信贷工厂解决方案白皮书

别急着上 AI，先算清客户放这一笔贷款，利润是从哪来的。

这两年跟行业客户聊 AI，十个人有八个一上来就问：你们大模型效果怎么样？OCR 准确率多少？

但我一般会先反问一句：你知道银行放一笔小微贷款，利润是怎么算出来的吗？

很多 AI 项目做死，不是模型不够聪明，场景做的多贴合业务，是做的人根本不知道客户的钱从哪赚、成本花在哪、风险控在哪个环节。分享我主导的一份白皮书——它不是技术宣传册，是我们陪一家城商行走了六年、从一期建到六期之后，把整个落地实践沉淀成 SOP、对外输出的体系化文档。

回头看，这份白皮书的价值不止在内容本身，更在于它作为一份 GTM 物料，怎么帮我们在客户心智里从“乙方”变成“行业专家”。

图 1 ｜ 信贷工厂白皮书封面：现状·原理·解决方案·案例（已完整脱敏）

白皮书总览（已完整脱敏）

一、为什么要啃这块硬骨头

做过小微金融的人都知道一个基本事实：全国小微企业法人近 3000 万户，贡献了 80% 的就业、60% 的 GDP，但长期面临“融资难、融资贵”的问题。

银行不是不想做。而是这笔账算不过来。

小微贷款的特点是“短、小、频、急”——单笔金额小、频率高、要得急。传统那套给大企业设计的审批流程，跑一笔贷款要客户经理跑现场、拍照片、填一堆表、层层上报审批，三天下来，人力成本比贷款利息还高。信息不透明，风险看不准，利率就得往上抬，客户又觉得贵。

这个死循环怎么破？金融科技厂商扎进一家以小微金融为特色的城商行，前后做了六年、分六期建设，把审批时间从 3 天压到 30 分钟，累计放款超 2000 亿。项目做完之后，我们把整个过程——行业逻辑、方案架构、落地路径、数据效果、未来趋势——整理成这份白皮书，既作为客户内部的知识资产沉淀，也作为面向同业的方法论输出。

二、我是怎么拆这个行业的

写这份白皮书的时候，我没有上来就堆技术名词。而是自上而下拆了五层，每一层都回答一个具体问题：

• 经济账是什么？——银行放小微贷款，利润公式长什么样？
• 业务流程怎么跑？——一笔贷款从申请到贷后，中间有多少个环节？
• 技术切哪里？——哪些环节适合机控，哪些必须保留人工？
• 落地效果怎么量？——效率、规模、风险三组数据说话。
• 未来往哪走？——大模型、RPA、联邦学习，哪些是真趋势哪些是噱头？

五层拆完，一个行业就被戳穿了。这套方法我后来做所有 AI 解决方案都在用。

三、第一层：先把银行的经济账算明白

3.1 一个利润公式，看懂“融资难”的根因

我在白皮书写的第一个核心模型，就是银行小微贷款的利润公式：

利润 = 贷款利率 - 资金成本 - 业务及管理费用 - 风险溢价

资金成本是外生变量，银行自己说了不算。真正决定银行能不能持续做小微的，是后面两项——业务成本和风险溢价。

小微企业财务报表不规范，经营数据散落在水表、电表、海关单里，银行要花大量人力去核实，业务成本降不下来；信息不对称又导致风险难评估，风险溢价只能往上抬。这就是“跷跷板”——两头都压不下来，银行做小微就赚不到钱。

3.2 破解思路：不是让银行更努力，而是换一套生产方式

想把业务成本和风险溢价同时压下来，靠加人是没用的——A 银行之前用“人海战术”，客户经理下沉到乡镇实地拜访，风险是控住了，但管理成本远高于同业。

真正的解法是流程再造：把“一个客户经理跟完全程”的手工作坊模式，改成像工厂流水线一样的批量作业模式。这就是“信贷工厂”这个名字的由来。

四、第二层：从手工作坊到流水线，方案怎么搭

4.1 流程再造：专业化分工，并行作业

原来一笔贷款是串行的：客户经理申请→调查→提交审批→审批人审→签合同→放款。现在拆成十几个标准化节点，每个节点专门的人在中台集中处理，多线并行。

比如征信查询、身份证核查、影像采集这些重复性操作，全部由中台岗位批量处理，客户经理只负责前端获客和现场核实。单人管护客户数量直接提升约 30%。

4.2 中台集中：打破系统竖井

银行的系统现状是啥？柜面一套、手机银行一套、信贷系统一套、风控系统一套，数据不通，客户经理要在七八个系统之间来回切。

我们搭的中台把这些全部统一接入：从前台柜面、VTM、手机银行、PAD 端，到业务处理模块、流程引擎、规则引擎、风控模型，全部收拢到一个中台。底层对接影像平台、征信系统、身份核验等外围系统。

4.3 智能化作业：AI 该切哪里、不该切哪里

这是我最想强调的一点——不是所有环节都需要 AI。

我们的判断标准很简单：规则明确、重复性高、出错代价小的环节，用机控替代人控；需要专业判断、涉及复杂软信息的环节，保留人工。

• 信息采集录入：OCR 识别证件、人脸识别做身份核验——机控替代人工，效率提升明显
• 贷前预评估：大数据风控模型做初筛，预评估禁入规则拦截率超过一成，累计识别操作风险事件上千次
• 重复性查询和报表：RPA 机器人自动跑流程，法院信息查询这类场景每月能省数千元成本
• 复杂经营判断：到户检查、软信息核实——保留人工，这部分 AI 替代不了

你看，到这一步，我们已经从“银行难在哪”落到了“AI 具体切哪一刀”。

五、第三层：效果怎么样

技术方案好不好，最终要落到客户最关心的三个问题上：快不快？做的多不多？风险稳不稳？

5.1 效率维度：3 天到 30 分钟

信贷审批处理时间从原来的 3 天左右，缩短到 30 分钟以内，支持 7×24 小时服务。客户体验的改善是质的变化——以前客户跑三趟网点，现在 PAD 端现场就能发起。

5.2 规模维度：2000 亿、500 万件/年

至 2020 年，通过信贷工厂累计发放信贷业务超过百万笔，金额逾两千亿元。中台完成迁移后，当年累计作业量突破 500 万件，月均逾 40 万件。这个规模，靠原来的人海战术是根本撑不住的。

5.3 风险维度：不良率不升反降

很多人会担心：流程快了、人少了，风险是不是上去了？数据恰恰相反。

白皮书第 17 页：新模式上线后不良率与关注类贷款比例的同业对比（已完整脱敏）

新模式上线后，90 天以上逾期率维持低位，不良贷款率创近五年新低，显著低于区域同业与全行业平均水平——低 0.82 个百分点。关注类贷款比例显著下降 77 个 BP。

人话就是：更快了、做的更多了、人更省了、风险还更低了。这才是客户愿意买单的东西。

六、第四层：白皮书本身就是 GTM 武器

做 To B 人都知道一个事实：客户不会为“技术”买单，客户只为“认知”买单。一份好的白皮书，本质上是在客户决策链上提前植入你的专业心智，体现业务 know-how，这也是 AI 时代稀缺的认知和能力。

6.1 从 0 到 1 建立客户认知：教育市场的成本最低方式

信贷工厂这个概念，在我们刚接触客户的时候，很多城商行行长是模糊的——他们知道要做小微、要数字化，但说不清楚“信贷工厂”到底是什么、跟传统信贷部业务有什么区别。

白皮书做了一件很重要的事：把行业历史（淡马锡模式）、理论基础（流程再造 BPR）、业务流程（六环节）、风险体系（五个风险大坝）全部系统讲清楚。客户看完前几页，基本就能判断原来这不是一个新系统，是一种业务模式的升级。

6.2 按客户决策链分层：让每个人都能找到自己的关心点

一份白皮书要能打穿整个客户决策链，关键是让不同角色都能在里面找到自己想看的内容。我们在导读里专门做了读者分层设计：

• 决策层（行长、副总）：看第一部分行业趋势和第三部分落地效果——判断要不要投入
• 业务部门（业务总、支行长）：看第二部分营运模式和风控方法——判断业务怎么跑
• 科技部门（科技总、架构师）：看第三部分系统架构和第四部分技术趋势——判断技术怎么选
• 项目经理/需求人员：看完整六期落地路径和 SOP——判断怎么落地实施

这种分层设计的价值在于：销售不用每次都从头讲一遍，客户内部会自发传播，白皮书在客户内部自己就流动起来了。

6.3 缩短销售周期：从“我们聊聊吧”到“我们按这个方案做”

To B GTM 侧最大的成本是什么？是客户认知不统一——业务部门觉得好，科技部门觉得难，管理层觉得贵，内部吵了还没结论。

白皮书把行业共识、方案架构、效果数据、同业案例全部摆出来，相当于在客户内部先建了一套“共同语言”。我们后面再去谈具体方案，客户已经理解了模式价值，讨论的焦点从“要不要做”变成了“怎么做、做哪些模块”。

这就是 GTM 的核心：不是卖产品，而是先卖认知。认知到位了，销售周期自然缩短。

6.4 跨行业复制：一套方法论打透多个客户

这份白皮书做完之后，我们在其他城商行、农商行的售前阶段，第一件事就是把白皮书发给对方。不需要每次从零开始讲行业背景——客户看完白皮书再来开会，讨论效率高很多。

更重要的是，白皮书把“我们在 A 银行做了六年”这个案例，抽象成了一套可迁移的方法论。客户买的不只是一套系统，而是“被验证过的行业最佳实践”。

七、第五层：未来三年，信贷工厂往哪走

白皮书最后一章，我判断了三个明确的技术方向：

• 智能 OCR + RPA：数字化劳动力，处理账户管理、贷后催收、报表生成这些重复性工作
• 远程银行 + 智慧中台：后疫情时代业务线上化，视频面签、远程授信成为标配
• 联邦学习：数据不出域就能联合建模，破解银行与互联网平台之间的数据孤岛问题

这些判断写在白皮书里，回头看正在一个个变成现实。做产品最怕人云亦云——别人说 RPA 火你就跟着喊，但你得自己想清楚：这个技术到底解决哪个具体环节的效率问题？客户愿意为它付多少钱？

另外，在 AI 时代结合场景可能落地的场景有：

• 贷前调查：AI 读财报、流水、合同，自动生成尽调报告初稿
• 审批决策：AI 不只给分数，还给“为什么风险高、建议额度多少”的决策解释
• 贷后管理：从定期巡检变成 7×24 小时智能预警（工商 / 司法 / 舆情 / 税务 / 用电）
• 客服运营：AI 承担贷后提醒、回访、催收等重复性对话

八、六种认知提升

后来我做 AI 产品、做解决方案、对接不同行业的客户。我沉淀了六种能力：

• 看得懂行业经济账：不是上来就谈技术，先把客户的利润公式、商业模式拆明白，自上而下考虑问题
• 判断得了技术切入点：知道哪个环节该用 AI、哪个环节不该用，自下而上切入问题
• 算清商业价值：跟客户聊的是审批时效、成本下降、不良率，不是模型参数
• GTM 认知构建能力：能把项目经验抽象成行业方法论，用白皮书提前占领客户心智
• 拆得动落地路径：六年六期从 0 到 1，每一期做什么、做什么模块
• 交付得出体系化 SOP：不是资料堆砌，是决策层、业务层、科技层各取所需的体系化文档

九、最后

见客户之前，先搞清楚人家的生意是怎么跑的、痛点在哪、钱怎么赚的、流程卡在哪一环，从微观到宏观、再从宏观到微观。然后把这些思考和 Know-how 沉淀成客户愿意主动传播的内容和 SOP——这才是 AI 解决方案 PM 真正的护城河。