作者：王聪彬

现在，一个银行信贷经理的工作方式，可能已经开始变了。

过去，对公信贷最依赖的是什么？是经验。

怎么快速判断一家企业值不值得跟、哪些材料有问题、走访时该重点聊什么、哪些风险容易遗漏，很多时候都是靠经验积累。

也正因如此，整个信贷流程里存在大量高度依赖人工的环节。

从拓客前就要做筛选、企业建档，到走访前的信息整理、风险排查，再到现场沟通后的尽调报告生成，客户经理每天都在不同系统之间来回切换。一边查工商，一边翻历史授信记录，还要整理录音、补访谈纪要、核对材料完整性。

麦肯锡报告提到，全球银行已经开始加速将生成式AI应用到核心信贷业务中，包括授信、尽调、文档生成和风险分析等场景。

而现在，AI正在开始真正进入银行信贷经理的工作流，点金银行员工数字分身工作台，给每一个信贷经理配了一个随时在线，并且不断学习的“数字分身”。

AI为什么一直进不了银行核心业务？

银行业已经告别高速增长时代，过去依靠规模扩张获得的增长红利正在快速消退，整个行业也逐渐进入存量竞争阶段。在经营效益边际成本逐渐收窄的情况下，AI的出现让银行业逐渐形成一个共识，从“上不上AI”转向“如何将AI做成可用、可控、可复制的生产力”。

因为这一轮数字化想做的，是希望AI能够像专家一样，真正完成数字空间里的工作。这背后其实有两个非常关键的前提。

第一，AI要像专家一样思考。具备专家级的知识、经验和判断能力，知道什么是重点、哪里可能存在风险；第二，AI要像专家一样理解任务。因为很多真实业务，并不是一个孤立动作，需要建立在完整上下文之上去进行。

而这恰恰也是今天银行业在AI落地过程中，最核心的两个困境。

困境一：知识萃取难

企业如果想让AI具备专家级的知识和经验，大致有两条路径，一种是训练垂类模型，另一种是对智能体进行调优。

本质上是在做专家经验显性化这件事，让AI能够理解和使用这些知识。但这个过程高度依赖高质量的数据，进行持续沉淀、标注，再不断迭代优化。高质量数据的标注，往往又必须依赖一线专家亲自参与，专家就需要投入大量时间和精力。

同时，还有一个很现实的问题。专家端的一线作业场景，并没有海量的数据可以使用，很多经验是非标准化的，也很难被完整沉淀下来。

所以无论是训练垂类模型，还是做智能体调优，真正落到产业场景时，都会存在高度依赖专家经验、对高质量数据集要求高、成本高昂且难以规模化的共性挑战。

困境二：上下文鸿沟

即便AI已经具备了专家级的知识和经验，能够像专家一样思考，但如果缺少完整的任务上下文，它依然只能停留在辅助阶段，很难真正完成复杂业务。很多真实工作，并不是单靠知识就能完成的，还依赖大量过程信息、现场判断以及跨系统的信息。

以某农商银行为例，对公信贷专家会和客户经理一起联合走访企业。在走访过程中，专家会基于现场交流、企业状态、经营细节，形成自己的判断，但这些判断并不会被完整记录到系统中。同时正式审批阶段，专家也不只是看客户经理上传的尽调报告和授信材料，还会进一步查看其他系统的数据和信息。

如果AI去完成这些工作，整个业务流程里会存在几个非常明显的上下文鸿沟。

想让AI成为可用的生产力，就必须找到路径和方法解决知识萃取和上下文鸿沟两个核心问题。

“人有分身，事有空间”是一种什么解法？

“人有分身，事有空间”是点金拿出的解法。

先看“人有分身”。其思路是为每一位一线业务人员，配一个专属的数字分身。这个分身是按人配置的，由本人在使用过程中不断使用、调整和纠正。核心价值在于，用真实业务过程自然完成知识沉淀和经验萃取。

这个分身只服务于具体的人，也对这个人的工作结果负责。分身用得越好，个人工作效率越高，最终带来的就是更好的绩效反馈。这种模式和过去工具型的逻辑有所不同，是和个人目标绑定的能力延伸。

再看“事有空间”。事有空间解决的就是任务上下文鸿沟问题。通过为每一个任务建立一个独立的Workspace，来承载过程与结论沉淀。

以信贷审批为例，每一个客户、每一笔授信申请，都会对应一个独立的空间。这个空间以客户为中心，把所有相关信息统一沉淀进去，包括客户经理的走访记录、授信材料、审批过程中的补充信息等，都会在同一个空间里持续更新和留存。

Workspace不是一个简单的目录，也不是用来存放材料的文件夹，它的本质是对银行一线专家日常作业场景的一次显性化建模。将作业时所需的要素，包括信息、档案、流程、工具，全部显性化表达出来，然后把这一整套内容交付给一线人员。

点金的思路是，把复杂留给自己，把底层基础设施做重，让一线员工只需要聚焦把分身逐步养起来，并在日常工作中持续使用它完成高价值任务。最终目标是把使用门槛降下来，把用户体验做上去，让AI能力能够真正被一线业务自然使用起来。

如今，所有企业都在向着AIFirst转型，软件行业已成功跑通的三大事实：AI从建议走向执行、审查纠正沉淀最佳实践、高质量要求场景可规模化运行。软件研发和信贷作业有着高度的相似性，同样是智力密集型，同样有着强风险要求，所以这套范式也可以迁移到信贷作业。

这套能力具体落到架构上大概分成三层：最上层是BankerOne（数字分身业务层）、中间层是通用智能体内核（点金）、最下层是对接银行现有业务系统。

围绕这套架构有两个关键点，一个是混合算力，另一个是零侵入集成。数字分身会运行在金融云上，承担推理、任务编排等核心工作。一旦涉及敏感数据，任务就会被分发到本地环境中的算力池完成处理；同时不会修改银行现有信贷系统代码，把行内已有接口封装成标准化工具，供数字分身调用，每一次工具调用都会完整留痕，确保全过程可审计。

落地后体现的价值也显而易见。

核心价值一：Skill资产治理与双重收益

过去很多知识沉淀的动作本质上是面向组织的管理要求，员工要填模板、写报告，但这些事情和个人收益之间缺少直接关联，所以很容易流于形式。现在换了一种方式，先让个人资产沉淀下来，再进一步上浮为团队资产和组织资产。

核心价值二：分身链式协同与AI原生组织雏型

过去在对公授信场景里，大量关键判断都停留在专家个人经验里，同时信息又分散在多个系统中。现在走访企业之后，可以直接通过语音小记，把现场观察和风险判断沉淀到数字分身工作台里。后续客户经理完成尽调报告后，审批分身可以先于人完成材料审阅和初步判断，再由专家做最终确认。

至此，数字分身已完成从单点工具延展为贯穿贷前全链路的协同体系，这也意味着AIFirst组织开始具备了雏形。

信贷经理如何与自己的数字分身一起工作

大贷客户经理的工作主要分为客户拓客与筹备、深化沟通与实地走访、报告生成与预检三个阶段。通过数字分身工作台，这一整套作业流程可以由客户经理与数字分身协同完成。

阶段一：客户拓客与筹备

在拿到客户信息之后，大贷客户经理第一件事就是建档。这个过程通常意味着大量表单录入、跨系统查询，以及反复补充材料，一个初步建档就要花十几分钟，后面还要持续维护。

客户经理只需要描述一下情况，数字分身会自动调用行内系统、企业查询、行业报告等能力，完成客户建档、企业画像生成以及初步风险扫描。

例如，帮我记录一个客户情况，某公司是做动力电池，在常州有基地，二期产线预计6月投产，年销售额190亿，主要客户是吉利和长城，占比60%，应收账款800万左右，想申请5000万流动资金贷款，主要用于原材料采购，请帮我完成客户画像分析和建档。

接下来，大贷客户经理会先与客户进行电话沟通。在打完电话后，通过语音小记，简单口述数字分身就会自动完成语音转写、结构化解析和存档。

如果大贷客户经理发现某些内容缺失，比如遗漏了二期产线情况，可以直接通过对话方式继续修正。而这些修改、偏好以及处理习惯，都会持续沉淀到数字分身中，让这个分身越来越贴近该大贷客户经理自己的工作方式。

阶段二：深化沟通与实地走访

大贷客户经理和审批专员进行联合走访时，审批专员通常需要通过前期收集的资料，在走访前快速了解客户情况。

大贷客户经理只需要发起一句指令：“帮我生成客户概况一页纸，需要包含最近电话沟通内容。”数字分身就会自动把刚刚的电话沟通记录整合进来形成文档。

同时系统还可以触发联合走访邀约功能，比如大贷客户经理可以直接发起：“帮我约审批专员，安排5月15日下午去某公司常州基地走访。”数字分身会自动向审批专家发出邀约，并将访前一页纸同步推送给对应人员。

接下来大贷客户经理还要准备访前清单，数字分身会自动将本次走访的核心目的、需要核实的关键问题、重点材料采集项以及沟通关注点，帮助客户经理明确本次拜访的结构进行整理。

走访完成后，大贷客户经理可以在回程途中，通过语音方式快速完成记录实现留痕。比如：“刚从某公司基地出来，一期产线满产运行，二期厂房主体设备已安装完成，各种已到位，部分产线还在调试阶段。”

而且经过上述操作，大贷客户经理也会逐渐形成使用习惯，更主动地记录日常沟通与走访信息。因为这些信息不再只是“留痕”，还将驱动数字分身持续工作。

阶段三：报告生成与预检

在现场走访、沟通记录以及客户材料沉淀完成后，大贷客户经理可以直接发起指令：“帮我生成某公司的授信尽调报告，并基于今天走访的信息进行更新。”数字分身会自动调用对应的授信报告技能，结合客户档案、历史沟通、现场走访记录以及行内数据，生成尽调报告初稿。

系统中已经内置了对应场景下的报告模板和能力，可以满足不同客户类型、不同授信级别的报告模板和要求。

而且大贷客户经理还可以通过对话方式持续新增技能，也可以让数字分身对已有技能进行反思和优化，让整个生成逻辑越来越符合自己的工作习惯。

过去，大贷客户经理的整个工作流程非常依赖人工，有了数字分身这条链路被串联起来，大贷客户经理也将从重复性的流程操作中抽离出来，把更多精力放在关键判断与客户连接上。

AIFirst银行，会长成什么样？

点金银行员工数字分身工作台整套流程设计的核心理念，其实就一句话：人类掌舵，智能执行。关键决策权仍然留在一线专家手里，中间大量重复性、流程化的执行工作，则交给数字分身去完成。

具体的技术架构，Workspace是整个体系的中央核心，围绕客户、授信、项目等业务实体构建的完整上下文空间。支撑其运行的底座，则是基于点金通用智能体Harness Runtime，其除了模型，还覆盖提示词、工具、技能、记忆、沙箱、任务调度等完整基础设施。

在能力和治理上，构建了包括Skill体系治理、动态Skill编排、Skill快捷槽位能力，用于完成组织能力的结构化沉淀。

在能力和Skill体系上，设计了五层隔离机制，从用户、角色、Workspace到渠道，都会严格控制对话边界。再结合记忆压缩与长期记忆摘要机制，保证数字分身在长期使用过程中不会出现信息混乱或“失忆”问题。

在外部系统接入上，通过标准的MCP协议，可以较为低成本地接入银行内部系统以及外部数据源，实现数据与工具能力的统一调度。并且考虑到一线客户经理并不都是技术型角色，可以通过自然语言对话，来完成技能的沉淀与更新，让技能可以在自然语言环境中被创建、修改和复用，并进一步沉淀为团队甚至组织级能力。

最后审计与合规上，系统对数字分身的调用过程、推理路径以及产出结果都会进行全链路日志留存，确保每一步操作都可以回溯与留痕。

从整体架构来看，它更像是一套面向AIFirst组织构建的运行基础设施。

这也是为什么过去演进了二十年的数字化，走到了今天这个阶段出现了效率的天花板？

本质上，这一轮数字化做的事情，主要是把流程搬到了系统里，把文档、审批、数据处理逐步线上化，但真正在数字空间里操作的依然是人。

某农商银行的工作模式，恰恰折射出了当下行业的真实现状。目前对公客户经理大约80%的时间仍然在一线做联合走访和尽调，真正留在系统里的案头时间只占20%。在这种结构下，继续压缩案头时间、优化流程步骤，边际收益已经非常有限。

所以整个提效方式，本质上还是同一个维度的优化，带来的收益也更多是线性提升。点金今天要做的，是推动银行走向AIFirst的组织形态。

核心变化是把人推到两端，让AI来主导中间执行。一端是人来定义边界，包括准入规则、任务输入标准、合规红线；另一端是人在关键节点做确认和纠偏。中间的执行过程，则交给数字分身去接管。

在这种新范式下，组织效率的提升将从线性增长到指数跃迁。随着分身覆盖岗位越来越多，组织资产不断沉淀，新人上手速度加快，链路返工减少。中后台逐步专家化、精简化，前台也将逐渐成为一个个“超级个体”。