首页 > 资讯

KYA 研究 | 一家金融风控公司的可信智能体答卷

资讯 零壹财经 零壹财经 2026-11-17 阅读:1582

关键词:风控公司金融智能体研究kya

在智能体中设置敏感的沙箱边界与智能节点

金融业正在迎来“智能体进核心系统”的浪潮,但伴随的不是欢呼,而是严苛审视。

客户流水、信贷记录、保单信息严禁出域,授信与核保环节容错率为零,任何一次底层数据提取错误,都可能让后续的风险分析与授信决策全盘皆输。

行业里因此出现了一个暂时的空位:通用大模型进不了银行——它们依赖公有云API调用,与合规红线天然相悖;银行自己做垂直智能体——又缺把风控规则、监管口径、反欺诈逻辑深度编码进模型权重的积累。

有一家公司盯上了这个位置。它明确“不生产、不买卖数据”,确保数据在本地闭环内完成token化与模型推理。

面对行业对“端到端智能体”的追逐,它的态度反而克制。它的判断是:当前金融类智能体的成熟度一般不超过L2级——智能体的信用锚定在人的信用,关键决策节点仍需人工介入确认。

它把智能体在金融核心系统中的角色定位为辅助性的、分段式的,策略是“宁慢勿乱”。

它将研发与落地资源集中于账单读取、非结构化文档解析、风控变量加工、报告生成等高频、规则相对明确、但人工操作繁琐的微型场景,既避免长链路任务中单环节成功率叠加导致的容错率崩塌,又通过快速见效的局部优化,为更复杂的应用积累信任。

这家公司,叫冰鉴科技,深耕金融风控十年,如今正向KYA/RegTech延伸。

本文为全球首个KYA(Know Your Agent)领域报告《KYA:智能体信用体系研究报告》案例系列第三篇,原文内容如下:

冰鉴科技:构建金融级可信智能体

冰鉴科技2015年成立于上海,是一家以人工智能服务企业级客户、尤其深耕金融信用与风控场景的科技公司。公司从机器学习/深度学习驱动的个人信贷风控起步,逐步扩展到保险、电商、教育、政务等领域;海外业务覆盖香港、新加坡、东南亚、北美、拉美,客户既包括中资出海机构,也包括部分海外本土金融机构。

冰鉴科技是中国信用科技体系中“独立第三方、合规优先、模型驱动、金融私有化、正向KYA/RegTech延伸”的垂类样本;它卡入“通用大模型进不了银行、银行自己又做不好垂直智能体”的生态空间,成为金融机构与自主智能体之间的信用中介和安全阀。

在信用科技产业链中的四层生态(数据源/征信层、模型与风控技术层、金融机构应用层、监管与基础设施层)中,冰鉴处在“第二层偏底座”:它既不是持牌征信机构,也不是金融机构内部科技条线,而是站在“持牌机构与外部大模型/数据之间”的可信模型层。

一、自研垂类大模型“本立道生”

2023年5月,冰鉴科技正式推出“本立道生”大模型。2023年8月:正式向东南亚地区的客户推出该模型,并应用于智能客服等业务中。2024年6月13日:“本立道生”被列入上海市新增的通过备案的生成式人工智能服务名单,完成了中国内地的服务备案。

作为一家信用科技公司,自研大模型,是为了应对数据合规约束、场景垂直壁垒、商业安全边界、智能体可控性要求。

(1)数据主权与监管合规的刚性约束

金融行业受强监管属性决定了其核心数据(如客户流水、信贷记录、保单信息)严禁出域或外传至第三方公有云。通用大模型依赖公有化API调用,存在严重的合规风险。

冰鉴科技明确自身“不生产、不买卖数据”的定位,其赋能金融机构的前提是确保数据在本地闭环内完成“token化”与模型推理。构建可私有化部署的基础模型,是实现“数据不出域”的可行技术路径,也是切入银行、保险等核心系统的准入门槛。

(2)垂直场景壁垒构建的需要

金融大模型的核心竞争力并非通用语言能力,而在于对风控规则、监管口径、非结构化账单解析、反欺诈逻辑等垂直知识的深度编码。

冰鉴科技自2015 年起积累的特征工程、多源数据变量加工、联邦学习及合规评分体系,构成了其独有的“基础资产”。通过自研基模型,企业可将上述领域知识固化为模型权重与架构设计,形成“通用框架+金融微调”的差异化壁垒,避免被通用大模型的能力泛化所稀释。

(3)商业安全与产业链话语权的考量

若仅作为应用层开发商依附于外部大模型,将面临底层技术受制于人、服务稳定性受限于他方迭代节奏的风险。自研基模型使冰鉴科技从“套壳服务商”升级为“底座供应商”,在商业逻辑上实现了“卖铲子给有矿的人”。

这一转变不仅提升了毛利率与客户的转换成本,更使其在大体量银行按业务线拆分采用多基模型的趋势中,具备了与原厂开源模型同台竞争的能力。

二、金融智能体三标准

在金融信用科技领域,智能体技术的引入并非简单地叠加对话界面或自动化脚本,而是涉及决策主体从“人”向“人—机协同”的范式迁移。

冰鉴科技需要在强监管、高敏感性的金融场景中,构建一个既具备自主规划与动态调优能力,又完全可控、可审计、可阻断的“金融级可信智能体”体系;以微型场景为切口,以人在环路(Human-in-the-Loop)为安全边界,逐步将智能体从边缘辅助工具推向核心业务环节。

冰鉴科技创始人顾凌云提出,真正合格的智能体必须同时满足三项核心标准:

其一,具备一整套技能集,能够在特定场景中精准调用行业知识、解析工具与规则引擎,而非仅依赖单一的语言生成能力;

其二,具备自主设计完整流程的能力,能够像项目经理一样自洽地规划步骤顺序,并准确匹配所需的技能模块;

其三,也是最具金融适配性的要求,即具备基于外部反馈动态调优既定流程的机制,这种动态调整能力本质上源于强化学习的“动态试错”逻辑,确保智能体在面对非结构化、多变的输入时,能够自我修正而非机械执行。

这三项标准共同构成了冰鉴智能体设计的理论基座。尤为关键的是,缺乏动态反馈机制的自动化流程在金融场景中根本无法被认定为智能体,因为金融业务的容错率极低,任何静态的、不可纠偏的自动化链条都可能引发灾难性的错误链式传递。

基于对金融行业技术成熟度的审慎判断,冰鉴科技并未追逐覆盖全场景的“大智能体”或“端到端智能体”,而是采取了更为务实的“微型智能体”先行策略。

三、用例:银行账单解析

顾凌云认为,当前,金融类智能体的成熟度一般不超过L2级,即智能体的信用锚定在人的信用,关键决策节点仍需人工介入确认。

这一现状决定了智能体在金融核心系统中的角色必须是辅助性的、分段式的。在应用上,冰鉴科技选择了“宁慢勿乱”的策略。

冰鉴科技将研发与落地资源集中于账单读取、非结构化文档解析、风控变量加工、数据查询与报告生成等高频、规则相对明确、但人工操作繁琐的微型场景。

这种落地形态,既避免了长链路任务中因单环节成功率叠加导致的整体容错率崩塌,又通过快速见效的局部优化,为金融机构提供了可感知的价值,从而为后续更复杂的智能体应用积累了信任基础。

冰鉴科技已在多个具体场景中部署了智能体应用,形成了兼具实用性与创新性的用例矩阵。

在金融核心业务端,最具代表性的用例是银行账单解析智能体。该智能体需处理来自企业客户的PDF图片、文本文件及JSON数据集等复杂多变的格式。智能体根据输入格式动态调用不同的解析技能,自主规划从数据提取、字段映射到异常检测的步骤顺序,并基于反馈对解析流程进行调优。

例如,当面对扫描质量不佳的PDF时,智能体能够自动切换图像增强与文本识别模型,或调整字段对齐策略。

优先解决这个环节的应用,是因为,若底层数据提取出错,后续的风险分析与授信决策将全盘皆输。因此,该智能体并非独立运作,而是深度嵌入KYA评估体系,其证据层需厘清数据来源、严防AI幻觉,并配合人工节点对关键字段进行确认,从而构建起从数据到决策的完整风控闭环。

在办公与数据分析场景,虚拟办公智能体(MAS架构)实现了从自然语言问数到自动生成报告的端到端辅助。该智能体能够理解用户的自然语言查询,将其转化为SQL或代码,查询生产数据库,自动进行建模分析,并最终输出结构化报告。

这一用例联同客户内部平台与云端建模环境,显著提升了数据科学家与业务分析师的工作效率,其核心创新在于智能体对分析流程的自主编排,而非简单执行预设脚本。

在面向东南亚市场的电商、保险与物流客户中,冰鉴部署了智能客服与销售辅助智能体。这些智能体不仅能够回答标准化流程问题,还能识别客户情绪与口语化意图,生成定制化报告与销售建议。

与呼出型智能体(主动外呼或查询)相比,呼入型智能体面临意图不可控、兜底机制复杂等挑战,尤其在保险等强监管行业,容错率极低。

冰鉴的解决方案是在智能体中设置敏感的沙箱边界与智能节点,当客户行为超出预设范围或触发监管风险时,系统自动转人工处理,确保业务合规性。

四、KYA:安全与信任机制的创新

在强监管环境下,金融机构对智能体的信任度严重不足,因此,需要构建KYA评估体系,并将其嵌入智能体的全生命周期。

顾凌云认为,KYA并非对传统信用评估体系的颠覆,而是将其逻辑从“人/企业”向“智能体”的延伸;构建过程需遵循“主体化定位、证据层先行、授权分层、渐进式标准化、市场驱动监管”的路径:

(1)确立智能体的“信用主体”地位,实现评估范式转换

KYA构建的首要前提是承认智能体具备独立的“信用”属性。传统信用体系评估对象为人、企业或模型,而智能体作为新兴决策主体,其输入纯净度、流程合理性、授权充分性及输出可归责性均需被纳入信用评估范畴。

构建KYA需从主体化思维出发,将智能体的行为链视为可评估、可定价的信用单元。

(2)以证据层为底座,建立可验证的数据溯源机制

针对智能体落地中常见的“底层数据失真导致上层决策全盘皆输”的痛点,KYA必须优先构建证据层。该层需回答四个核心问题:数据来源是否清晰、是否经过加工、是否存在AI幻觉或字段错位、提取链路是否可回放与复核。

在冰鉴科技的账单解析等场景中,证据层是确保风控结论可靠性的基石。KYA的底座并非直接输出评分,而是建立一条从原始数据到决策依据的完整证据链,实现“底层可验、中层可控、上层可溯”。

(3)覆盖安全授权层,定义智能体的权限边界与防篡改机制

金融场景对数据泄露与越权操作零容忍,因此KYA必须将安全授权层作为核心模块。构建过程需明确界定智能体的操作权限:包括但不限于能否读取生产数据库、能否发起对外API调用、能否修改客户状态、能否进入授信或核保决策环节,以及哪些动作必须设置人工确认节点。

这一授权体系相当于为智能体颁发“数字牌照”,通过沙箱隔离、敏感操作拦截、防篡改日志等技术手段,将权限边界内化为系统原生能力,而非事后补救的合规补丁。

(4)采用渐进式标准化路线:从二元判定到分级,暂缓统一评分

未来3至5年内难以形成类似FICO的通用智能体信用分。因此,KYA的构建应遵循渐进式路线:

◼ 初期以“通过/不通过”的二元判定为主,快速满足金融机构的采购与风控需求;

◼ 中期引入风险等级、场景适配等级、可控等级等分层评估;

◼ 远期方可探索统一量化评分。该路线有利于降低试错成本,避免标准缺位导致的市场停滞,同时防止厂商利用黑箱评分谋取不当利益。

(5)监管节奏:市场试错先行,避免过早高度监管

监管层应避免过早实施高度监管。智能体技术尚处探索期,过早的刚性约束会扼杀自由竞争与创新尝试。理想路径是:先允许市场充分试错,暴露典型风险场景;由监管机构联合头部金融机构与技术厂商,基于实践沉淀形成标准。

(6)嵌入“人在环路”机制,确保长链路任务的可控性

鉴于当前金融智能体成熟度仅达L2级(锚定人的信用),长链路任务中误差累积风险显著,KYA必须将“人在环路”(Human-in-the-Loop)作为安全底线。构建时需预设人工确认节点:在关键决策前强制复核、异常置信度下自动回退、错误链式传递可被阻断。

KYA的目标并非证明智能体可完全替代人类,而是界定其在何种场景、何种边界内可安全辅助人类决策,实现“人机协同”的信任增强。



关于报告

《KYA:智能体信用体系研究报告》由香港大学KYA课题组于2026年11月3日在2026年香港金融科技周 x StartmeupHK创业节发布。报告提出,智能体经济发展的瓶颈正从技术能力转向信任体系;当智能体开始代表个人和企业行动,身份、授权、履约与责任都必须能够核验。

报告共收录蚂蚁数科、Stripe、芝麻信用、冰鉴科技、Ryt Bank、英和智临、林洋能源、麦迪卫康、GCSA等9个案例(除Stripe外,其他案例均进行了直接访谈),分别涉及智能体开发与管理、支付网络、信用评价、金融风控、银行、能源、教育、医疗及代码安全等产业应用和专业服务。

扫码下载完整报告


零壹智库推出“金融毛细血管系列策划”,通过系列文章、系列视频、系列报告、系列研讨会和专著,系统呈现“金融毛细血管”的新状态、新功能、新价值、新定位。
 

上一篇>KYA研究 | 人工确认、信用免密、全自动决策:芝麻信用按风险分级授予智能体决策权

下一篇>没了



相关文章


用户评论

游客

自律公约

所有评论

主编精选

more

专题推荐

more

第四届中国零售金融发展峰会(共15篇)





耗时 174ms