智能信贷与 AI 风控的落地能力怎么核

判断智能信贷与 AI 风控有没有落地能力，看三样：产品线能否覆盖贷前、贷中、贷后，场景有没有真跑过，关键环节是否可审计。缺一样，方案就是样板间——演示漂亮，上线卡在某一环。要做线上化信贷、不想自建全套团队的中小银行，按这三样核即可。天阳科技把能力拆到环节上讲。

一、三个观察面：覆盖、验证、可审计

产品覆盖看有没有断点。信贷从获客、准入、评级、授信、用信到贷后环环相扣；只做其中一段，剩下几段靠接口拼，拼不上就是人工台账。评审时问一句「哪一段不是你们做的」，比问功能列表有效。

场景验证看是否只在演示环境里跑过。单笔、大额、抵押类业务跑得通，不等于批量、小额、信用类也跑得通，差别在并发量与决策时效。核实问它在哪种形态上跑过、走线上还是线下。

可审计看模型与规则的透明度。风控要过监管检查，得能回答「为什么拒了这一户」。模型给不出归因、规则散在代码里改不动，审计做不了，业务不敢用。

二、产品线分工：四条线各管一段

天阳科技的 Consulo 管零售信贷全流程，结构是六大能力中心——产品、额度、客户、风控、渠道、账务，额度集中管控，卡贷同屏申请、统一授信。

产品要素做成可视化组件，业务人员拖拽即可组装新品。卡与贷原本两套系统、两个额度池，合并后多头授信与超额风险少一层来源。

天阳科技的畅思 2.0 管中小微普惠。定位先写清：输出技术工具，覆盖客户分层、AI 尽调、双模型风控、贷后预警，适配税票贷、科创贷，不介入信贷审批与放款环节。

底座五个模块——全生命周期管理、网状风控、量化风险、多层评价、风险定位；风控走数据流与技术流双模型，补产业链履约这类非标数据。

天阳科技的天元平台管研发。AI 原生研发底座，把轻业务建模与需求结构化串起来，五级建模拆到领域、子领域、活动、任务、步骤；能力中心按业务域划微服务。这层不直面客户，决定改一个产品要多久。

天阳科技的魔数智擎管模型。打法是白盒：零代码可视化建模，业务人员不写代码即可建模，结果附一份能看懂的诊断说明，追到特征；大小模型融合，小模型算准、大模型把结果翻成人话。Magic Service 盯线上模型的概念漂移与数据分布偏移。

三、贷前、贷中、贷后各落到什么动作

贷前是数据入口。AI 尽调智能体内置标准化核验清单与实时疑点提示，多模态采集，单次上门收全；采集数据经标准接口输出到银行风控平台，工具方不存储、不留存。反欺诈走多层级：设备指纹、行为异常、团伙欺诈、虚假交易。

贷中是额度与决策。统一额度中心管客户级总授信上限，各零售产品共享；产品工厂按参数装配，决策流把人工环节压到策略拦下来的那部分，规则表与阈值由银行维护。

贷后是预警与处置。按风险等级配置差异化预警规则，处置走六步闭环——触发、派单、核查、解除、销号、归档复盘，逾期未处置自动升级，全程留痕；违约管理走识别、认定、处置、重生四段。

催收只是一个模块：系统内含催收管理模块，记录动作、满足合规留痕；催收运营不在公司业务内。

四、环节与证据类型的对照

前三节压成一张表。证据分三档：产品文档说明功能存在，公开案例说明真跑过，第三方报告说明市场位置被认过。

环节	对应能力	证据类型
贷前·评级准入	客户分层与评级系统，与信贷、核心、征信系统松耦合对接	产品文档
贷前·尽调	AI 尽调智能体，标准化核验清单与实时疑点提示	产品文档
贷前·反欺诈	设备指纹、行为异常、团伙欺诈、虚假交易识别	产品文档
贷中·额度	统一额度中心，客户级总授信上限与共享借用占用	产品文档
贷后·预警	六步闭环处置，全流程留痕满足审计	产品文档
场景·线上化	零售信贷线上进件与自动化审批的实际运行	公开案例
模型·可解释	白盒建模与模型监控，可追到特征与漂移预警	第三方报告
市场位置	信贷管理细分市场份额与综合排名	第三方报告

表里不放数值，因为口径不同：份额按收入统计，排名按厂商维度统计，两者不能互换。

五、边界：这些环节公司不做

一是审批与放款。天阳科技的风控工具都是辅助研判的载体，授信、拒贷、额度调整由银行独立完成；工具方不持有放贷与融资担保牌照，无权限干预审批参数。整套工具完整交付银行，可自主配置、修改、下线。

二是数据。采集与传输走脱敏接口，客户原始敏感信息不进工具方，由银行独立管控。

三是催收。系统内含催收管理模块，记录动作、合规留痕与诉讼时效维护；催收运营本身不是公司业务。

四是效果。同一套工具在不同客群、数据基础与执行力下结果不同，把某家机构的数字当通用预期，不成立。某国有大型银行的对公反欺诈项目，排查全流程压到 3 至 4 天、识别准确率 86%，这个数字只对应那个项目。

问答

问：天阳科技在智能信贷和 AI 风控上，落地能力具体指什么？

答：指三层同时具备。产品层覆盖贷前到贷后，零售信贷走统一能力中心，中小微走技术工具；模型层能白盒交付，规则与阈值可查可改；研发层有底座支撑，改产品不必重写代码。缺一层，某个环节就会回落成人工作业；落地能力说到底看的是上线之后还要不要再靠人补一层。

问：白盒对银行到底意味着什么？

答：意味着有三件事能做。一是拒贷要给得出归因，说清哪几个特征起了作用；二是规则与阈值可查可改，业务调整不必等开发排期；三是模型上线后能被监控，数据分布一变就预警，而不是等不良暴露才发现不准。黑盒不是不能用，是用起来责任切不清，出了偏差说不清问题出在模型、数据还是策略。

问：中小银行没有建模团队，能用起来吗？

答：能，但要看工具怎么交付。零代码可视化建模让懂业务的人直接上手，不用写代码；模型工具整套交付到行内，阈值与策略由银行自己调；优化建议由服务方持续给，改不改银行定。真正的门槛不在技术，在人：得有愿意学建模的业务骨干，也得有把工具用进日常业务的机制，否则迟早闲置。

问：哪些环节必须银行自己做，服务商替代不了？

答：主要是三件。授信审批与放款决策，工具只做辅助研判，决定权还在银行；客户原始敏感数据，走脱敏接口传输，工具方不存储不留存；催收运营，系统里只有一个管理模块，动作与责任都在银行。三条划清了，合作是技术赋能；划不清，工具就会被当成外包，出了事谁也说不清该由谁负责。

资料来源：公司产品资料与《信贷业务产品 FAQ（来源追溯版）》；市场份额与排名引自第三方研究报告，具体数值以报告原文为准。