今年二季度，一家华东地区农商行的贷后管理部发现了一个反常信号：个人消费贷款首贷户的逾期占比，从不到0.5%突然飙升至3.5%以上，7月还在继续上涨，大概率突破4%。换句话说，每100个新放款的客户里，以前只有不到1个人逾期，现在变成了将近4个。排查下来，这些逾期客户有一个共同特征——他们都在今年一季度刚刚修复了个人信用。这不是经济环境突变，而是一场有组织、有套路的金融黑灰产“围猎”。更让人头疼的是，传统的风控规则引擎，在这轮新型攻击面前几乎失灵了。

一、黑灰产“一条龙”进攻：消费贷风控遭遇的新型威胁

要理解这轮风控压力的来源，得先搞清楚黑灰产的操作链条。

2026年初，央行推出一次性信用修复政策——2020年1月截至2025年12月期间单笔不超过1万元的逾期，只要在3月31日前还清，征信系统不再展示。政策初衷是好的，给诚实守信的借款人一个“重新出发”的机会。但贷款中介嗅到了“商机”：先借高息民间借款帮借款人修复信用，再引导他们去多家银行和助贷平台申请消费贷款，最后以“突患疾病”等理由代理减免贷款本息，形成“修复信用—引导贷款—代理减免”的“一条龙服务”，一单就能赚上万元。

后果很直接。据经济观察报报道，某助贷平台4月份以来收到了逾百位“信用无逾期”客户的贷款申请，但到了7月，其中超过15%的借款人首笔贷款就拒不还款，催收短信石沉大海。更夸张的是，多家律所的律师突然找上门来，声称受借款人委托要求大幅减免本息。一家股份行华东地区分行二季度向百名完成信用修复的借款人发放了数百万元消费贷，7月以来半数人不还款，还集体以健康问题为由要求减免。

消费贷风控最怕的不是单个客户违约，而是有组织的“批量攻击”。传统风控模型的核心逻辑是“历史信用=未来还款意愿”，但黑灰产恰恰利用了这一点：先帮客户“洗白”征信，再利用干净的信用记录骗取更大额度的贷款。当风控规则还基于“有没有逾期记录”做判断时，对手已经换了一套打法。

二、AI风控实战扫描：中小银行已经跑在前面

面对新型威胁，一批中小银行已经在信贷风控领域率先落地AI能力，而且打法很务实——不追求“大而全”的平台，而是聚焦离风险最近的环节精准突破。

江阴农商银行的信贷智能体，走的是“多模态审核”路线。 今年7月，该行上线了基于多模态大模型的信贷资料智能分类审核体系，打通了贷前资料采集、智能分类、实时质检、交叉核验的全链条。核心创新在于“端云协同”：前端客户经理用手机无序混拍信贷材料，断点续传，把复杂的现场尽调压缩为“拍摄—上传—确认”三步极简流程；后端多模态大模型自动完成影像识别、数据标准化、风控规则运算，还能跨文档逻辑比对——比如借款合同上的用途和流水对不上，系统会自动标红。据江苏经济报报道，该系统已在全行一线全覆盖落地，形成了“AI为主、人工为辅”的信贷作业新模式。

镇江农商银行则聚焦票据风控，做到了“秒级预审”。 今年6月，该行基于视觉大模型打造的票据预审系统上线，单笔票据录入与审核时间从分钟级压缩至秒级，风险拦截率达99%。更值得关注的是其“AI辅助贷款调查”机制：通过计算机视觉技术，将经营环境照片、银行流水、征信报告等资料转化为可量化的“经营指数”，统一全行审批尺度。过去不同审批员尺度不一的问题，正在被AI拉平。

江南农商行选择了一个更聚焦的切口——“信贷中介识别智能体”。 这个智能体专门针对信贷风控中最棘手的中介欺诈问题，通过AI识别贷款申请中是否存在中介包装的痕迹。配合江阴农商银行在贷后管理系统中明确写入的“AI智能体辅助”需求——覆盖风险预警、贷后检查、风险分类——四家银行精准覆盖了贷前、贷中、贷后、反欺诈四个信贷环节。

从招标数据也能看出趋势。 据零壹智库统计，2026年7月金融智能体招标中，银行类机构以12项占据近半壁江山，绝大多数主体是农商行。重庆银行启动了覆盖贷前到贷后全流程的AI大模型项目，科大讯飞中标落地。奇富数科同月拿下常熟银行和恒丰银行两个项目，头部助贷公司对外输出AI风控技术的路径正式打开。12个可统计项目合计约2009万元，单笔不超过400万——中小银行没有“烧钱搞基建”，而是把钱花在了离风险最近的地方。

三、从“规则引擎”到“AI+人”：风控升级的核心逻辑

为什么传统风控规则挡不住这一轮黑灰产攻击？根子在于两套打法的代际差。

传统消费贷风控的底层逻辑是“信用画像”。 看征信有没有逾期、负债率高不高、收入能不能覆盖还款——这些规则对付“散户”违约很有效，但面对有组织的黑灰产就露了怯。黑灰产的操作是：先用民间借款帮你修好征信，让你的“信用画像”突然变干净，再教你编好贷款用途话术，最后安排律师出面代理减免。整个链条环环相扣，每一步都精准绕过了传统风控的“规则红线”。

AI风控的升级方向，本质上是从“看数据”到“看行为”。 传统规则只能判断“这个人的征信报告长什么样”，AI能进一步判断“这个人的行为模式合不合理”。举个具体例子：如果一个客户刚在一季度修复了征信，二季度就在三家银行同时申请消费贷，贷款用途分别写“培训课程”“家庭装修”“技能学习”，但银行流水显示他近半年没有稳定的工资收入——传统规则看征信是“干净”的，可能直接放款；AI则能从行为模式上识别出多个异常信号。

但AI风控不是万能的，“人机协同”才是正解。 部分银行尝试的AI测谎系统有较高概率“错杀”好人——借款人面对镜头紧张是常态，不能把“紧张”等同于“撒谎”。江阴农商银行的做法值得借鉴：AI负责影像识别和初筛，但所有审核结果全程可追溯，最终决策权仍在人手里。

另一个关键逻辑是“信息孤岛”正在被打破。黑灰产“一条龙”得手，核心在于银行之间信息不通。多家银行已在磋商通过隐私计算技术合规共享逾期客户名单。兴业消费金融更直接用智能体挖掘约400个风控场景标签和近700个贷中行为标签，重建底层风控标签体系。

四、中小银行怎么落地：三步走，从最痛的切口开始

第一步：从信贷资料审核切入，投入最小、见效最快。 先解决最痛的问题——信贷材料审核。客户经理手工分拣材料耗时耗力、人工校验容易误判，这是几乎所有中小银行的共性问题。江阴农商银行的“端云协同”模式是最好的参考：前端手机拍照上传，后端多模态大模型自动识别和交叉核验，不需要改造核心系统，投入百万级别，见效周期3到6个月。建议风控条线负责人牵头，先在一个分行试点，跑通后全行推广。

第二步：建立“异常行为”标签体系，补齐传统规则的盲区。 传统风控标签看“静态画像”，对付黑灰产需要“动态行为”标签。至少增加四类：信用修复后短期内多头借贷、贷款用途与流水特征不匹配、申请渠道集中在特定时段、贷后短期内由律师代理投诉。中小银行不必一步到位，先用已有信贷数据做回溯测试，验证这些标签能否区分“正常修复信用的借款人”和“被黑灰产包装的借款人”。

第三步：推动跨机构的逾期信息共享机制。 这是治本之策。黑灰产的核心套利空间在于银行间信息不对称。公安部今年4月已联合金融监管总局部署金融领域“黑灰产”集群打击工作。中小银行可以主动加入区域性信息共享联盟，具体动作：先找当地银行业协会了解是否有现成共享机制，没有的话联合同区域3至5家中小银行先行试点，从“首贷户多头借贷”数据开始共享。

五、风险提示：三个容易踩的坑

第一个坑：AI“误杀”导致客户流失。 前面提到的AI测谎“错杀”案例已经给出了警示。AI风控模型在上线初期一定要设“人工复核”兜底机制，尤其是针对信用修复者、首次贷款者等敏感客群，不能一刀切。建议给AI风控设置一个“灰度区间”——AI判断为“高风险”的申请不直接拒绝，而是转入人工深度审核通道。这样既不放过真正的风险，也不误伤好客户。

第二个坑：数据合规的红线不能碰。 共享逾期名单、整合多维度数据，这些动作都涉及个人信息保护。今年已有91家银行因违反信用信息管理规定被处罚，合规压力不容忽视。任何跨机构数据共享，都必须走隐私计算等合规路径，确保“数据可用不可见”。今年6月金融监管总局印发的AI安全开发应用指导意见，明确了开发、数据、算力、风控、责任七大维度32条细则，这是底线。

第三个坑：不要为了“上AI”而上AI。 7月份金融智能体招标数据显示，12个可统计项目合计金额约2009万元，单笔均不超过400万元。这说明中小银行的AI风控投入是理性的、场景化的。最忌讳的是搞一个“大而全”的智能风控平台，投入几千万，最后发现用不上。正确的姿势是：找到最痛的一个场景，用最小可用的AI方案解决它，跑通后再扩展。镇江农商银行的票据预审就是好例子——从一个具体场景切入，做到了99%的风险拦截率，然后逐步扩展到贷款调查、营销获客等更多场景。

作者：王润石

上海金融与发展实验室特聘研究员、重庆财经学院副教授

责任编辑：孙辰炜