方案核心观点 - 赣州银行推出了首个面向普惠及对公小微领域的信贷AI智能体应用“橙信-AI贷后风险巡检”，旨在通过复用现有数据与系统，结合国产大语言模型与多智能体技术，实现贷后风险的自动监测、预警与报告生成，提升管理的前瞻性与效率[1] 方案背景与目标 - 背景：在中央金融工作会议提出“金融五篇大文章”及监管强调“早识别、早预警、早暴露、早处置”的背景下，公司面临资产质量压力与风险管理要求同步抬升的挑战，原有贷后管理存在数据分散、分析视角割裂、报告依赖人工且缺乏前瞻性及可执行抓手等问题[2] - 目标：方案旨在构建统一数据视图、建立不良前视性预测体系、引入押品压力测试、利用AI实现报告自动化生成，并最终输出可执行的条线管理建议，实现风险管理闭环落地[3] 方案特点与架构 - 特点1 - 三维风险预测雷达：通过趋势、扩散和叠加三套指标体系，系统性刻画不良由单点走向组合的“裂变风险”演化路径[4] - 特点2 - 轻量化押品压力测试：采用“区域价格调整系数+情景参数”方法，在缺乏高频外部房价指数条件下，实现户级和组合级LTV（贷款价值比）情景分析，兼具可解释性与易复制性[4] - 特点3 - 内外数据协同：整合工商、司法、经营异常、涉税和舆情等外部信号与内部风险数据，形成外数预警雷达，提升风险早期识别能力[4] - 特点4 - 国产大模型+多智能体工程化：通过数据整理、指标分析、诊断研判、管理建议等多个智能体协同，实现从数据到报告的全流程自动化，而非简单调用通用大模型接口[4] - 特点5 - 适配区域性银行：方案充分复用既有宽表和报表，采用参数化模型与配置化模板，控制了算力和实施成本，便于在同类中小银行复制推广[4] 实现功能与模块 - 功能1 - 全行风险盘面及五大风险看板：系统按日自动汇总贷款余额、逾期余额、不良余额、M3+占比、迁徙率、集中度等关键指标，形成“全行风险盘面”，并支持同比、环比、阈值预警等多维对比，大模型可自动生成“当日风险总览”文字摘要[8] - 功能2 - 分域×区域×产品风险概览热力图：构建“分域—区域—产品”三维风险视图，通过预聚合余额、逾期率、不良率、CR3集中度等指标形成风险热力图，智能体自动识别风险热点和异常值，并生成结构化结论[10] - 功能3 - 机构风险分层与A/B/C/D档对标：以逾期率、不良率、M3+占比、CR3集中度、业务扩张速度等为核心指标，对机构进行风险评分并划分为A/B/C/D档，智能体自动生成机构风险画像及原因研判，为差异化管控提供依据[12] - 功能4 - 普惠不良预测与滚动率分析：建设普惠贷款未来12个月新增不良预测模块，通过维护产品层面的迁徙率参数，测算新发贷款、存量正常、存量逾期三类资产转不良的预计金额，并计算“近3个月预测增速”等指标，系统结合多项指标为产品自动打上风险标签，大模型生成专业分析文字[14][15] - 功能5 - 分析报表智能生成与下载：重构《风险分析报告》等报表的生产流程，通过统一的风险JSON数据集汇集各模块输出，由大模型结合预置模板一键生成包含全行风险总览、热点榜单、深度分析、管理行动清单等内容的完整报告，支持Word导出，显著减少了人工工作量[17] 实施效果 - 效率提升：贷后风险日报生成时间从人工耗时1个工作日缩短至系统自动生成约1分钟；普惠不良预测和滚动率分析由按月专项工作转为常态化运行，分析周期从数天压缩至小时级[18] - 覆盖度与前瞻性增强：实现了机构/产品风险监测的全行全量覆盖，通过趋势与扩散雷达提前识别出多组风险抬头的组合，其中部分在随后的3–6个月内出现逾期率或不良率明显上升[18] - 押品与外数管理能力提升：通过LTV情景分析识别出一批单户高LTV客户和组合高杠杆结构，推动了行内授信政策与押品结构优化；外数预警雷达帮助发现了多户外部风险已显现但内部尚正常的客户[18] - 管理应用价值：智能体生成的机构风险榜单和条线化管理建议已纳入贷后例会与日常管理使用，内部反馈报告更专业、更具体，可直接用于部署工作，显著提升了决策支持能力[18] 未来展望 - 业务延伸：公司计划以该方案为起点，逐步将智能体能力向贷前准入、贷中审批、资产转让等全流程延伸，构建覆盖“贷前—贷中—贷后—资产处置”的橙信AI+风险管理体系[19] - 技术深化：将进一步探索滚动率预测、押品LTV情景分析与内部资本管理、压力测试体系的联动，并持续打磨可解释、可审计的模型与参数体系；在数据方面，计划适度引入交易流水、票据、供应链等更多业务数据[19] - 行业推广：方案将以“宽表+参数化引擎+国产大模型多智能体”的轻量架构为基础，面向同类中小银行输出可复制的建设经验和技术方案，为区域性金融机构的数字化风险管理提供样本[20]