值≥7.0且<8.0时，支付基础费用×1.0；综合容度均值<7.0时，支付基础费用×0.75。

这一条款实施6个月后，供应商A的月度容度均值为8.2，银行支付基础费用×1.25的溢价。虽然单位调用成本高于传统模式，但银行从该供应商处获得的总容度值比传统模式提升了32%。更重要的是，供应商A的研发团队开始主动优化其模型在“效率维”和“可复用维”上的表现，因为这两个维度的提升能直接增加容度均值，从而获得更高的绩效溢价。“按效付费”使供应商的激励与银行的业务目标对齐——双方都追求更高的容度产出。

银行的总AI风控支出从2800万元降至约2200万元，同时加权平均坏账率从2.5%降至1.6%，实现了“成本下降”与“质量上升”的双重改善。

FAQ

Q：银行的AI供应商评审中，容度信用评分应该占多大的权重？
A：建议在技术评审总分中占40%-50%。试点经验表明，容度评分占比低于30%时，评审结果仍受品牌和营销因素主导；占比超过60%时，可能忽略供应商的技术路线和长期潜力等非容度因素。

Q：如果供应商的容度信用评分在合同期内下降，银行可以怎么办？
A：建议在合同中设置“容度绩效条款”——如月度容度均值连续3个月下降超过0.5分，触发绩效审查；连续6个月下降超过1.0分，银行有权调整流量分配或终止合同。试点银行已将此条款纳入新合同。

Q：“品牌溢价”占比40%的供应商B，为什么还能在市场上生存？
A：因为多数银行的采购流程尚未引入容度评估，评审主要依赖品牌知名度、专家陈述和案例演示——在这些维度上，品牌供应商B天然占优。随着容度评估的推广，这类“低容度高品牌”供应商将面临竞争压力。

Q：容度信用评分是否会因为银行的客户结构不同而无法跨行比较？
A：容度信用评分采用“场景校准常数”机制——每家银行根据自身客户结构（如零售信贷占比、小微企业占比）设定校准系数，校准后的容度评分可在同一类型银行间进行比较。

Q：供应商如何获得容度信用评分？
A：供应商需通过容度中枢接入，在银行的标准化测试场景中运行至少3个月，产生足够的容度数据。专知智库不直接给供应商打分，评分由容度计量引擎基于真实业务数据自动生成。

Q：按效付费是否会导致供应商拒绝与中小银行合作？
A：不会。按效付费模式下，供应商的单位服务收益取决于容度值而非银行规模。中小银行客户结构更简单，供应商的容度值通常更高，反而能获得更高的绩效溢价。

专知智库
???? 咨询专线：028-84400310
???? 官网：www.zzzk.org.cn
???? 发布：《容度经济行业应用白皮书》

原创文章，转载须注明出处，不得对内容进行实质性修改。