AI 风控成熟度自评清单：五级量表，看看你的团队卡在哪一级

AI 风控成熟度自评清单：五级量表，看看你的团队卡在哪一级

这是「AI+风控实战」系列的最后一篇。前面十一篇讲的是”怎么做”——怎么做反欺诈、怎么建模、怎么上 LLM、怎么用 AI 催收、怎么防深度伪造、怎么监控模型、怎么守合规红线。

这一篇讲的是”怎么知道自己做到了什么程度”。

之所以要写这一篇，是因为在 AI 这件事上，“感觉自己在用”和”真的在用”之间有一条很宽的沟。这条沟不是技术能力造成的，是治理能力造成的。而它有一个很直接的表现：问你三个问题，答不上来两个。

一、先分清两件事：用得多，不等于管得好

行业数据把这条沟量得很清楚。

看”用”的层面，数字很漂亮： 一项覆盖 97 个国家、1719 名受访者的全球调查显示，89% 的组织已在至少一个业务职能中使用 AI，44% 已实现规模化应用（上一年是 38%）。金融机构更高——81% 的机构已在至少一个环节使用 AI，只有 2% 完全没有用。

看”管”的层面，数字立刻掉下来：

• 一项针对银行、保险和支付机构的调研发现，81% 的银行至少有一个 AI 模型在影响生产级的信贷或欺诈决策，但只有 34% 能拿出一份监管机构会接受的完整模型清单。
• 一项覆盖全球系统重要性银行的治理成熟度研究显示，87% 的银行在 AI 治理上还有显著改进空间，只有 13% 达到领先成熟度；组织架构是五个维度里最不成熟的一项。
• 一项面向社区银行的调研更直接：所有受访机构都已使用 AI，但只有 25% 把概念验证推到了生产环境，只有 5% 成功落地了”规模化且受治理”的 AI 项目。
• 另一项调研问的是”能不能在 90 天内通过一次独立的 AI 控制审查”——只有 18% 的银行领导表示完全有信心。

把这四组数字放在一起，结论非常清楚：

大多数团队的 AI 处在”在用但说不清”的状态。 模型在生产里跑着、在做决策、在被业务依赖，但没人能拿出一份完整的清单、说清每个模型的风险等级、证明它还在被监控。

这件事在新兴市场的小团队里更普遍，因为小团队有两个天然劣势：没有专职的模型风险管理岗，也没有被监管查过的经验。 而这两个劣势会在第一次真正的外部审查（融资尽调、机构合作、监管检查）时一次性暴露。

所以这一篇的目的不是让你对标大行，而是让你在被问之前，先自己问一遍。

二、五个维度：不问”用了多少”，只问”能不能被审计”

治理成熟度怎么评？各家框架的维度不同，但交叉看下来，有五个维度是共通的：

维度一：清单完整性（Inventory）。

你所有的 AI 系统——包括自研模型、外采模型、嵌入在第三方系统里的模型、以及各类智能体——能不能被列成一份清单？每一项有没有负责人？有没有最近一次复核日期？

维度二：风险分级一致性（Tiering）。

你的模型有没有按”影响程度、复杂度、依赖度”分级？分级标准是全公司统一，还是每个业务线自己定？

维度三：验证节奏（Validation）。

验证是”上线前一次性过一道门”，还是”持续进行、并在发生重大变化时触发”？上线之后有没有人再看过？

维度四：运行时监控与熔断（Runtime Control）。

模型跑起来之后，有没有实时监控？出现异常（数据漂移、输出异常、指标恶化）时，有没有自动降级或熔断？这一条是小团队和大行差距最小、也最容易补上的一环，但恰恰是最缺的——一项美国市场的调查显示，72% 的银行缺少 AI 模型的”熔断开关”和故障上报机制。

维度五：问责与治理（Accountability）。

AI 风险有没有被纳入全面风险管理体系？董事会层面有没有人负责？出了问题谁签字、向谁报告？

这五个维度有一个共同特征：它们问的都不是技术问题，而是”能不能被审计”的问题。 这正是监管视角的转变——现在的关注点已经不是”你是否使用 AI”，而是”AI 是否被纳入一个可治理、可审计、可追责、可持续演进的体系”。

一个国际共识性的框架把这个逻辑讲得很清楚：美国金融业在 2026 年 2 月发布的金融服务 AI 风险管理框架，由行业协调机构联合100 多家金融机构共同开发，核心是230 项控制目标，覆盖治理、数据管理、模型开发与验证、监控、第三方风险和消费者保护六个方面，并配套了一份按六个维度自评的”AI 应用阶段问卷”。它明确说了一件事：监管者会问的不是”你的政策怎么写的”，而是”这项控制实现在哪个系统里、谁负责、技术上靠什么强制执行、有什么证据证明它在工作”。

政策文件不是答案，系统日志、访问控制记录、测试结果和监控看板才是。

三、五级量表：你在哪一级

把五个维度合起来，可以得到一张五级量表。注意：分级的标准不是”用了多少 AI”，而是”治理是否跟得上部署”。

这个分级不是我们自己编的。一套行业框架把它定义为四个阶段（试验、单点、演进、内嵌），另一套企业成熟度模型给出的分布是：约 20% 处于”AI 辅助”、45% 处于”AI 集成”、25% 处于”AI 转型”、只有 10% 达到”AI 演化”。而按”是否已在规模化或转型阶段”统计，金融科技公司是 47%，传统机构只有 30%——技术出身、数据基础干净的团队，天然比背负遗留系统的机构快一步。

对出海放贷团队来说，现实的目标不是 4 级，而是”干净地站上 3 级”。 理由很简单：3 级是”能被机构资金接受”的门槛——没有独立验证、没有监控、没有可解释性，你连融资尽调都过不去。

四、逐级打分：每一级的最低门槛清单

下面这份清单按维度组织。每答”是”得 1 分，五个维度分别打分，然后取最低的那一项作为你的实际级别——因为治理的强度取决于最弱的一环，不取决于最强的一环。

维度一：清单完整性

1. 我有一份完整的 AI 系统清单，覆盖自研模型、外采模型和第三方系统内置的 AI。
2. 清单里每一项都有明确负责人。
3. 清单里每一项都有最近一次复核日期。
4. 智能体（能自主执行多步任务的系统）与静态模型分开列示。
5. 清单的更新是自动的（有新模型上线就自动进清单），不是靠人记得去加。

维度二：风险分级

1. 我的模型按影响程度分了级（例如：影响信贷决策的为高、仅内部辅助的为低）。
2. 分级标准是统一的书面标准，不因业务线而异。
3. 高风险应用履行了严格准入程序（例如经风险管理委员会批准）。
4. 高风险应用的关键环节有人工监督、干预和退出机制。
5. 涉及资金交易、资产评估、信贷审批、风险管理等场景，被明确识别为高风险。

维度三：验证节奏

1. 模型上线前有独立于开发团队的验证。
2. 验证不是一次性的——重大变化（数据源变更、模型迭代、业务规则调整）会触发重新验证。
3. 我保存了模型开发、验证、部署的完整文档与版本记录。
4. 我有模型退役的流程和归档要求。
5. 我能说清每个模型最近一次验证是什么时候。

维度四：运行时监控与熔断

1. 模型上线后有持续的性能监控（不只是技术指标，还有业务指标）。
2. 我有数据漂移和输出异常的检测机制。
3. 我有可用的熔断开关（能在异常时快速停用某个模型或降级到规则）。
4. 我有故障上报和应急响应流程，并做过演练。
5. 我能生成决策级别的审计轨迹（每一笔决策用了哪个模型、哪个版本、什么输入）。

维度五：问责与治理

1. AI 风险已被纳入机构的全面风险管理体系，不是科技部门的独立事务。
2. 董事会或同等治理层面对 AI 有明确的最终责任归属。
3. 我指定了专门委员会或专人负责 AI 开发应用。
4. 我定期做 AI 风险报告，且报告频率与风险等级挂钩（高风险更频繁）。
5. 我做过算法偏见测试，并有相应的测试方法说明。
6. 我能对拒贷等不利决策给出具体、准确、可复核的理由。
7. 外部引入的生成式 AI 模型，我核实过其合规备案状态。
8. 客户个人信息（姓名、证件号、手机号、银行卡号等）没有被用于模型训练和优化。
9. 我做过第三方和供应链 AI 风险排查。
10. 我有针对 AI 相关风险的员工培训，且是定期更新的。

评分规则：

• 25 项以上为”是”：你已站在 3 级到 4 级之间，可以开始和机构资金谈结构了。
• 18–24 项：3 级边缘。核心缺口通常集中在维度三和维度四。
• 10–17 项：2 级。你已经承担了 AI 风险，但还没有配套的看管能力。
• 10 项以下：1 级。现在的优先事项不是加模型，是先建清单和监控。

如果只想补一件事，补第 1 条和第 18 条。 清单是起点（不知道有什么，就什么都管不了），熔断是底线（能停下来，才有资格继续跑）。

五、小团队的现实起点：不要照抄大行

大行的做法小团队学不了，也不需要学。但有三件事，小团队可以用很低成本做到，而且正好补在最要命的位置上。

第一件：把清单建起来，用最土的办法。 一张表，列清模型名称、用途、负责人、上线日期、最近验证日期、风险等级、状态。这张表的成本是一个下午，但它能让你在尽调时当场答出”我们有多少个模型在跑”。 前面提到，只有 34% 的银行能拿出被监管接受的完整清单——这一条就能把大多数机构筛掉。

第二件：把监控做成”业务指标看板”，而不是”技术指标看板”。 小团队没有专职 MLOps，但一定有业务日报。把模型的输入分布（比如申请件里的设备类型占比）和输出分布（通过率、拒绝率、评分均值）放进同一张看板，就已经覆盖了 80% 的漂移预警需求。 数据漂移的信号，往往先出现在业务指标里，而不是技术指标里。

第三件：把熔断做成”可执行的动作”，而不是”写在文档里的原则”。 熔断的关键不是”有个开关”，而是“谁有权按、按了之后业务怎么跑”。如果按了开关业务就停摆，那没人敢按。所以熔断必须配套一个降级方案（比如切回规则引擎、或人工复核），先有降级方案，才谈得上熔断。

这三件事加起来，不需要额外的团队，也不需要额外的预算。它们需要的是一次决定：把 AI 治理当成业务问题，而不是技术问题。

六、三个最容易自欺的地方

最后说三个自评时最常见的自欺，每一个都值得单独警惕。

第一：”我们有治理，因为我们的供应商有治理。”

外采模型不等于外采责任。一个国际共识是：治理的理解不能外包。 供应商能给你合规证明，但监管问的是”你的机构有没有把这项风险管起来”——这个问题只能你自己回答。 而且第三方 AI 风险本身就是一个独立的维度，需要单独排查。

第二：”我们的模型准确率很高，所以风险不大。”

准确率解决的是”平均表现”，解决不了”个案解释”。能对单笔拒贷给出具体、准确、可复核的理由，是和高准确率完全不同的能力——它依赖的是可解释性工具、文档和流程，不是模型指标。这也是为什么在信贷场景里，可解释性不是合规的”勾选项”，而是架构设计的第一性要求。

第三：”我们规模小，监管不会注意到我们。”

监管的注意力确实和规模相关，但商业对手方的注意力不相关。融资尽调、机构合作、本地银行的联合贷谈判——这些场景会问你和大行一样的问题，而且你没有”我是系统重要性机构、我有专门团队”这个缓冲。

所以自评的真正价值不在分数，在于你第一次知道自己的缺口在哪。

结尾：AI 的能力可以买，AI 的纪律只能自己长出来

回头看这个系列讲过的十二件事：反欺诈靠的是设备与关系网络，评分卡靠的是小样本建模的克制，LLM 靠的是把非结构化数据变成结构化输入，催收靠的是”机器人做筛选、人做决策”的边界，深度伪造靠的是多层验证而非单点，模型上线后靠的是监控与拒绝推断，合规靠的是可解释性，落地靠的是成本与数据的现实约束。

这些东西有一个共同点——它们都不产生”惊艳的演示效果”，但决定了你的系统能不能长期跑下去。

行业数据也在说同一件事：95% 的生成式 AI 试点没有产生可衡量的损益影响；只有约 6% 的组织真正从 AI 获得了显著价值；而这 6% 有一个共同特征——他们不是把 AI 塞进旧流程，而是重新设计了流程。 同一项调查里，产生显著财务回报的组织中，近四分之三说他们从根本上重新设计了工作流程，而其他组织只有约四分之一。

换句话说：差距不在模型，在流程。

而流程的改造，起点是这份自评清单——先知道自己站在第几级，才知道下一步该迈哪只脚。

到这里，「AI+风控实战」12 篇全部完结。感谢一路读下来。