以商业银行的授信审查场景为例,AI的角色是归纳、分析还是决策

即使是同一个业务场景，取决于AI 的角色定位不同，其收益潜力和实施难度也不尽相 同。以商业银行的授信审查场景为例（参阅图3），按照角色的要求从易到难，AI 的角色可 以是只对事实性信息进行自动抓取和归纳的初级研究助理，也可以是对行业和企业到底好 不好能形成严谨分析的分析员，甚至有可能成为直接给出某个申报项目到底能否批、批多 少、批什么条件的授信策略师。

后一种 “授信策略师”显然代表了最高的技术应用水平，但这并不意味着就是当下 优先级最高的必选场景。一般而言，涉及大额交易的复杂投融资决策，往往都不是100% 的 规则导向、有标准答案的，在基于客观、全面、深入的理据分析基础上，最后的决策往往 还会融入当下团队的经验、风险偏好、非经济回报类收益等主观考量因素，机器难以捕捉。 另外，机器给出的策略有利于保持每次决策的标准一致性，但这种一致性在历史决策并不 明智的情形下（如历史决策数据中可能包含大量由于太过谨慎而错失好机会的例子），反而 可能导致非最优决策的更长期延续。

反之，在前两种角色定位上，生成式AI 的价值释放潜力短期来看可能更为显著。对公 客户经理团队的专业水平、学习意愿通常参差不齐，在申报授信方案过程中搜集整理客户及行业的信息也通常需耗费大量时间。而当下，银行的授信要具备竞争力，一方面要“快”， 另一方面要“专业”。作为“分析员”的生成式AI，可以直接构建基于专业行业分析框架、 评估标准的初稿，大幅减少客户经理自己从0 到1 学习理解新行业和加工处理基本信息的 时间，客户经理写出的尽调报告的平均水平在短期有望显著提升。