当前，“人工智能+”浪潮席卷各行各业，也驱动着融资担保行业重构风控逻辑、优化业务流程与服务模式。从尽调评审、风险研判到保后预警，依托大模型、知识图谱等，融资担保行业正加速从人工驱动、经验驱动向技术驱动、数据驱动方向转型。近日，《金融时报》记者围绕行业发展痛点、AI赋能融资担保的核心优势及未来趋势等问题采访了业内专家。

　　陈浩：我觉得行业发展痛点主要集中在以下几个方面。一是信息不对称问题突出。城投等规模以上企业普遍存在业务复杂、风险隐蔽且传导性强等问题，小微企业、科创企业等核心服务对象则普遍存在财务不规范、抵押物不足、信用数据分散等问题，融担机构难以全面、精准掌握企业真实经营状况和风险水平，需要多方查询、综合汇总判断，导致尽调成本高、决策效率低，同时增加了信用风险。

　　二是风控体系滞后。传统风控依赖人工尽调、经验判断，存在主观性强、覆盖面窄、响应滞后等问题，难以应PG电子对复杂多变的市场环境和多元化的风险场景，尤其是在保前筛查、保中监测、保后预警等环节，无法实现风险的精准识别和提前处置。

　　三是运营效率偏低。传统业务流程多为人工操作，从客户准入、尽调审核、合同签订到保后管理，环节繁琐、耗时较长，尤其是尽职调查环节，依赖人工收集信息、汇总判断、撰写报告，不仅增加了运营成本，也降低了客户体验。

　　四是保后管理被动。传统保后管理多为定期人工巡检，存在频次低、覆盖面有限、风险发现不及时等问题，往往等到企业出现明显违约迹象后才采取措施，错失风险处置的最佳时机，导致代偿率上升；同时，行业从业人员面临政策解读、业务知识查询繁琐等问题，占用大量工作时间。

　　杨先赟：当前行业正处于整合转型与提质增效的关键阶段，国有大型融资担保集团普遍面临合规管控难度攀升、业务运营效能偏低、风险防控标准不一、专业经验传承断层等共性痛点。

　　薛俊：担保行业的普惠分险业务在保前风险识别方面存在两大痛点，一方面在保前风险识别中过度依赖银行，缺乏主动筛查能力；另一方面由于业务审核压力大、人工专业能力存在差异，容易出现审核滞后、标准不统一的情况。

　　主持人：AI技术能精准破解哪些痛点？相比传统手段，其核心赋能优势体现在哪里？

　　张涛：可以精准破解信息不对称这一根源性痛点，通过整合多PG电子维度政务数据，结合知识图谱梳理企业关联关系、产业链信息，彻底解决传统尽调数据不全、信息失真的难题；精准破解风控效率与运营成本的核心矛盾痛点，OCR智能比对替代人工逐页核对合同，NLP技术自动完成合规审查；精准破解保后管理被动滞后的痛点，通过“7×24”小时实时风险监控，实现风险信号提前预警，推动保后管理从事后补救转向事前防控；精准破解风控主观化、合规漏检的痛点，标准化AI模型消除人为误判，智能合规校验将条款漏检率降至极低水平。

　　王怡斐：AI技术的核心赋能优势体现在三个维度，一是效率更高，替代人工重复性工作，大幅压缩业务办理周期，降低获客、评审、保后管理的成本；二是精准度更强，依托多维度数据融合与智能模型分析，减少主观偏差，提升风险识别、定价和预警的精准度；三是规范性更优，实现评审标准统一、流程可追溯，同时激活数据资产价值，打破数据孤岛，推动行业从经验驱动向数据驱动转型，更好发挥融资担保行业的赋能作用。

　　杨先赟：人工智能赋能担保业务发展，要坚持场景优先、试点先行、稳妥推进的原则，紧扣主业，深度嵌入经营管理流程，优先选取痛点集中、规则清晰、边界明确的核心场景，稳步推进AI技术与业务的深度融合，构建技术适配业务、数据支撑风控、智能辅助决策的应用体系。国产大模型精准契合行业转型发展需求，依托优异的语义理解、逻辑推演与内容研判能力，可高效完成业务文本智能解析、信息差异比对、合规条款精准匹配等核心工作。国产大模型深度嵌入融资担保全业务链条，既能有效补齐传统数字化体系现存短板，又能推动行业业务办理从粗放式运转向精细化智能管控全面转型。

　　主持人：结合具体实践，人工智能技术是如何在各个环节特别是风控环节分工赋能的？

　　王怡斐：北京再担保的智能风控体系并非单一技术的叠加，而是构建了一个“数据层—AI模型层—业务场景层”深度融合的闭环体系，实现了对贷前、贷中、贷后全流程的智能化赋能。

　　比如，在数据整合与特征构建方面，我们依托工商、司法、发票等多源异构数据，对企业信息进行清洗、关联与结构化处理，构建面向担保业务的企业知识图谱。在此基础上，通过特征工程提炼高质量风险特征，为模型训练与额度测算提供稳定、可解释的数据输入，主要服务于贷前准入与风险识别环节。在大语言模型应用方面，我们自研了“再享大模型”系列，包括“享问”“享核”“享审”“享创”，构建统一的语义理解与生成能力中台。在贷前环节，支持智能问答与客户服务；在贷中环节，辅助合同填写、审核及评审决策；在贷后及运营环节，实现文档生成与知识沉淀。大模型作为语义层核心能力，有效打通各业务环节的信息理解与交互效率。值得一提的是，我们还将长期积累的专家经验与风险策略抽象为可执行规则体系，构建准入规则与预警规则库，并结合实时数据流进行动态触发与风险监测，实现规则驱动与模型驱动的协同风控机制，覆盖贷前准入控制与贷后风险预警。

　　薛俊：江苏信保集团在智能风控发展上坚持“大小模型协同应用”的技术实现路线，突出“人防+技防”协同发力。其中，大模型作为基座，负责深度解析复杂业务场景，提供决策辅助；小模型则聚焦细分业务领域，实现高效计算与精准输出。在大模型应用方面，已成功完成国产大语言模型的本地化部署，并在合同审核与客户画像等场景中落地试用，初步构建了集团数字风控智能体。在小模型应用方面，已形成包括“增信客户6C评价模型”“苏信分”“科创分”“违约分”等在内的多个专业模型。这些模型一方面在客户准入与保前审批阶段辅助决策，另一方面通过向业务端动态展示相关指标的历史变化，实现对保后阶段风险的持续跟踪与预警。

　　张涛：未来3至5年，行业专属垂直大模型会逐步普及，全面融入风控审核、业务审批、办公文案全流程场景。政务跨部门数据将实现更深层次打通共享，依托AI实现多维度数据联动风控研判。同时，也要清晰看到人工智能目前存在的一些短板和问题，比如缺少思维广度、严重依赖精准数据等问题，因此要以“普惠+服务”的理念，为用户创造各类更高效、更专业的体验服务。下一步，我们将持续深化“人工智能+担保业务”落地应用，进一步制定清晰完善的推进规划，深耕行业专属AI能力，持续深化全域数据治理，搭建担保、银行、政务三方互联互通的智能服务平台，迭代智能反欺诈、隐私计算等技术，在保障数据安全的前提下实现数据共享，持续筑牢智能化风控体系壁垒，运用更好的科技手段，更高效地服务社会、服务基层、服务人民。

　　陈浩：融资担保行业正处于数字化转型深化阶段。结合自身实践和行业洞察，未来人工智能技术在融资担保行业的应用将呈现智能化、场景化、协同化、合规化四大趋势：风控智能化向深度升级、应用场景向多元化延伸、技术应用向协同化发展、AI应用向合规化推进。基于此，下一步，我们将持续加大科技投入，聚焦核心技术研发、产品优化、场景拓展和行业赋能，推进“人工智能+”实践的深化落地，包括加强核心技术研发与产品升级、拓展多元化应用场景、加强复合型人才建设、加强AI应用合规运营、深化生态协同合作与行业赋能。

　　薛俊：展望未来3至5年，人工智能在融资担保行业的应用将更加回归业务场景本身，不盲目追逐大模型等前沿技术热点，而是以解决实际业务痛点为出发点和落脚点。行业将更加注重技术的务实落地与价值创造，优先选择技术门槛适中、可快速部署、易与现有业务流程融合的AI解决方案。我们将聚焦让AI“懂规则、精业务、强赋能”的核心目标，着力提升数智化水平，系统谋划集团人工智能建设及应用布局，构建集团“算力+平台+应用”协同联动的智能化体系；计划推动智能尽调、智能审核、智能数据分析及智慧办公等场景智能体建设，减少业务运营和日常管理中的重复性工作，推动风险管控从经验判断向智能辅助跃升。

　　杨先赟：担保行业智能化转型应坚守“技术赋能业务、业务锚定风控”的核心逻辑，深刻理解担保机构数智化转型是立足金融服务实体经济的根本职责，坚守初心使命，聚焦主业发展的难点堵点，夯实能力根基、严控风险底线，以务实高效的举措推动人工智能技术深度融入融资担保全业务、全链条、全层级，持续提升担保服务实体经济质效，为金融强国建设贡献担保力量。