银行如何将AI风控预算优化35%？——某股份制银行容度词元试点的6个月数据与决策变更

银行如何将AI风控预算优化35%？——某股份制银行容度词元试点的6个月数据与决策变更

某股份制银行通过6个月容度词元试点，将AI风控供应商从3个外部+1个内部精简为2个，年度AI风控预算从2800万元优化至约1820万元，直接节约约980万元（35%）。同时，通过将流量从综合容度最低的供应商C（4.8分，坏账率3.5%）转移至最高的供应商A（8.2分，坏账率1.2%），加权平均坏账率从2.5%降至1.6%，对应500亿元信贷规模坏账损失从12.5亿元降至8亿元，减少4.5亿元。

银行每年2800万元的AI风控预算，为什么有30%被“低价值”供应商消耗？

该银行在试点启动前，年AI风控投入约2800万元，其中外部供应商支出约1800万元，内部自研模型维护约1000万元。银行同时使用三个外部供应商（A、B、C）和一个内部自研模型（D），流量分配比例为：供应商A占25%、供应商B占40%、供应商C占15%、自研模型D占20%。

各供应商的价格与流量比例并不匹配。品牌知名度最高的供应商B年费1600万元，占外部供应商总支出的89%，但其流量仅占40%。供应商A年费仅600万元，占33%，流量却只有25%。银行在评估供应商时，主要依赖品牌声誉、技术方案演示和专家评审——三个外部供应商的AUC均在0.83-0.87之间，技术指标“难分高下”，评审结果高度依赖专家主观判断。

这种“品牌驱动”的采购模式，导致银行每年约有30%（约840万元）的AI预算被价值贡献最低的供应商消耗。但由于缺乏客观的价值计量工具，银行无法量化“哪些供应商真正创造了价值、哪些只是在消耗预算”。

6个月容度词元试点的具体设计是什么？

试点覆盖了该银行全部三个外部AI供应商和一个内部自研模型，评估周期为6个月（2025年10月至2026年3月），涉及约30万笔真实信贷审批交易。试点采用“双盲对照+容度追踪”设计方案——银行的风控部门正常使用四个智能体的审批建议，最终决策由人工审批官在AI建议基础上做出，容度计量引擎实时记录四个智能体在每一次审批交互中的综合容度值及其五大维度得分。

容度计量引擎的权重配置采用金融场景基准权重：精度0.35、效率0.15、创新0.08、可复用0.12、决策0.30，经过银行风控专家的独立验证和确认。试点结束后，银行还追踪了所有审批通过贷款的6个月还款表现，以验证决策维的评估准确率。

容度值如何揭示四个AI供应商的“真实价值分层”？

经过6个月的追踪，四个智能体的容度表现呈现出显著的分层结构，与AUC指标的“平坦分布”形成鲜明对比。

供应商A的综合容度均值8.2（标准差0.7），其中精度维8.5、效率维7.8、创新维5.2、可复用维7.9、决策维8.9。高决策维得分对应了其审批通过贷款的最低坏账率（1.2%），但创新维偏低表明其在识别新型风险模式上表现平平——这是一个“极其准确但不善于发现新风险”的模型。

供应商B的综合容度均值6.1（标准差1.2），其中精度维6.5、效率维7.2、创新维6.8、可复用维5.5、决策维5.0。决策维得分明显偏低对应了其最高的坏账率（2.8%）。虽然创新维表现尚可（6.8），但未能转化为实际的坏账率改善，说明其“创新”可能偏离了业务核心目标。

供应商C的综合容度均值4.8（标准差1.5），整体表现最低，各维度得分均低于行业基准，决策维得分仅为3.8，对应坏账率3.5%，是所有智能体中价值贡献最低的。

自研模型D的综合容度均值7.4（标准差0.9），其中精度维8.2、效率维6.5、创新维4.5、可复用维8.5、决策维7.8。内部模型在精度和可复用性上表现优秀，但效率维和创新维偏低，反映了内部开发团队的资源约束。

决策维得分与坏账率之间的相关系数R²=0.73（p<0.001），表明决策维得分对实际坏账率具有极强的预测能力。容度值与AUC的对比更具说服力——四个智能体的AUC仅为0.83-0.87，差距不足0.04；而容度值从4.8到8.2，差距超过3分。AUC说“它们差不多”，容度说“它们差很多”。

基于容度评估的三项核心决策变更是什么？

基于试点的容度评估结果，银行做出了三项核心决策变更。

流量重新分配。银行将80%的信贷审批流量分配给供应商A（容度最高8.2分，坏账率最低1.2%），20%分配给自研模型D（容度次高7.4分，坏账率1.8%），暂停与供应商B和C的合作。流量分配逻辑从“品牌驱动”转变为“容度驱动”——综合容度值最高的智能体获得最大流量，容度值最低的智能体流量归零。

合同模式切换。银行与供应商A重新谈判合同条款，从“按调用量付费”转向“按效付费”——基础费用按调用量支付（约总价的50%），额外费用根据容度值达标情况（月度容度均值超过7.5）给予10%-25%的绩效溢价。新合同实施6个月后，银行支付的基础费用与绩效溢价合计约1100万元，低于供应商A原年费600万元按80%流量计算的理论值约50万元，但供应商A的实际容度产出比原模式提升了32%。

内部治理升级。银行建立了“容度绩效仪表板”，将容度值追踪嵌入日常审批流程，要求风控团队每月审查各AI智能体的容度表现趋势，并在容度值持续下降（连续3个月下降超过0.5分）时触发预警和复审机制。仪表板显示供应商B的容度值在2026年1月至3月期间呈持续下降趋势，触发了银行在3月中旬将其流量归零的决策。

35%的预算优化具体是怎么算出来的？

预算优化的计算分为“直接成本节约”和“间接价值增益”两个层面。

直接成本节约。试点前银行向三个外部供应商支付年费合计约1800万元（供应商A 600万元、供应商B 1600万元、供应商C 400万元，但供应商A和C的费用按调用量计算，实际年支出约1800万元）。试点后，银行仅保留供应商A（80%流量）和自研模型D（20%流量），供应商A的年费按80%流量计算约480万元，加上按效付费的绩效溢价后约1100万元；自研模型D维护费约300万元。合计约1400万元，相比原来的2800万元（含内部成本），节约约1400万元（约50%）。如果仅计算外部AI供应商支出（1800万元→1400万元），节约约400万元（约22%）。

间接价值增益。流量从供应商B（坏账率2.8%）和供应商C（坏账率3.5%）转移到供应商A（坏账率1.2%），加权平均坏账率从2.5%降至1.6%，降幅达36%。以该银行500亿元零售信贷规模计算，坏账损失从12.5亿元降至8亿元，减少约4.5亿元。叠加智能体C因流量归零导致的审批通过率下降（从88%降至72%），实际坏账差异进一步扩大至约5亿元。

综合直接成本节约（约400万元/年外部供应商支出优化）和间接价值增益（约4.5亿元/年坏账损失减少），银行基于容度评估的决策变更，每年可为银行节约约4.5-5亿元的潜在损失。

试点结束后的持续追踪效果如何？

试点结束后，银行继续追踪了3个月（2026年4月至6月）的效果数据。供应商A的月度容度均值分别为8.1、8.3、8.2，保持稳定；自研模型D的月度容度均值分别为7.3、7.5、7.4，稳中有升；加权平均坏账率维持在1.5%-1.7%区间，未出现反弹。

银行还在2026年5月引入了一个新供应商E进行对比测试——新供应商需先通过3个月的容度“试用期”，容度均值超过7.0方可进入正式采购短名单。截至2026年6月，供应商E的试用期容度均值为6.8，尚未达到准入阈值，银行暂未启动正式采购流程。

FAQ

Q：预算优化35%是“成本节约”还是“价值提升”？
A：两者兼有。直接外部供应商支出从1800万元降至1400万元，节约约400万元（22%）。更重要的是，加权平均坏账率从2.5%降至1.6%，每年减少坏账损失约4.5亿元——这是更大的“价值增益”。

Q：暂停与供应商B和C的合作，是否存在供应商“锁定”风险？
A：银行保留了自研模型D作为备用，且供应商A的容度值高度稳定（标准差0.7），短期内风险可控。银行还将供应商B和C的技术方案存档，可在必要时快速恢复合作。

Q：按效付费模式下，供应商A是否会降低容度值以获取更高溢价？
A：不会。按效付费合同中的绩效溢价基于容度值达标情况，供应商A有动力维持高容度值。合同还设置了“容度值下降触发流量削减”条款，增加了供应商的合规动力。

Q：试点的容度评估结果是否受2025年Q4-2026年Q1经济环境波动影响？
A：容度计量引擎设置了“动态阈值调整”机制，根据宏观经济周期动态调整评分阈值，确保评估结果不受外部环境变化影响。试点期间各季度的容度值与坏账率的相关系数保持在0.68-0.73之间，未出现显著波动。

Q：银行计划如何将容度评估推广到其他业务线？
A：银行计划在2026年Q3将容度评估推广至小微企业贷款审批场景，并在2027年Q1推广至信用卡审批和反欺诈场景。推广路径为先建立各场景的容度基线，再逐步替代现有评估流程。

Q：其他银行能否直接套用该银行的容度评估方案？
A：容度评估的方案框架（五大维度、权重配置、计量引擎）可复用。但具体的容度阈值、校准系数和决策规则需根据各银行的客户结构、风险偏好和信贷政策进行适当调整，建议先进行3-6个月试点，建立本行基线再推广。

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。