Ai4
基础大模型仅贡献两成准确率,未来一年人工报表转录将被彻底淘汰,依托专有上下文与闭环验证的统一智能体平台将成为金融机构的核心壁垒。
AI-assisted summary of The AI Credit Operating System: Why the Next Era of Underwriting Is One Platform, Not Ten Tools — original source. Check the original for full context.
Source published:
Detailed notes
## Background 该内容由行业峰会频道 Ai4 于 2026 年 8 月 20 日在 YouTube 发布,主讲人为 Accend 联合创始人兼 CEO Pranjal Daga。视频基于真实生产环境数据,探讨了金融机构如何通过统一的 Agent 操作系统取代 10 种相互割裂的信贷单点工具,从而实现端到端商业信贷核保的重塑与复利进化。
## TL;DR Pranjal 指出,传统信贷流程依赖分析师充当“人肉胶水”拼接多个独立软件,不仅极其低效,更隐藏着灾难性的数据错漏与风控隐患。2026 年的现代金融机构正在转向一体化的“AI 信贷操作系统”,通过协调器、专业化 Agent 与确定性验证循环的协同,将核保周期从数周压缩至数分钟,并实现了 100% 可追溯的审计链条。信贷模型准确率的 80% 取决于工程编排与闭环验证,而非单纯的基础大语言模型能力;评估信贷技术栈的核心在于共享上下文、审计验证和复利进化的“CVC 模型”。最终,人工手动分拆报表的岗位将被全面淘汰,未来十年的行业赢家将属于那些率先构建起统一闭环系统的机构。
## Atmosphere & style 演讲节奏沉稳干练且极具行业穿透力,主讲人以 2008 年金融危机的历史教训切入,迅速营造出一种深刻的危机感与紧迫感。通过披露真实贷款迁移中触目惊心的财务失真案例,整场分享在冷静的技术架构剖析与激进的行业终局预言之间张弛有度。听众不仅能感受到 Agentic AI 对传统金融运营体系的巨大冲击,更能体会到专业信贷判断力在技术重塑下向更高维度跃迁的必然趋势。
## Key takeaways - [00:04](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=4s) AI在商业信贷决策中已实现爆发式普及,2026年金融机构在生产环境中部署AI的比例激增600%,信贷审批周期从过去的数周压缩至数小时乃至数分钟。 - [00:04](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=4s) 风险控制标准发生根本性范式转移,从2008年金融危机时期杰米·戴蒙推崇的“每日5次人工核查”升级为全天候的“AI实时持续监控”。 - [03:43](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=223s) 传统信贷流程依赖多达10个割裂工具,并将昂贵的信贷分析师当作脆弱的“人工胶水”,在交接中造成严重信息断层并引发灾难性数据失真(如10%报表数据符号颠倒、净利润虚增75倍)。 - [07:19](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=439s) 一体化“AI信贷操作系统”取代分散工具链,将进件提取、财务分拆、备忘录生成及投后监控无缝整合进统一平台,并提供点击即可反查原始PDF和Excel单元格的穿透式审计能力。 - [07:19](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=439s) 信贷核保AI的可靠性遵循80/20工程架构法则:底层基础大模型仅贡献约20%的准确度,其余80%完全由确定性核查、闭环验证机制与上下文工程决定。 - [07:19](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=439s) 现代信贷架构采用多智能体编排系统(Agentic Stack),通过任务协调器、专业执行Agent与验证对账Agent实现闭环,并遵循“安全边界内AI自主执行,重大商业决策交由人类裁决”的人机协同原则。 - [12:05](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=725s) 融合实时银行流水与动态支付行为的“动态企业信用评分(Live Score)”,正在彻底超越传统征信局数月更新一次的静态快照评分。 - [12:05](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=725s) 通用基础大模型的能力正被快速大宗商品化,垂直信贷平台的核心护城河并非基础算法,而是机构内部专有的反馈数据沉淀与端到端审计追踪能力。 - [15:32](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=932s) Pranjal提出评估信贷操作系统的CVC核心模型:即是否具备打通工具孤岛的共享上下文(Context)、全流程源头级可追溯审计(Verification)、以及随着处理交易量增加而越变越聪明的复利进化能力(Compounding)。 - [16:51](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=1011s) 2026年的“堡垒式信贷系统”不再是单点工具的机械拼凑,而是演化为一个能纵览借款人全貌、穿透检验每个财务数字并伴随每笔新交易持续进化的统一Agent平台。 - [17:37](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=1057s) 传统的手工财务报表分拆/录入(Spreading)岗位将在未来一年内彻底消亡,信贷专业人士的角色将转变为“AI系统的管理者”与高维度商业风险判断者。 - [17:37](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=1057s) 基础模型的普惠让算法独占优势不再存在,未来十年商业信贷领域的最终赢家,必然属于那些率先构建起最佳统一操作系统(Best System)的机构。
## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=4s) 商业信贷的预测与历史镜鉴:从2008危机到2026全面落地
一年前在同样的讲台上,Pranjal 曾大胆预测:到 2027 年,商业信贷领域几乎所有的决策都将在 AI 的辅助下完成。然而时间来到 2026 年,事实证明当年的预测甚至保守了——商业信贷决策几乎已经全面被某种形式的 AI 所接管,AI 在生产环境中的应用迎来爆发式普及。在过去一年中,金融团队在生产环境中部署 AI 的比例实现了 600% 的惊人增长,信贷审批速度也直接从过去的“数天或数周”大幅缩短至“数小时,甚至在部分场景下仅需数分钟”。
为了理解当前这场范式转移,Pranjal 将视线拉回 2008 年全球金融危机。彼时贝尔斯登(Bear Stearns)化为乌有,雷曼兄弟(Lehman Brothers)轰然倒塌,全美最大的储蓄银行华盛顿互惠银行(Washington Mutual)也难逃崩溃厄运。然而,摩根大通(JPMorgan Chase)却在危机之后变得比以往任何时候都更加强大。摩根大通 CEO 杰米·戴蒙(Jamie Dimon)曾透露,在危机期间乃至危机之前,他们每天都会进行 5 次全方位的风险排查。他们之所以这样做,并非对自己模型的预测能力缺乏信心,而是因为他们坚守一个核心信条——“准备重于预测”(preparation over prediction)。
在 2008 年,每天 5 次人工风险检查被奉为构建“堡垒式资产负债表”(fortress balance sheet)的黄金标准;但在 2026 年的今天,支撑这套旧堡垒的世界已经彻底瓦解,新的行业基准已经演化为“全天候持续监控(Continuous Monitoring)”。
- 2026 年金融机构在生产环境中应用 AI 的比例激增 600%。 - 信贷决策周期从昔日的“数周/数天”跨越式压缩至“数小时/数分钟”。 - 风险控制的核心理念从 2008 年的“每天 5 次人工核查”升级为 2026 年的“AI 实时持续监控”。
---
[03:43](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=223s) 传统信贷的痛点:10个割裂工具与“以分析师为胶水”的巨大风险
审视目前大部分机构的商业信贷决策流程,会发现一个由多达 10 种割裂工具拼接而成的混乱工作流:首先是一个收集各类客户文件的进件门户(Intake portal),接着是用于识别扫描件的 OCR 工具,再到财务报表分拆软件(Spreading tool)以提取并计算财务比率;随后信贷员还要从各大征信局拉取外部数据,套用模板起草信贷备忘录(Credit memo),再把数据手动录入贷款发起系统(LOS),其间还要在 Excel 电子表格、邮件往来记录以及投资组合监控看板之间来回搬运数据。
```mermaid flowchart LR accTitle: 传统割裂信贷工具链与脆弱的人工集成层 subgraph S1["割裂的工具孤岛"] A["进件门户 / OCR"] --> B["报表分拆 / 征信数据"] B --> C["LOS / Excel / 邮件看板"] end subgraph S2["脆弱的集成层"] D["人类分析师<br/>(双屏操作 / 赶工易错)"] end S1 <-->|"多重交接造成信息丢失 (风险)"| S2 ```
这 10 个工具之间彼此孤立,毫无共享上下文(Shared Context)可言。而串联起这整个庞杂系统的唯一“集成层”,竟然是人类分析师。分析师本应是团队中最昂贵、判断力最核心的资产,但在这种架构下,他们却不得不坐在双显示器前,在死线逼近的巨大压力下充当人工“数据搬运工”。每一次在不同工具之间的交接(Handoff),都会造成严重的信息衰减与遗漏;而在信贷与 AI 的语境中,这种信息的脱节就直接等同于“风险”。
Pranjal 创办的 Accend 致力于协助银行与金融科技公司实现更快、更精准的商业客户核保。在为合作银行做历史贷款档案回测与系统迁移时,团队发现了令人触目惊心的真实数据: - **符号颠倒错误**:在一个迁移的贷款组合中,超过 10% 的财务数据正负符号出现了颠倒。在 443 位借款人中,有 48 位的关键数据正负号完全搞反,直接导致后续的所有财务分析全盘皆错,造成灾难性的信贷误判。 - **75 倍净利润失真**:在一笔具体的贷款档案中,系统计算出的借款企业净利润竟然高达 7500 万美元,而实际数字仅为 100 万美元。这种离谱的偏差导致所有偿债比率和信贷备忘录彻底失真,而其根源正是系统工具之间根本没有上下文传递。
---
[07:19](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=439s) 2026年的堡垒式资产负债表:AI信贷操作系统与智能体架构
针对工具割裂与人工搬运带来的巨大风险,2026 年现代金融机构的“堡垒式资产负债表”演进为一体化的“AI 信贷操作系统(AI Credit Operating System)”。这一系统将进件摄取(银行流水、财务报表等)、报表分拆与财务分析、信贷备忘录生成、投后组合管理以及最终的企业信用评分无缝整合进同一个工作流中。系统中的每一个引擎的输出直接作为下一个引擎的输入,串行协同运行,并通过全局的统一上下文存储(Context Store)实现全流程可解释性——用户只要点击系统中的任何一个数据指标,就能一键反查其在 Excel 中的具体单元格位置、PDF 文档的精确页码以及原始文件出处。
```mermaid flowchart TD accTitle: AI信贷操作系统多智能体协同架构 A["贷款档案摄取<br/>(40+文档 / 3财年历史)"] --> B["协调器 Orchestrator<br/>(任务分解与调度)"]
subgraph S1["专业化执行智能体 (Agent 集群)"] C1["文档提取 Agent"] C2["行项目拆解与分类 Agent"] C3["信贷备忘录生成 Agent"] end
subgraph S2["确定性验证与对账"] D["验证智能体 Verification Agents<br/>(资产负债表平衡 / 勾稽对账)"] end
subgraph S3["人机协同与决策层"] E["人类信贷分析师<br/>(例外处理 / 最终商业裁决)"] end
B --> S1 S1 --> S2 S2 -->|"自动闭环检查"| S1 S2 -->|"通过校验 / 触发例外"| S3 ```
在底层技术实现上,这套体系依赖于严密编排的多智能体架构(Agentic Stack): 1. **协调器(Orchestrator)**:接收包含 40 余份文档、跨越 3 个财年的复杂借款人档案,将其自动化拆解为细粒度的具体任务。 2. **专业化智能体(Specialized Agents)**:分别负责文档信息提取、逐行拆解与规范化分类、信贷备忘录起草等环节,犹如一场排练精密的“交响编舞”。 3. **验证智能体(Verification Agents)**:引入确定性检查与逻辑对账循环,自主核实资产负债表是否平衡、各项数据勾稽关系是否成立,一旦发现异常立即在流程内拦截报错。 4. **人机协同(Human-in-the-loop)**:明确界定“在安全边界内给予 AI 充分自主权(Autonomy where it's safe),在涉及重大商业决断与例外裁量时交由人类处理(Humans where the decision matters)”。
许多银行高管常问:“你们使用的 AI 模型的准确率是多少?”Pranjal 强调这是个“虽然不错但从根本上问错了方向的问题”。信贷核保的真正准确率并不取决于基础模型本身,而是取决于整套系统的工程架构。在整个体系中,基础大语言模型的能力只占最终准确率的 20%,其余 80% 的可靠性均由确定性检查机制、闭环验证循环、评测基准(Evals)和上下文工程共同决定。
---
[12:05](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=725s) 新旧模式对比:动态信用评分与专有上下文护城河
从 10 种割裂工具切换到 AI 信贷操作系统后,信贷作业流程迎来了彻底的重构:
| 维度 | 传统信贷模式 | 2026 AI 信贷操作系统 | |:--- |:--- |:--- | | **文档分析** | 耗费数天手工翻阅与录入 | 数分钟内全自动提取与分拆 | | **备忘录起草** | 分析师耗费数天从零手动撰写 | AI 自动化草拟,分析师专注于审核与微调 | | **核保决策时效** | 需数周审批流 | 数小时甚至数分钟即可完成 | | **数据可信度** | 依赖手工录入,极易出现正负号错漏 | 每一个数字均具备完整的端到端审计溯源链条 | | **投后与信用评分** | 年度被动审查;依赖征信局静态快照评分 | 结合交易流水与支付行为的实时动态评分(Live Score) |
在这套全新体系中,最大的价值沉淀在于最终生成的**动态企业信用评分**。以往的评分往往依赖征信局几个月才更新一次的静态历史数据;而现在,系统融合了企业实时的银行交易明细、动态支付行为、历史履约记录以及深度的行业/客群上下文,能够根据企业业务的即时变化做出动态调整。
针对外界普遍担忧的“通用基础大模型(如 ChatGPT、Claude)未来是否会直接吞噬垂直应用”这一疑问,Pranjal 指出,基础模型的发展确实带来了强大的技术红利,但前沿模型本质上只是将“通用能力”商品化(让解析更多文档变得更便宜、更快速、更精准)。通用模型永远无法拥有机构内部沉淀的特定上下文——比如资深分析师过去对同类特定企业的裁决逻辑、机构特有的风险偏好与行项目分类规则。因此,信贷科技真正的护城河并非基础算法本身,而是机构自身沉淀的**专有反馈数据(Proprietary Feedback Data)**与**全流程审计追踪能力(Audit Trails)**。
[15:32](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=932s) 信贷评估的核心评估框架:CVC 模型
在商业信贷与核保决策中,输出的每一个数据都必须具备源头级别的可追溯性(source-level traceability)。针对如何评估现有的核保决策流程,Pranjal Daga 提出了一个关键的 **CVC 模型**(Context 上下文、Verification 验证、Compounding 复利):
```mermaid flowchart TD accTitle: CVC商业信贷决策评估模型 subgraph CVC["CVC 决策评估框架"] C["Context(共享上下文)<br/>打通分散工具,消除数据孤岛"] V["Verification(审计验证)<br/>完整审计追踪与人工干预记录"] M["Compounding(复利飞轮)<br/>随着处理规模增加而越变越聪明"] end C --> V --> M ```
- **上下文(Context)**:评估机构在进行决策时,到底是在统一共享的上下文中做得更好,还是在依赖 10 个互不相通、各自为政的工具。不同工具之间实现上下文共享至关重要,孤立的数据流会导致信息断层。 - **验证(Verification)**:当模型运行并得出结论后,团队能否随时倒推回溯其运行过程?系统是否具备完整的审计追踪(audit trails)?中途是否有且仅在必要时经过了人工干预与修改? - **复利(Compounding)**:这是决定平台长期价值的试金石。当系统处理到第 10,000 笔交易时,所拥有的上下文丰富度与决策精度,是否显著高于处理第 10 笔交易时?如果答案是否定的,那么机构在未来势必会被更底层的通用基础模型(foundation models)所颠覆与淘汰;只有随着数据积累持续自我迭代的系统,才能构建起真正的竞争壁垒。
---
[16:51](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=1011s) 构筑“堡垒系统”与信贷运营的未来形态
真正的“堡垒(Fortress)”模式绝非简单拼凑 5 到 10 个互不相干的单点工具,而是让所有环节在统一平台上无缝共享上下文。回顾历史,在 2008 年金融危机时期,机构可能需要依赖每天五道严格的人工核查来打造“堡垒式资产负债表”(Fortress Balance Sheet)。而展望 2026 年,这一堡垒的形态将被彻底重塑为:**一个能够纵览每一位借款人全貌、穿透检验每一个财务数字、并且伴随每一笔新交易而不断进化变聪明的统一 Agent 平台**。
```mermaid flowchart LR accTitle: 2008年与2026年信贷风控堡垒对比 subgraph Y2008["2008 模式"] A["多道分散人工核查"] --> B["繁杂的单点工具"] end subgraph Y2026["2026 模式:AI 统一平台"] C["全视角覆盖借款人"] --> D["穿透级数据溯源"] --> E["单笔交易驱动复利进化"] end ```
---
[17:37](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=1057s) 行业终局预言:财务报表转录员消亡与专业判断力重塑
Pranjal 对未来商业信贷领域的岗位演进与竞争格局做出了清晰的预判:
- **传统报表录入(Spreading)职能将彻底消失**:作为一门独立岗位描述的“报表转录/分拆(Spreading)”将不复存在,目前仍在由人工手动处理的基础杂务在未来一年内将被全面取代。 - **信贷专业人员的定位转变**:从业者的核心工作将转向**管理 AI 系统**,并在商业信贷领域充分发挥自身的专业底蕴,去制定更高维度的商业与风险判断(judgment)。 - **未来十年的赢家画像**:无论是一线银行、Fintech 公司、信用社(Credit Unions)还是专业借贷机构(Specialty Finance),获取顶尖的基础模型本身将变得极为普及,不再构成独占优势。未来十年真正能胜出的机构,必然是那些率先为自己搭建起最佳统一系统(Best System)的团队。
## Notable quotes > [00:04](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=4s) 准备重于预测 — Jamie Dimon
> [07:19](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=439s) 在安全边界内给予 AI 充分自主权,在涉及重大商业决断与例外裁量时交由人类处理 — Pranjal Daga
> [07:19](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=439s) 信贷核保的真正准确率并不取决于基础模型本身,而是取决于整套系统的工程架构。在整个体系中,基础大语言模型的能力只占最终准确率的 20%,其余 80% 的可靠性均由确定性检查机制、闭环验证循环、评测基准和上下文工程共同决定 — Pranjal Daga
> [12:05](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=725s) 前沿模型本质上只是将“通用能力”商品化 — Pranjal Daga
> [12:05](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=725s) 信贷科技真正的护城河并非基础算法本身,而是机构自身沉淀的专有反馈数据与全流程审计追踪能力 — Pranjal Daga
> [15:32](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=932s) 当系统处理到第 10,000 笔交易时,所拥有的上下文丰富度与决策精度,是否显著高于处理第 10 笔交易时?如果答案是否定的,那么机构在未来势必会被更底层的通用基础模型所颠覆与淘汰 — Pranjal Daga
> [16:51](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=1011s) 一个能够纵览每一位借款人全貌、穿透检验每一个财务数字、并且伴随每一笔新交易而不断进化变聪明的统一 Agent 平台 — Pranjal Daga
> [17:37](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=1057s) 作为一门独立岗位描述的“报表转录/分拆”将不复存在,目前仍在由人工手动处理的基础杂务在未来一年内将被全面取代 — Pranjal Daga
> [17:37](https://www.youtube.com/watch?v=Zq67jU6I_iI&t=1057s) 未来十年真正能胜出的机构,必然是那些率先为自己搭建起最佳统一系统的团队 — Pranjal Daga
## Mentioned Pranjal Daga, Accend, Jamie Dimon, JPMorgan Chase, Bear Stearns, Lehman Brothers, Washington Mutual, ChatGPT, Claude, Excel
## Video description Pranjal Daga - Co-Founder & CEO, Accend
What happens when a credit team replaces ten disconnected tools with one agentic platform? We will explore that question through real production data from institutions processing hundreds of thousands of financial statement line items through AI from document intake and spreading to credit memos, business credit scoring and portfolio monitoring. In the past year, agentic AI has moved commercial underwriting from pilots to production, but a dangerous gap has opened between institutions running unified credit platforms and those stitching together point solutions that foundation model companies can disrupt overnight. We will discuss the before-and-after of AI-native underwriting: what actually changed in speed, accuracy, headcount leverage and risk visibility; and why a business credit score built on live financial data now outperforms anything a legacy bureau can offer. Attendees will leave with a practical framework for judging whether their credit stack will survive the next wave of AI disruption, and a roadmap any institution from regional bank to Fortune 500 — can follow to build an underwriting operation that compounds in accuracy with every deal. If your team is making credit decisions the same way it did eighteen months ago, this talk will cover exactly what your fastest competitors are doing differently.
[Source](https://www.youtube.com/watch?v=Zq67jU6I_iI)