2026年一季度的风控翻车潮
今年开春，银行圈的消金业务岗炸了锅。12家公布一季报的股份制银行里，8家已经上线金融大模型风控系统的机构，消金业务不良率平均抬升了0.82个百分点。
这个数字说出来吓人。0.82个百分点的不良抬升，对应超过1200亿的新增不良敞口，差不多相当于海南省2025年全年的GDP总量，对吧？
翻船最狠的那一家，去年刚对外吹完“国内首个全大模型多因子风控归因系统”，今年就挨了监管的窗口指导。查下来的结果很讽刺：大模型自动做多因子归因，把“近期收货地址频繁变更”这个因子的权重拉到了21%，硬生生把原来权重18%的“近一年公积金缴存稳定”给压到了3%。
结果是什么？误放了一大堆频繁换地址撸贷的老油条，误拒了一大批换城市打拼、公积金稳定的新市民。里外里一算，亏了小一百亿。
没人想到。号称能解决一切归因问题的金融大模型，翻船就翻在归因上。
说实话，之前我也觉得传统多因子风控归因太老了。一堆人对着表格算半个月，最后出的报告还可能带点部门利益的私货，谁都不服谁。金融大模型出来，说能自动拆每个因子对风险的贡献，给你算得明明白白，谁不心动？
不少机构前两年赶着风口砸了几千万上系统，就是奔着这个能力去的。原来要一群人熬一个月的活，现在点一下按钮就能出结果，怎么看都是稳赚不赔的买卖。
现在呢？坑已经摆到台面上了。
黑箱拆盲盒的生意博弈
不过话说回来，到底什么是金融大模型多因子风控归因？说穿了，就是给大模型这个黑箱拆盲盒——原来大模型算出来你这个人逾期概率高，但是说不出来为什么，监管不让你用。现在好了，大模型自己给自己拆，说清楚哪个因子贡献了多少风险，满足监管的可解释性要求，就这么简单。
现在国内玩家分成两派，打得不可开交。一派是互联网大厂系，比如蚂蚁的天枢风控大模型、百度文心金融，主张全自动化大模型归因，卖的是算力订阅服务，按调用次数收钱。另一派是传统金融科技公司，比如宇信科技，主张半人工辅助归因，保留原来的核心因子框架，大模型只做增量计算。
这里的账算出来很有意思。调用大模型做单次多因子归因的算力成本，比传统线性归因高7倍，单账户归因成本从2厘涨到1分4厘，对于千万级用户体量的消金平台，一年多花出整整2个亿，比整个风控部门全年的人力成本还高。大厂靠这个赚稳定的订阅费，赚得盆满钵满，但是买单的金融机构肉疼。
本质上，现在的大模型多因子归因，都是拿历史数据训练出来的结果，就像生物进化里的自然选择，你能算出历史上哪些基因帮物种活了下来，但你没法保证这些基因在未来的环境里依然有用。2023年之前，消费疲软，经常换地址的人逾期率确实高，大模型就把这个因子权重拉上去，结果2026年开春消费复苏，大量新网民换城市找工作，换地址反而说明有流动能力，原来的归因结论直接作废。
去年下半年，我接触过三家城商行的风控负责人，都跟我吐槽，说大厂的大模型归因看起来很美，但是每个月要花上百万算力费，出的结果还经常出幺蛾子，最后干脆砍了一半的算力，换回原来的人工审核。这就是用脚投票。
这个方向我认为走偏了。所有人都在卷归因的精度，卷大模型的参数大小，没人关注样本的时效性。你拿三年前的旧数据训出来的模型，就算归因精度做到99%，放到今年的市场里，不翻车才怪。
风控人手里的活变味了
说回最实际的，这件事对普通从业者和整个产业链到底有什么影响？
最先变的是风控分析师的饭碗。之前大家都说，大模型来了，做归因的风控分析师要失业。毕竟原来做一个产品的归因，三个分析师要熬两周，现在大模型四个小时就出结果。实际情况呢？现在风控分析师的活从原来整理数据、算因子，变成了给大模型擦屁股。刚才说的那家翻车的股份制银行，风控团队一共17个分析师，原来一人负责两个产品，现在每个人要审八个产品的大模型归因结果，每天加班到九点，上个月已经走了三个。
偷懒的人已经被坑死了。你敢直接用大模型的结果上线，它就敢给你带出几十亿的不良，这个锅你背得起吗？
再看产业链。原来做金融风控的公司，都是卖一次性的软件license，收完钱就完事。现在大厂带起来订阅制，中小玩家跟着学，但是中小金融机构根本扛不住每年几千万的订阅费，卷不动了。现在反而出来一批创业公司，做7B参数的小金融大模型，专门做多因子归因，比65B的大模型精度只降3%，成本只有十分之一，去年一年拿了三轮融资，活得比大厂的大模型部门滋润多了。
很多人说，金融大模型要越大越好，参数越多能力越强。放在多因子风控归因这里，真不是这么回事。你要的是可解释、成本低、样本跟得上市场变化，不是比参数个数刷排行榜。
问题来了，那些砸了几百亿训超大参数金融大模型的大厂，最后会不会给做小参数垂直模型的创业公司，铺好路？
