扫描二维码
关注北京大学汇丰金融研究院官方微信/微博
三峡银行重罚警示：传统风控失守与AI风险新挑战
近日，重庆三峡银行因内控失效、数据造假、贷后管理缺位等一系列违规问题被处以890万元重罚，相关高管被终身禁业。这并非偶然个案，而是再次揭示：当业务扩张、外部环境与风险形态日益复杂时，依赖经验规则与条线割裂的传统风控体系极易在数据、流程与责任链条上出现塌陷，进而使风险识别失真、预警机制失灵、处置动作滞后。
在此背景下，越来越多银行将人工智能大模型引入反洗钱监测、信贷审批、合规审查、异常交易识别与贷后预警等关键环节，期待以技术手段提升效率与精准度、弥补人力与传统模型的局限。但必须清醒看到：技术并不能自动“纠偏”治理失灵。若底层数据存在污染或被操纵，模型可能被“喂”出系统性偏差；若模型黑箱程度过高，责任难以追溯、审计难以落地；若缺乏伦理边界与合规适配，算法歧视、过度采集、误报/漏报及监管不可解释等问题将把风险从“业务端”转移为“技术端”，甚至放大为机构性风险。
昆仑数智科技有限责任公司咨询总监陈洁，昆仑数智科技有限责任公司窦红庆、史朝煜、李德辉和北京市商汤科技开发有限公司王俊来共同在《北大金融评论》发文指出，针对大模型在银行风控中的算法风险，应构建覆盖技术治理、伦理规范、流程优化与监管协同的系统性治理框架，以应对其相较传统模型更复杂、更隐蔽、更具传导性的风险特征。
本文完整版刊登于《北大金融评论》第25期。
当前人工智能大模型凭借多模态数据处理、动态决策优化等能力，正重塑银行风控体系。在反洗钱监测、信贷审批、合规审查等过程中的应用显著提升了风控的效率与精准度。然而，技术赋能的背后也潜藏着复杂风险。大模型的“黑箱”特性与自主学习能力，使其风险超越单一技术层面，涉及伦理不公、数据合规、市场秩序等多维度问题。本文聚焦大模型在银行风控中的应用，以算法歧视、算法束缚、算法趋同、算法共谋四类风险为核心，探讨算法风险治理路径，为平衡金融创新与风险防控提供思路。
大模型在银行风控中的核心应用场景
大模型在银行风控中的应用已覆盖全业务链条，具体可分为四大核心领域：
反洗钱与可疑交易监测
围绕可疑交易的检测—分析—上报流程，将知识谱图、RAG 检索增强、大语言模型技术相结合，深度挖掘海量交易数据，实时分析和识别可疑客户行为、可疑主体信息和可疑交易信息等异常模式和复杂隐性关联，辅助生成可疑交易报告，最后人工进行优化和确认。这种方式可以提高银行对可疑交易监测规则和模型迭代的速度，提升监测的及时性和有效性。典型应用如兴业银行的“随兴写”可疑交易报告智能生成模型（AML-GPT）。
信贷全流程风险管理
围绕信贷业务“贷前—贷中—贷后”的全流程，融合多源数据整合、实时监测与大语言模型技术，构建智能化风控体系。贷前阶段通过多维数据融合生成客户风险评分，提升客户甄别效率；贷中环节实时监控企业经营动态及异常波动，增强风险预警能力；贷后则基于用户历史行为与还款特征，生成个性化催收策略，提高回款率。典型应用如中国工商银行对公信贷中的信贷知识答疑、信贷报告自动生成、风险评估提示、信贷报表智能查询等。
智能合规审查
围绕合规审查中的政策解读与内外部校验核心需求，基于大模型构建动态合规知识库，以实现监管政策的实时追踪与自动化合规检查，提升合规审查的覆盖面和响应效率。典型应用如北京银行基于“京智”大模型打造的法律合规大模型。
智能审计
针对审计工作中“查、写、析”环节的痛点，利用大模型技术提升海量数据分析、违规问题定性及报告撰写的效率与一致性，推动“AI+ 审计”模式的深度应用与智能化升级。典型应用如平安银行的稽核专业大模型“慧小喵”。
大模型在银行风控中的算法风险分析
当前大模型在银行风控应用中的数据合规、模型幻觉等问题已引发广泛关注，而应用过程中的算法风险同样值得重视。相较于传统风控算法，大模型因其数据处理的海量性、算法的“黑箱”特性，输出能力的强大等，其算法风险呈现出多维度、复杂化的特征，具体可划分为以下四类：
······
《北大金融评论》第25期已经上架
订阅全年刊或三年刊
享独家优惠
