风控数字员工替掉八成重复活，剩下两成才是难点

本文解读：《2026金融智能风控创新发展白皮书-华为》 · 共 67 页 · 原文

这份白皮书最有价值的地方，不是说了多少大模型，而是把风控3.0落在了具体工序上。

它把银行业风控切成三段：1.0是规则引擎把线下经验固化成流程，2.0是评分卡和机器学习做量化辅助， 3.0是大模型加领域知识加智能体调度，让系统自己去完成归集、核验、研判和输出。

承载3.0的是「风控数字员工」。报告给的口径是替代人工完成80%以上的重复性、标准化工作， 剩下的20%交给专家与骨干复核——这句话划清了人机边界。

落地数据也不算虚。反洗钱智能体覆盖全流程，全年分担分行1200+人年； 人脸深度防伪系统对AIGC换脸等攻击拦截率98%以上，日均调用超9万次。

能替掉的八成是流程，替不掉的两成才是风控真正值钱的地方。

图源：《2026金融智能风控创新发展》（第1页）

一、传统风控的四道裂缝，本质是能力错配

报告的判断是先定位问题：国内多数银行的风控智能化仍在2.0及以下， 即以规则引擎和零散机器学习模型为主，还没有形成体系化的智能生产能力。

第一道裂缝是场景覆盖不均。传统体系「重贷前轻贷后、重大客户轻小微、重结构化轻非结构化」， 信贷审批、反欺诈、合规审查、风险预警、贷后管理各环节能力割裂。 对公大额授信高度依赖人工尽调，单户审批周期长、标准波动大。

第二道是数据维度单一。体系高度依赖结构化交易与征信数据， 对司法文书、经营舆情、产业链信息这类非结构化的价值挖掘不足。

更核心的是数据资产与知识体系长期割裂。资深专家的经验依赖个人传承， 人员一流动，组织能力就跟着流失。

第三道是模型体系割裂。各条线独立建模、各自部署， 跨信用卡、信贷、支付多渠道的团伙欺诈在分散体系下极易被拆分识别。 大模型与小模型之间也没建立协同机制，定性研判和定量分析长期脱节。

四道裂缝说的其实是同一件事：各条线都在优化，但没有人对整条链负责。

图源：《2026金融智能风控创新发展》（第3页）

二、从规则到量化再到认知，三次跃迁各解决什么

报告把技术演进分成三个阶段，每个阶段的定位很清晰。1.0是规则驱动的流程风控。把准入标准、审批流程、合规要求、管控阈值转成可执行的系统规则， 解决的是线下作业标准不一、流程流转低效、合规执行偏差。

本质是线下经验的数字化复刻。它只能覆盖已知的、标准化的风险场景， 规则迭代还要依赖人工梳理，面对新型风险形态存在天然的盲区。

2.0是数据驱动的量化风控。信用评分卡和机器学习模型登场， 输出违约概率、欺诈评分、风险评级，弥补了纯人工判断的主观性偏差， 在零售信贷、交易反欺诈这类高频标准化场景提效明显。

3.0是认知驱动的全域风控。以大模型加风控领域知识加智能体调度为核心架构， 具备多模态理解、逻辑推理、全链路自主作业和跨场景协同能力。 报告的定性是「专业化的风控数字从业者」，从被动响应的工具变成可主动感知的生产主体。

这份报告的原文件，连同可对照的原始图表，都放在运营动脉（www.yydm.cn）上，随时能翻。

对着原文的图表再过一遍，比只看二手转述踏实，也不容易被断章取义的说法带偏。

前两个阶段是让机器算得快，第三个阶段是让机器说得出为什么这么算。

图源：《2026金融智能风控创新发展》（第7页）

三、三层架构：场景拿价值、技术沉能力、治理保长效

报告的落地蓝图是「场景—技术—治理」三维协同，自上而下分三层： 场景赋能层是价值输出端口，技术底座层是能力引擎，治理运营层贯穿全链路。

场景层按两条线切。一条是全环节：信贷审批、反欺诈、合规审查、风险预警、贷后管理， 五个环节各配数字员工。

另一条是客群分层：对公大客户「定性研判为主、定量校验为辅」，中小微「数据补全为主、知识赋能为辅」， 零售个人「定量模型为主、规则补充为辅」。

这三套配置不是话术。大额低频复杂场景需要深度尽调，小额高频分散场景需要替代数据补全信用画像， 海量标准化场景需要模型和体验的平衡，用同一套模型去覆盖三类需求必然有一类做不好。

技术底座分六块：数知底座、模型矩阵、工具体系、智能中枢、算力底座、研运保障。 治理层管三件事：全流程合规、能力传承、闭环迭代。三层是纵向贯通、横向协同的关系，不是并列的三件事。

同一套模型管不了三类客群，分层不是为了好看，是为了让三类需求不互相拖累。

图源：《2026金融智能风控创新发展》（第8页）

四、数知双轮：数据是底座，知识才是能推理的那部分

报告用一句话定了调：数据是智能风控的量化底座，知识是风险研判的逻辑内核。两者缺一不可。数据分两层。内部是高置信数据，涵盖资产负债、信贷履约、还款行为、存款流水、理财持仓， 它是判断还款能力与还款意愿的核心依据。

外部是合规补充数据，包括央行及持牌征信机构的跨主体信用数据、工商司法税务等政务数据、 供应链交易物流发票等经营核验数据，以及设备指纹和操作轨迹这类行为特征。

知识分三级。通用风险知识是底层操作系统，含基础方法论和行业通识， 覆盖巴塞尔协议对信用、市场、操作、流动性风险的监管指标体系。

企业风险知识是单家机构的定制化落地，工行在这一层创新了「9+X」分层分类防控框架。 专家经验知识则是难以标准化的隐性 know-how。

专家经验那一层的例子很具体。中小微企业风险分析里，专家能靠水电缴费、交易频次、实控人行为 这些非标准化信息交叉核验真实经营状态，识别报表看不出来的隐蔽风险。

纯数据模型在这一格是短板的。报告没打算让大模型去替代这层判断， 而是把它采集成知识，再让模型去学。

纯数据模型看不出报表外的东西，专家的隐性经验才补得上那个缺口。

图源：《2026金融智能风控创新发展》（第10页）

五、模型矩阵：基础大模型管广，领域大模型管深

报告的逻辑是两层递进：基础大模型做通用智能底座，领域大模型做场景化专精终端。 理由很务实——全量调用大参数基础模型会带来高昂算力成本和响应时延，适配不了高并发低延迟的业务。

领域大模型在基础模型上做二次优化，注入风控领域知识、监管规则、专家经验和历史风险案例， 配合参数高效微调、指令微调、思维链提示、知识蒸馏。

围绕任务类型形成四种形态：多模态大模型管单证识别与影像校验， NLP大模型加机器学习小模型做定性定量融合，时序预测大模型管趋势预判， 图计算模型管团伙欺诈与关联风险。

训练范式也在分化。监督指令微调用QLoRA、LoRA这类参数高效微调，冻结主干只更新低秩矩阵， 大幅压低算力开销。

偏好对齐用DPO，通过构建「优质输出—劣质输出」对比样本，让模型学专家的判断偏好。 报告认为这能显著减少幻觉与违规输出，对齐审慎合规的要求。

运营上走「选、育、用」闭环。选型看五个维度：模型基础能力、金融数据解析、金融风险控制能力、 金融专业认知能力、金融业务辅助能力。用过之后的效果数据回流到选和育，形成循环。

通用模型答得漂亮但不算数，风控要的是一个能复现的数和一条能查的依据。

图源：《2026金融智能风控创新发展》（第11页）

六、工具体系：大模型负责想，工具负责算准

报告非常坦率地讲了大模型的短板：语义理解、逻辑推理表现不错， 但在需要精确计算的定量分析任务上，仍然存在幻觉和不稳定的风险。

解法是工具集。基于MCP上下文协议构建标准化调用接口，让智能体像调函数一样按需调度。 工具分三类，第一类是模型类技能，覆盖预警、决策、计量、预测。

第二类是数据类技能，负责检索、整合、实时接入和隐私计算适配； 第三类是范式类技能，把多模态知识检索、对话式数据分析、智能化文档编写封装成标准流程。

计量这一类的颗粒度值得看。它要精准测算违约概率PD、违约损失率LGD、风险价值VaR 等核心风险参数，为风险定价、资本计提、合规报送提供依据。 这些数字错一位，后面全是错的，所以必须由工具算，不能让模型「说」。

报告对分工的总结很干净：大模型聚焦研判、推理、策略规划，解决「做什么、为什么」； 专业工具负责精准计量、规则执行、系统落地，解决「怎么做、做得准」。

工具还走统一接入、统一过程管理、统一运营视图的全生命周期运营， 把散落的技能变成可复用的资产。

PD和LGD这种数不能让模型说，只能让工具算，这是风控和别的场景最大的区别。

图源：《2026金融智能风控创新发展》（第3页）

七、反洗钱智能体一年分担1200+人年

反洗钱是这份白皮书里数字化程度最高的一段，也是唯一给了人年口径的。背景很清楚：比特币、虚拟货币、虚拟商品这类新兴洗钱威胁出现后， 传统依赖人工识别的模式已经无法精准防控。

工行基于自研大模型平台「工银智涌」，做了覆盖反洗钱全流程的一体化智能体， 构建「风险识别—交易分析—疑点推理—报告生成」的端到端链路。

三个功能各有分工。洗钱风险识别做司法文书影像识别、内容分析和名单匹配， 支持业务人员每天处理近20万份司法文书，快速掌握案件类型、协查缘由与涉罪类型。

可疑交易智能分析自动总结交易特征、推理可疑点，并给出完整的推理依据； 可疑报告智能生成则一键产出符合监管要求的初稿。

成效口径是全流程覆盖，全年分担分行1200+人年的工作投入。 这个数字的意义在于，它把「智能体提效」从一句形容词变成了可以进编制预算的量。

1200+人年这个口径，比任何「效率提升百分之多少」都更能进预算表。

图源：《2026金融智能风控创新发展》（第4页）

八、人脸防伪98%，欺诈识别提前一个月

兴业银行的人脸深度防伪系统是另一个可量化的案例。背景是AIGC普及后， 换脸和人脸驱动视频的门槛与成本大幅下降，攻击呈现迭代快、仿真度高、肉眼难辨、低成本、高频次、规模化。

技术上做了五件事：粗细粒度双分支的多模态学习、时序空间特征挖掘（针对视频抖动伪影）、 大模型微调优化（用PCA量化评估过拟合）、双曲空间原型判别（真实人脸与攻击样本映射对齐）、 背景聚类风控（识别黑产团伙规模化攻击）。

成效是AIGC换脸、照片驱动、合成视频注入等攻击拦截率98%以上， 日均业务调用量超9万次，日均拦截高风险人脸操作600余次。工行的欺诈风险识别智能体则证明了提前量。它建成了覆盖触达动机11类、盗取动作16类、 出入金涉案模式18类的涉诈知识库。

6月识别新型「境外电子支付类」诈骗的时效，相较警方的涉网犯罪监测反馈提前了一个月。 风险解控环节月均产出风险评估报告超万份，采纳率超95%。

比警方监测提前一个月，这个提前量来自知识库而不是来自更强的大模型。

图源：《2026金融智能风控创新发展》（第5页）

九、保险和证券：同样是风控，算术题不一样

报告的第四章没停在银行，把保险和证券也铺开了。三者的落地形态差别很大。

保险走的是视觉和语音。农险用遥感影像识别地块、测算面积、判断受灾； 养殖险给牲畜生成唯一身份码，做「一标的一编码」，理赔时「一拍知长、一拍知重」无接触定损。

规模已经不小：应用覆盖10万余名三农服务人员、服务超8000万农户， 2025年上线智能验标质检后，完成超11万笔保单的自动筛查。

车险则用图像查重加视频质检加规则模型与AI算法的决策引擎。 成效是累计智能服务超7亿次，阻断可疑理赔案件超160万笔。 个人非车险的智慧定报价已产出7万余个方案，核保效率提升超50%。

证券走的是舆情和内控。中信证券的舆情平台覆盖近30个舆情源、约5000家机构， 四级标签体系含200余个负面风险标签，日均处理舆情超8万条、累计推送预警超5000次。

国金证券则把大模型放在内控上，做合规问答、合规检查增强、审计自动化和新规演进分析， 守住监管底线是第一目标。

保险算的是图像和声音，证券算的是文本和规则，风控这件事没有统一模板。

图源：《2026金融智能风控创新发展》（第2页）

十、合规是底线，人在回路不是客气话

报告第五章把治理单拎出来讲，理由很直接：大模型驱动的智能风控推理链路长、决策逻辑隐蔽， 对合规审计的要求比传统模型更高。

落地动作有三组。全链路溯源要求每一笔决策从数据源调用、特征加工、模型版本参数、 规则触发逻辑到最终结果完整记录、反向可溯。

全时段观测是7×24小时监控模型健康度，技术维度看时延、吞吐、资源占用与可用性， 业务维度看识别准确率、通过率、不良率、算法公平性。

全周期审核在关键节点设合规关卡，高风险决策与大额授信强制人工复核， 规则变更和参数调整都要走标准化审批并留痕。

人机协同被写成三级机制。专家把隐性经验转成结构化知识，并通过参与模型评测校准认知偏差。

骨干做复核把关，重点校验模型难以覆盖的软信息，如实控人信用口碑、行业隐性规则、区域营商环境。 新人则靠智能辅助体系快速上手，大幅缩短独立上岗周期。

外部约束也在收紧。2026年6月金融监管总局的指导意见提出32项要求， 首次明确AI应用需纳入全面风险管理体系，对高风险场景实施分类分级准入，并强制建立人工监督机制。 报告把这一条列为执行标准层面的变化，AI不再无条件可用。

32项意见里最关键的一条是强制人工监督，它决定了智能体的天花板在哪。

报告共60多页，含大量架构图与案例细节，想照着搭体系的可以按章节顺序读， 只看场景案例的从第四章开始也不影响理解。