宝软数字 · 客户成功故事 · 2026年6月15日
2025年8月底，山东某县级农村商业银行的季度风控会上，风险管理部门把最新一期的不良资产数据投在大屏上。会议室里十二个人，看完数据后沉默了至少三十秒。
该行服务着该县六十余万城乡居民和两万余家小微经营主体，贷款总规模约一百一十亿元。截至2025年二季度末，不良贷款率达到了4.2%——远高于当时全国农商行平均约3.1%的水平，更不用说监管要求的"原则上不超过5%"的红线。账面上约四亿六千万元的不良资产，让行长徐明远已经连续两个季度在省联社的通报中被点名。
更让徐明远头疼的是不良的来源结构：传统对公贷款的不良率其实在可控范围内——大约1.8%。但小微经营贷和农户信用贷的不良率分别高达7.3%和5.8%，这两类贷款合计占全行贷款余额的约45%，却贡献了超过70%的不良。
"问题出在审核端。"风控总监赵启山在会上直言不讳，"对公贷款我们有抵押物、有财报、有征信——风险相对可控。但小微和农户贷款，抵押物不足、财务报表不全、征信记录不完整。我们现在的审核主要靠信贷员的'经验判断'——走一趟农户家里、聊一聊、拍几张照片，回来写一份授信报告。"
这种传统的"人海审核"导致了两个问题：一是审核标准的严重不一致——同样条件的农户，张信贷员批了十万、李信贷员可能只批五万。二是"关系户"风险——村镇社区的人际网络密不透风，信贷员很难真正做到铁面无私。赵启山拿出的一个内审数据显示：贷前调查环节中，信贷员与借款人有亲戚、同学或地缘关系的案件中，贷款审批通过率比无关系案件高出约18个百分点，而这些"关系贷款"的后期违约率也高出约5个百分点。
2025年10月，徐明远在省联社组织的一次金融科技考察中，第一次接触到了AI风控的概念。让他印象深刻的不是技术本身，而是一个同行的分享："AI风控不是替代人，而是给人装上一副能看到隐藏风险的眼镜。"
徐明远回到行里，让赵启山在全行范围内排查了近两年所有"出险"的贷款案例——共二千一百四十七笔。赵启山带着风控团队花了整整两周，逐一标注每一笔坏账在审批过程中的"预警信号"，最终归纳出了一套二十四维度的风险特征体系。
这些特征包括：借款人征信报告中短期查询频次异常、经营流水与申报收入的时间错配、担保人的隐形债务链条、季节性行业的借款时机是否匹配经营周期、农村土地流转合同的真实性可疑特征等。许多特征单一看并不起眼，但组合起来构成了强烈的风险信号——而传统的人工审核很难同时追踪和关联二十四个维度的信号。
这个"二十四维度"框架后来成为了农商行与宝软数字对接的基础。EIOS的风控Agent不是凭空"发明"风控规则，而是将银行自身历史积累的风险经验数字化、可执行化、标准化。
风控Agent的部署和训练花了约三个月——从2025年12月到2025年2月。系统需要"吃"进去的数据量超出赵启山最初的预估：超过五万笔历史贷款记录（含还款表现）、三百万条账户交易流水、一万二千份企业征信报告、以及该县过去五年的工商注册、税务缴纳、土地流转登记等外部公开数据。
2025年3月，系统开始试运行。在试运行的第一个月里，AI风控和人工审核以"双轨制"并行运行——人工按原有流程审核每一笔贷款，AI同时给出评估意见，两者做对比。结果出来后，一个细微但重要的差异引起了赵启山的注意。
有一位在镇上开建材铺的老王，申请一笔三十万元的扩大经营贷款。按照传统流程，信贷员去店里看了看——铺面整洁、货品齐全、客流不错。老王人也很"实在"，跟信贷员聊了半小时，讲了自己二十年的经营故事。信贷员回来后写的报告高度正面，建议批准。
但AI给出了截然不同的评级——"较高风险"。赵启山仔细查看了AI的逻辑链条：
第一，老王近六个月的个人账户大额进出异常频繁——有几笔"来历不明"的转账（十几万元级别）在入账后几天内又转出。第二，工商登记显示老王名下还有一家"农业合作社"，该合作社的经营范围包括"化肥批发"——这意味着老王可能有多重债务在身。第三，建材铺所在的地段网上挂牌待转让的门面数量在近半年内翻了一倍——这是一个负面商圈信号。
基于AI的建议，风控团队对这笔贷款做了更深入的背调，最终确认：老王的建材铺确实有经营，但他名下的合作社已经欠了农户四十多万的化肥款，而且镇上即将有一条新的建材专业街开业，老王的铺面位置将从"黄金地段"变成"背街"。贷款被驳回。
三个月后，老王在另一家银行借到了钱——又过了半年，那笔贷款逾期了。赵启山后来在一次风控交流会上用这个案例做了总结："AI不吃饭、不结婚、不走亲戚。它不会因为借款人热情好客、交谈愉快、面善可靠就给高分。它只看数据，数据不说谎。"
"以前我们的信贷审批，说到底还是'看人'——看这个人靠不靠谱、面不面善、聊不聊得来。但这套方法遇到真正懂'包装'的借款人就不灵了。AI的好处在于它不看脸、不听故事、不认关系——它只认数据之间的逻辑。这个'冷血'恰恰是我们风控最需要的东西。" —— 赵启山，农商行风控总监
风控质量的提升是渐进式的——数据逐渐积累，AI的评估模型逐渐完善。但在效率维度上的变化，从第一天起就是革命性的。
以前一笔农户小额信用贷款的审批流程是这样的：信贷员下乡调查（半天到一天）→ 撰写调查报告（一到两个小时）→ 提交到支行审批岗（最快当天、慢则第二天）→ 如果金额超权限，还要提交到总行审批部（再加一到两天）。一笔贷款从申请到放款，平均需要五个工作日。
接入EIOS之后，流程变成了：农户在村金融服务站的自助终端或手机银行提交申请 → 系统自动调取征信、流水、土地信息、社保等数据 → 风控Agent在三十秒内生成评分和审批建议 → 如果在系统授信额度内（比如十万以下小额信用贷），自动审批通过并放款。全程最短三小时。
对于超出自动审批额度、需要人工复核的贷款，信贷员也不再需要手写调查报告了。AI生成了结构化的风控报告——包括评分、关键风险点、历史类似案例的逾期率——信贷员更多扮演"验证"而非"调查"的角色。
效率提升带来的不仅是客户体验的改善——一笔急需的农资贷款能在当天拿到钱，对于农户意味着能赶上播种期，而不是错过。更重要的是，信贷员从繁琐的文书工作中解放出来，可以把精力放在真正需要人力判断的事情上。徐明远算了一笔账：接入AI后，全行六十二名信贷员每月节省的文书时间合计约九百个小时，相当于多出了一点五个人的工作量。
到2026年4月，EIOS风控Agent运行满十二个月，农商行的风险指标发生了结构性变化：
不良贷款率从4.2%降至1.1%。需要注意的是，这1.1%的构成中，大部分是"历史遗留"的不良——2025年之前发放的、在AI系统上线前就已经存在问题的贷款。如果只看2025年3月以来AI参与审批的新发放贷款，不良率仅为0.43%。
小微经营贷不良率从7.3%降至2.1%。这类贷款过去是重灾区，现在AI通过交叉验证工商、税务、水电缴费、物流等多维度数据，大大提高了风险识别的准确率。
农户信用贷不良率从5.8%降至1.4%。变化的关键在于AI能识别出那些传统信用体系覆盖不到的"好人"——他们可能没有信用卡、没有丰富的征信记录，但他们有稳定的农业产出（基于种植面积、历史收购记录等）、有持续的社保缴纳、有正常的流水。
信贷审批效率提升了约八倍。小额贷款从平均五个工作日压缩到三小时。这不仅改善了客户体验，还让农商行在同业竞争中有了差异化的速度优势。
风险敞口年减少超过三亿元。这不是指已产生的损失，而是指系统拦截了那些"如果放出去大概率会出问题"的贷款申请。以农商行平均贷款利率5.5%和不良回收率30%来计算，这些被成功拦截的风险敞口，对应着潜在的约一亿一千万元的损失避免。
农村金融存在一个经典的"不可能三角"：覆盖面（让更多人贷到款）、风控质量（少出坏账）、运营成本（少花钱）。在传统模式下，这三者似乎永远只能取其二——要扩大覆盖面就难以保证风控质量、要提升风控质量就必须增加审核成本。而农商行的责任恰恰是三者都要——它是县域普惠金融的主力军。
徐明远认为，AI正在让这个"不可能三角"变得可能。他总结了三个层面的变化：
"覆盖面在扩大，不是缩小。"很多人担心AI风控会把更多的农户拒绝在贷款门外。但农商行的数据恰恰相反——AI参与审批后，小额农户贷款的整体审批通过率从约68%上升到了约74%。原因在于AI识别出了很多传统审核"不敢批但实际风险可控"的借款人——他们缺乏抵押物和传统征信记录，但有稳定的农业生产和收入。
"成本在下降，不是上升。"传统风控加重了人力成本——每增加一个客户经理就意味着增加固定成本。AI风控的边际成本接近于零——多审一万笔和多审一笔的成本几乎一样。
"一致性在提升。"传统模式下，同样的贷款申请在不同信贷员手上可能得出不同结论。这种不一致性本身就是一种不公平。AI确保相同的风险特征得到相同的对待——这种一致性是普惠金融的基础。
该行现在的计划是：将AI风控能力输出给县域内的其他金融机构——村镇银行、小贷公司、融资担保机构——作为一个共享的县域金融风险信息平台。徐明远说："我们不想独享这个能力。整个县域的金融生态好起来，我们的业务才能做得更大。AI让我们不再是'自扫门前雪'的风控，而是可以支撑整个区域的金融基础设施。"
