行业现状与核心分歧 - 经过十多年在小企业贷款中应用机器学习后，行业在人工智能的最终角色上出现分歧，核心争议在于信贷决策应由模型还是人类最终签署[2][4] - 当前非银行小企业贷款机构的运营已高度自动化，从连接会计软件、核对银行流水、识别收入异常到验证身份和抵押品，大部分流程无需人工干预，通常仅剩最终的信贷决策需要人工介入[3] - 行业内形成两大阵营：第一阵营让人工智能直接做出信贷决策，如Upstart，其91%的贷款无需人工参与；第二阵营则在除最终决策外的所有环节使用人工智能，最终信贷决策由指定的人类风险团队负责[9][10] 主要参与者的表现与记录 - 早期知名金融科技贷款机构表现不佳：Kabbage在2020年8月出售给美国运通，交易排除了其现有贷款组合，其剥离出的服务商KServicing于2022年10月申请第11章破产；OnDeck在2020年10月以约1.22亿美元出售给Enova International，远低于其2014年IPO估值；Upstart在2022年市值损失超过90%[5] - 部分幸存者已恢复强劲增长：Upstart在2025年录得10亿美元收入，同比增长64%，以及5360万美元的净利润，创下历史最佳年度业绩，尽管宏观环境比其2021年峰值时期更严峻[6] - 对历史记录的真实解读是：周期冲击严重，资本缓冲不足的金融科技贷款机构首当其冲，但“人工智能承销失败”或“人工智能承销胜出”均非事实全貌[8] 人工智能承销的效能与局限性 - 支持全自动化的公司认为，经过适当训练并输入正确数据的模型优于人类：Upstart曾披露近200万笔贷款的违约数据，并称其模型区分风险的敏锐度比传统信用评分高出约五倍[9] - 学术研究揭示了人工智能的局限性：一项使用意大利信贷登记数据的研究发现，人工智能投资有助于银行在正常时期缓解长期银行关系的反周期租金提取效应，但在新冠疫情冲击期间，人工智能并未提供额外的信贷或利率保护，而关系型贷款则提供了保护[12] - 行业观点认为，人工智能的辩论核心在于责任而非能力：模型可以标记风险，但由人来承担风险[11] 市场数据与成本悖论 - 2025年美联储小企业信贷调查（2026年3月发布，覆盖6525家雇主企业）显示，向在线贷款机构申请贷款的比例连续第五年上升，但60%从在线贷款机构借款的小企业表示实际借款成本高于预期，相比之下，小型银行和大型银行的这一比例分别为37%和32%，存在28个百分点的差距[13][14] - 对于成本差距有两种解读：一是基于风险的定价对风险更高的借款人收取更高费用；二是贷款发起时的速度和便捷性掩盖了总成本，导致借款人在签约后才意识到差异[15] - 人工智能运营的经济性已发生巨大变化：2018年需要数百万美元构建的模型训练管道、文档解析器、KYB基础设施等，在2026年已成为每次查询仅需几美分的API调用，使得区域性非银行贷款机构或社区银行也能负担得起从前需要40人工程团队才能搭建的从获客到监控的技术栈[17] 监管环境演变 - 监管规则正在快速重写：2025年5月，消费者金融保护局撤销了67份指导文件，其中包括2022年的一份通告，该通告曾告知贷款机构不能以模型复杂性为由为不合规行为辩护[21] - 2026年4月17日，美联储、货币监理署和联邦存款保险公司联合发布了SR 26-2，取代了已实施十五年的SR 11-7模型风险框架，新指引对资产超过300亿美元的银行最相关，并将生成式和智能体人工智能明确排除在其范围之外[22] - 欧盟《人工智能法案》中针对信用评分系统的高风险义务将于2026年8月2日生效，其文件记录、偏见测试和人类监督要求将适用于任何服务欧洲借款人的非欧盟贷款机构[23] 未来关键观察点 - 未来一两年需关注三点：按贷款机构类型划分的中小企业坏账率，尤其是Upstart式全自动贷款组合与关系型贷款机构在实际经济下行中的表现对比；消费者金融保护局在审查结束后的行动；以及人工智能工具层的整合情况，这将揭示价格下跌是否会持续，或者是否会有两三家供应商占领并锁定市场[24][25] - 小企业管理局7(a)贷款在2025财年达到334亿美元，同比增长20.5%，该计划的长期核销率在2%至4%之间，这为自动化与非自动化贷款机构设定了一个难以超越的基准[20] - 最终问题仍未解决：谁将最终书写银行不愿涉足的贷款，取决于人与模型结合的方式，而两者结合的界限在不同机构有所不同，哪种方式更有效将由下一次真正的经济衰退来验证[25]