一位做电子元器件贸易的老板最近问了个很具体的问题：客户回款周期从 60 天拖到 95 天，能不能上个 AI 模型提前预警，别再等账期到了才发现对方没钱。这个需求真实、紧迫，也代表了当下大量中小企业对 AI 风控的典型期待——不是要一个炫技的算法，而是要少踩一次坏账的坑。
但真正开始推进时，问题往往不在模型，而在模型之外。数据散在业务员的微信里、财务的表格里、老板的脑子里；规则靠老员工经验口头传递；出了误判，没人说得清是数据错、规则错还是模型错。于是项目做了一半，团队开始怀疑 AI 本身。
误区一：把风控等同于买模型
最常见的做法是先找一家供应商，问有没有现成的风控模型。可模型只是判断层，它的输入来自数据、它的边界来自规则、它的兜底来自人。前两层没搭好，模型越复杂，误判越难解释。对中小企业来说，先想清楚“我凭什么判断一个客户有风险”，比先选模型重要得多。
误区二：数据越多越好
另一个极端是追求大而全的数据中台。实际上，风控起步阶段真正有用的数据往往只有几类：历史回款记录、合同履约情况、客户经营状态的公开信息、以及一线业务人员的异常反馈。把这些结构化、留痕、可追溯，效果远好于接入一堆用不上的外部数据源。
误区三：指望 AI 替代判断
风控的本质是承担不确定性，而不是消灭不确定性。AI 能做的是把重复的筛查、比对、预警自动化，把人的注意力释放到真正需要判断的边界案例上。如果组织里没有人对最终决策负责，再准的模型也只是一个没人敢用的参考意见。
趋势判断：风控正在从规则走向分层
过去中小企业风控靠三条线：老板拍板、财务卡账期、业务员盯人。现在更可行的结构是三层：底层是规则引擎处理明确红线，中层是模型做概率排序和异常识别，顶层是人做边界决策与关系维护。AI 的价值集中在中层，它让“哪些客户值得多看一眼”变得可计算。
可执行动作一：先做数据分层
建议用一周时间做一件小事：把客户数据分成“必须准确”“尽量完整”“可有可无”三档。合同金额、回款日期、逾期天数属于第一档，必须系统留痕；客户行业、规模、联系人变更属于第二档；社交舆情之类属于第三档。先把第一档跑通，模型才有可靠输入。
可执行动作二：把规则写下来再交给模型
把老员工脑子里的判断标准写成清单：哪些情况直接拒、哪些情况要加担保、哪些情况只需缩短账期。这份清单本身就是规则引擎的雏形，也是未来训练和校准模型的标签来源。没有这份清单，模型学到的只是噪声。
人机复核要设计成流程而非口号
比较务实的做法是设置“模型预警—人工复核—结果回写”的闭环。模型给出高风险名单，业务和财务在固定时间内复核并标注真实原因，这些标注反过来校准模型。坚持三个月，预警准确率通常会有可感知的提升，团队对系统的信任也会建立起来。
行业 AI 在风控前后能做些什么
在贷前尽调环节，行业 AI 可以辅助整理公开信息、生成客户画像初稿；在贷后环节，数字人可用于标准化的回访与提醒，把人工从重复沟通中解放出来；在内容侧，GEO 与 AI 创作能力可以帮助企业把风控政策、账期规则做成客户看得懂、搜得到的说明材料，减少因信息不对称产生的纠纷。这些能力不替代判断，但能显著降低执行成本。
一个常见的落地节奏
比较稳妥的节奏是：第一个月梳理规则与数据分层，第二个月上线规则引擎与基础预警，第三个月引入模型做排序，第四个月建立复核闭环。每个阶段都设一个可验证的小目标，比如逾期名单命中率、复核耗时、坏账率变化。小步快跑，比一次性大投入更容易活下来。