AI 如何赋能银行风控会：从治理客体到治理工具的六项行动
核心摘要
- 风控会面对 AI 的双重身份：既是必须被治理的风险客体，也是可以用于治理的工具
- 董事会 AI 治理的六项行动，落到银行风控会需要逐条改写为风险语言
- 监管已明确要求董（理）事会指定专门委员会对人工智能开发应用负责
- 风控会真正稀缺的不是 AI 工具，而是能被质询、可追溯的 AI 风险视图
风控会面对 AI 的双重身份：既是必须被治理的风险客体，也是可以用于治理的工具
董事会 AI 治理的六项行动，落到银行风控会需要逐条改写为风险语言
监管已明确要求董（理）事会指定专门委员会对人工智能开发应用负责
风控会真正稀缺的不是 AI 工具，而是能被质询、可追溯的 AI 风险视图
2026 年 8 月，麦肯锡微信公众号刊文《AI改写规则：董事会如何自我进化》，讨论了一个正在全球董事会层面发酵的问题：AI 已成为决定企业未来的"大考"，但董事会治理普遍没有跟上。文中引用的一项针对全球董事的调查显示，66% 的受访者认为所在企业董事会对 AI 的"知识与经验不足，甚至没有"，近三分之一表示 AI 甚至未列入董事会议程；截至 2024 年，财富 100 强中仅有 39% 的企业披露了某种形式的董事会 AI 监督机制。
麦肯锡给出的解法是"两步走"：先明确企业的 AI 定位，再据此调整治理模式，并落地为六项关键行动。
这篇文章对企业界有普适价值，但对银行业来说，还有一个更具体的问题：谁在董事会以下、在风控的第一线，替董事会把这套框架真正跑起来？ 答案通常是风险管理委员会——实务中常被简称为"风控会"。本文以麦肯锡该文为骨架，讨论 AI 如何赋能银行风控会，以及风控会应如何被 AI 重塑。
素材说明：本文触发素材为微信公众号"麦肯锡"文章《AI改写规则：董事会如何自我进化》（2026-08-04），文中引用的 88%、39%、66%、MIT ROE 研究、75 名董事访谈、六项关键行动等数据与框架均转引自该文（UNTRUSTED，未经独立核实）；监管文件内容来自公开政策发布信息；银行案例数据转引自公开媒体报道与机构半年报披露（同样未经独立核实）。本文的分析框架、行动清单与指标体系为作者基于公开信息的整理，不构成监管或合规意见。
一、"风控会"到底指什么：三个层级，三种 AI 职责
讨论之前必须先分清对象。银行业所说的"风控会"至少存在三个层级，它们对 AI 的职责完全不同：
| 层级 | 典型名称 | 对 AI 的核心职责 | 决策性质 |
|---|---|---|---|
| 董事会层级 | 董事会风险管理委员会 | 审定 AI 风险偏好与容忍度；审议重大 AI 风险事项；确认管理层具备 AI 风险管理能力 | 战略监督、问责 |
| 高管层级 | 高级管理层风险管理委员会 / 风控委员会 | 审批高风险 AI 应用准入；审阅模型风险报告；裁定风险限额与缓释措施 | 经营决策、资源配置 |
| 执行层级 | 风险管理部、模型风险管理团队、业务风控单元 | 模型验证、监测预警、事件处置、整改跟踪 | 执行、报告 |
把三个层级分清楚，才能理解一个常见错位：很多银行把"AI 风控"理解为第三层级的事——把机器学习塞进反欺诈、反洗钱、信贷审批模型里；但麦肯锡那篇文章真正讨论的是第一层级的事——治理主体本身有没有能力理解并监督 AI。前者决定风控效率，后者决定风控是否可控。
二、为什么 AI 议题必然落到风控会的议程上
风控会不是"可以选择"是否面对 AI，而是被三股力量推到这条线上。
压力一：业务端的 AI 已经进入风险敏感环节
AI 在银行的应用早已越过客服与办公协同，进入信贷审批、资金交易、资产评估、承保理赔、风险管理等直接产生风险敞口的环节。据媒体报道，工商银行企业级智能风控平台已应用于全部境内分行、130 多个风控决策场景，并推出信贷 AI 智能体矩阵与信贷评审数字助手；邮储银行构建全链条反欺诈模型体系，其反洗钱体系每日加工约 1.27 亿笔交易流水、构建近百个可疑预警模型，可疑分析报告实现自动化生成，据称人工甄别效率提升约 30%；浙商银行建成"大模型+小模型"双引擎驱动的数智化监督体系，报告期内新增 120 余个业务风险模型（以上数据转引自公开报道，未经独立核实）。
这些数字说明一个事实：AI 已经从"效率工具"变成了"风险决策链的一部分"。当模型开始影响一笔贷款是否通过、一笔交易是否拦截，模型本身就成了风险来源，而风控会天然是这个风险的归口。
压力二：监管已经把 AI 治理的锚点钉在专门委员会上
2026 年 6 月 18 日，国家金融监督管理总局发布《关于银行业保险业人工智能安全开发应用的指导意见》，从治理架构、开发应用、数据治理、算力建设、风险管理、能力提升、保障与监督等方面提出 32 项指导性意见。其中治理架构部分的要求非常具体：董（理）事会指定专门委员会对人工智能开发应用管理负责，强化战略引领，统筹制定发展规划；同时要求建立覆盖需求分析、数据准备、训练开发、部署运行、维护迭代、评估退出的人工智能全生命周期管理体系。
文件还点名了高风险应用：涉及资金交易、资产评估、信贷审批、承保理赔、风险管理等场景，应履行严格准入程序，并建立人工监督、干预和退出机制；在数据安全方面明确，姓名、身份证号、手机号、银行卡号等个人信息和隐私数据不得用于生成式人工智能模型训练和优化；同时要求防范提示词注入、数据泄露、身份越权、工具滥用等风险。
这一段文字，实际上是把风控会的议程写进了监管文本：谁审批高风险 AI 应用、谁监督人工干预机制、谁评估退出条件，都必须有明确的委员会落点。 2026 年 7 月，金融监管总局会同中国人民银行、中国证监会、财政部联合发布《关于健全金融机构治理的实施意见》，提出 9 部分 22 条措施，明确到 2029 年形成"权责边界清晰、激励约束相容、风险管理严格、运转规范高效"的治理机制，同样指向治理主体的履职能力。
压力三：AI 改变了风险本身的形态
传统风控会熟悉的工具是限额、敞口、评级、拨备、压力测试，这些工具假设风险可以被静态计量并周期性复盘。AI 引入的变化在于：
- 风险动态化：模型会漂移、退化、被数据分布变化击穿，风险不再只在季度报表上出现，而在实时运行中生成；
- 风险隐蔽化：深度模型与生成式模型的可解释性有天然上限，国际清算银行金融稳定研究院的研究指出，现有可解释性技术存在不准确、不稳定、可能产生误导等局限，且第三方模型的引入会进一步放大这些困难；
- 风险集中化：多家机构可能依赖同一批基础模型与同一批供应商，"模型同质化"可能带来同向共振，这一点在历史上 VaR 模型于压力情景下同时失效已有先例；
- 责任分散化：当决策由模型辅助、外包平台提供、业务人员确认，责任链条比过去更长。
风险形态变了，风控会的监督方式也必须变——从"看结果"转向"看系统"，从"年度复盘"转向"持续可观测"。
三、AI 在风控会的双重身份：客体与工具
这是本文的核心论点：AI 对风控会而言同时扮演两种角色，任何一种角色的缺位都会让治理失衡。
身份一：AI 是治理客体（要被监督的对象）
需要被风控会监督的 AI 风险，至少包括六类：
| 风险类别 | 具体表现 | 风控会的质询要点 |
|---|---|---|
| 模型风险 | 精度衰减、漂移、过拟合、稳定性不足 | 模型清单是否完整？独立验证是否按期完成？ |
| 可解释性风险 | 黑箱决策难以向监管、客户、内部审计说明 | 关键决策能否给出可复核的理由？ |
| 数据风险 | 数据质量、来源合规、个人信息使用边界 | 训练数据来源是否可追溯？是否触及禁用信息类型？ |
| 第三方与供应链风险 | 外部模型、云平台、算力依赖 | 供应商失效时的替代方案与退出路径是什么？ |
| 新型技术风险 | 提示词注入、数据泄露、身份越权、工具滥用、幻觉 | 渗透测试与红队演练是否覆盖生成式场景？ |
| 公平性与伦理风险 | 算法歧视、不当差异化定价 | 是否有偏见检测与伦理审查记录？ |
身份二：AI 是治理工具（被用来做监督）
反过来，风控会也可以借助 AI 提升自身监督能力。可用的杠杆至少有五个：
- 风险视图自动化。把分散在信贷、市场、操作、合规各条线的风险数据汇成实时视图，让风控会看到的不再是几周前的报表快照。
- 模型风险集中监测。对企业级模型清单做统一登记、自动打标、漂移监控与到期提醒，把"模型有多少、状态如何"从人工问答变成系统输出。
- 情景与压力测试增强。用生成式能力辅助构造压力情景、生成反向假设，弥补人工情景库的视野局限（但情景设定仍须人工审定）。
- 会议材料智能化。把上会议题结构化、把历史决议与整改进度自动关联，缩短委员会的信息准备时间。
- 决策留痕与问责。对每次上会审议形成可追溯记录，明确"谁在什么信息基础上作出了什么判断"，为事后回溯提供证据链。
这里存在一个容易被忽视的失衡：多数机构把 AI 当成治理客体来管（建立模型风险管理制度、推进算法备案），却很少把 AI 当成治理工具来用。结果是监督成本上升、监督能力没上升——模型越来越多，风控会的视野没有变宽。
四、把麦肯锡的"四项 AI 定位"翻译成风控语言
麦肯锡原文提出用两个维度定义企业的 AI 定位——价值来源（战略性拓展 / 内部优化）与应用程度（全面应用 / 选择性应用），由此形成业务开拓、内部转型、职能重塑、稳健采用四种典型定位，并强调治理模式必须与定位匹配。
这套框架可以直接迁移到银行的风控域，但需要换一套语言：
| AI 定位 | 在银行风控场景中的对应形态 | 风控会的角色 |
|---|---|---|
| 业务开拓 | 将 AI 风控能力产品化对外输出（如对外提供智能风控、反欺诈服务） | 评估新业务模式带来的新型风险与资本占用，审查能力外溢的合规边界 |
| 内部转型 | 建设企业级智能风控平台，重构风险管理流程与组织分工 | 监督流程重构的结构性收益是否真实、系统韧性是否经过压测 |
| 职能重塑 | 在反欺诈、反洗钱、信贷审批辅助、贷后预警等具体职能部署 AI | 统筹各条线 AI 举措的一致性，管控供应商依赖，配置资源 |
| 稳健采用 | 只在已验证价值的场景审慎引入 | 关注战略准备度与"不作为的风险"，跟踪同业能力进展 |
五、六项行动的银行版：风控会该怎么落地
麦肯锡原文给出六项关键行动。以下逐条改写为风控会可直接采用的版本，并附建议的质询清单。
行动一：年度（至少）一次 AI 定位审查
原版要求董事会就企业 AI 定位达成共识并定期审查。风控会版本应当是：每年至少一次评估"AI 在本行风险体系中的角色"——哪些风险决策已被 AI 实质影响、影响程度如何、风险偏好是否需要调整。
关键点在于，这种审查不能替代日常监督。定位审查回答"我们要走到哪里"，日常监督回答"我们现在是否安全"，二者缺一不可。
建议质询清单：过去一年，AI 参与了多少比例的授信决策辅助？哪些高风险场景从试点转正式上线？我们的 AI 风险偏好是否需要重述？
行动二：明确 AI 治理的职责归属
原版要求界定哪些事项上董事会全体、哪些由专委会审议、哪些由管理层负责。风控会版本要解决一个更细的问题：三道防线与多个委员会之间的边界。
监管已经明确董（理）事会需指定专门委员会对 AI 开发应用管理负责。实践中的常见做法是：由董事会风险管理委员会（或科技/数据类专委会）承接最终监督责任，高管层风控会承担准入与限额决策，第一道防线（业务与科技）承担开发运营责任，第二道防线（风险与合规）承担独立评估，第三道防线（内审）承担独立审计。如果这个矩阵不写清楚，"专门委员会负责"就会停留在文件上。
建议质询清单：AI 高风险应用准入由谁签批？模型验证结果向哪个委员会报告？内审对 AI 的审计范围覆盖到哪里？
行动三：把 AI 治理框架制度化
原版指出，多数企业有 AI 原则，但不到四分之一拥有董事会批准的系统化 AI 治理政策。对银行而言，框架至少应明确四项内容：
- 规模化推广规则：AI 应用从试点转为正式投产的条件（性能指标、验证结论、监控就绪、退出预案）；
- 风险阈值与人工干预：哪些决策必须人工审批、哪些场景强制人工复核、到什么触发条件自动降级到人工。这与监管对高风险应用"人工监督、干预和退出机制"的要求直接对应；
- 供应商与数据边界：第三方模型准入评估、审计权、数据不出域、个人信息不得用于训练等条款；
- 升级上报触发机制：模型重大失效、数据泄露、歧视性结果、监管质询等事件的报告时限与报告对象。
建议质询清单：我们的 AI 治理政策是否经过委员会正式批准？上一次修订是什么时候？触发性上报最近一次实际发生过吗？
行动四：与一线负责人更频繁沟通
原版提醒董事不要只和 CEO、CFO 对话。风控会的对应版本是：不能只依赖风险管理部门的一次性汇报，应定期直接接触首席风险官、模型验证团队负责人、业务条线风控负责人、数据治理负责人与内审。
一线沟通的价值在于发现"报告之外的信号"：模型验证积压、数据质量问题、业务绕开监控的土办法、供应商支持响应不及时——这些通常不会主动出现在上会材料中。
建议质询清单：模型验证的平均排队时长是多少？有多少模型已过再验证到期日？业务侧是否存在绕过审批的替代做法？
行动五：把 AI 投入与风险价值挂钩
原版强调董事会应推动量化评估，而非停留在风险识别；并指出仅约 15% 的企业的董事会拥有 AI 相关衡量指标。风控会要建立的是风险侧的价值度量：不是问"AI 花了多少钱"，而是问"AI 让我们的风险成本、损失率、误报率、响应时间变化了多少"。
配套的指标建议在下一节展开。
行动六：提升风控会自身的 AI 素养
原版的观点值得直接借用：委员不必成为数据科学家，但要理解 AI 如何工作、风险在哪里。可行的做法包括：定期听取技术简报、安排专题培训、邀请外部专家与监管人士交流、在合规前提下亲自使用生成式工具以建立手感。
一个务实的检验方法是沙盘推演：给委员会一个假设场景（例如某核心反欺诈模型在促销期出现批量误判），观察委员会能否在信息不完整的情况下问出关键问题——如果问不出来，素养建设就还没有到位。
六、风控会的 AI 仪表盘：建议指标体系
麦肯锡文中建议董事会关注六类指标（业务 ROI、AI 赋能业务占比、系统韧性指标、员工技能再培训、监管合规对齐等）。风控会的仪表盘应当更偏风险侧，建议分为四组：
| 分组 | 指标示例 | 观察目的 |
|---|---|---|
| 覆盖与合规 | AI 应用清单完整率、高风险应用准入完成率、外部生成式模型备案/评估完成率 | 是否"看得见" |
| 模型健康度 | 按期验证率、漂移预警数、模型退役及时率、验证发现问题整改完成率 | 模型是否可信 |
| 人机协同 | 人工干预率、人工否决率、降级到人工的触发次数、误报率与漏报率 | 干预机制是否真的有效 |
| 效果与韧性 | 欺诈拦截金额/损失率变化、不良生成率变化、事件上报时效、演练通过率、覆盖率与业务连续性测试结果 | 风险是否被压住 |
七、监管坐标：国内与国际的双线参照
风控会搭建 AI 治理框架时，可以把国内监管要求与国际经验做成一张对照表：
| 维度 | 国内要求 | 国际参照 |
|---|---|---|
| 治理架构 | 《指导意见》要求董（理）事会指定专门委员会负责；AI 风险纳入全面风险管理体系 | 新加坡金管局 2025 年 11 月发布金融机构 AI 风险管理指引（基于 FEAT 原则），要求董事会层面监督与三道防线 |
| 全生命周期 | 覆盖需求分析、数据准备、训练开发、部署运行、维护迭代、评估退出 | 美国 SR 11-7 模型风险管理框架：模型开发、独立验证、治理政策与模型清单 |
| 高风险准入 | 信贷审批、资金交易、资产评估、承保理赔、风险管理等场景严格准入 + 人工监督、干预、退出 | 巴塞尔体系下的模型风险与外包风险管理要求 |
| 可解释性 | 提高透明度、促进可解释性 | 国际清算银行金融稳定研究院关于可解释性技术局限的研究；欧盟与德国的 AI/ICT 风险监管框架 |
| 数据与个人信息 | 个人信息与隐私数据不得用于生成式模型训练优化 | 各司法辖区数据保护规则下的 AI 处理限制 |
| 新技术风险 | 防范提示词注入、数据泄露、身份越权、工具滥用 | 新加坡 Project MindForge 对幻觉、提示词注入、数据泄露的关注 |
八、风控会自己用 AI 的边界
强调 AI 作为治理工具的同时，必须划清边界，否则会出现"用不可靠的工具监督不可靠的系统"的悖论：
- AI 可以生成材料，不能替代判断。机器可以整理风险数据、生成初稿、提示异常，但风险偏好、限额、准入与问责判断必须由人作出并留痕。
- 警惕反向幻觉。用生成式模型总结模型风险报告时，可能出现事实性错误或遗漏关键结论；关键材料必须保留溯源链接与原报告对照机制。
- 信息来源分级。外部材料与网络信息应视为未核实素材（UNTRUSTED），不得作为上会依据；内部数据的使用须遵循权限与脱敏要求。
- 会议纪要的敏感信息管理。将 AI 用于会议纪要、材料摘要时，需明确哪些信息可进入外部模型、哪些不得出域。
- 工具本身要纳入治理。风控会使用的 AI 工具同样是本行的 AI 应用，应纳入清单管理与准入流程——监督者不能自己站在治理框架之外。
九、落地路线图：30 / 90 / 180 天
| 阶段 | 关键动作 | 输出物 |
|---|---|---|
| 30 天 | 盘点全行 AI 应用与模型清单；明确委员会职责归属；识别高风险应用清单 | AI 应用台账、职责矩阵、高风险场景清单 |
| 90 天 | 建立 AI 风险指标集与报告模板；完成首批高风险应用的准入与验证；启动委员素养培训 | 指标仪表盘 v1、准入批复、培训记录 |
| 180 天 | 完成 AI 治理政策制度化（阈值、上报、供应商、退出）；开展一次沙盘推演与演练；将 AI 风险纳入内审计划 | 治理政策文件、演练报告、审计方案 |
十、结论：风控会的自我进化，是 AI 治理的真正落点
麦肯锡那篇文章的结论是：AI 浪潮下，董事会不能想当然地认为现有治理实践足以应对新挑战。把这句话放到银行语境里，可以再具体一层：
风控会的挑战不是"要不要用 AI 风控"，而是"风控会自身是否已经具备监督 AI 的能力"。
这件事没有外包选项。你可以采购模型、采购平台、采购算力，但你买不到一个能对模型风险提出高质量质询的委员会。AI 赋能风控会的最终形态，不是给风控会配一个大屏仪表盘，而是让委员会具备三种能力：看得见（风险视图完整）、问得出（质询精准）、追得回（决策可追溯）。
这三项能力，恰好都无法由供应商交付，只能由治理主体自己长出来。
FAQ
Q1：本文讨论的"风控会"和"董事会"是什么关系？
A1：风控会是董事会治理框架在风险管理领域的专门落点。董事会负责定方向、定风险偏好并问责，风控会（含高管层委员会）负责把偏好转化为准入、限额与监督动作。监管在《指导意见》中要求董（理）事会指定专门委员会对 AI 开发应用管理负责，实际承接者通常就是风险管理类或科技数据类专门委员会。
Q2：银行里的"AI 风控"和"风控 AI 治理"是一回事吗？
A2：不是。前者指用 AI 做风险识别与决策（反欺诈、反洗钱、信贷审批辅助），属于工具应用；后者指对 AI 本身带来的风险进行治理（模型风险、可解释性、数据、第三方、新型攻击面），属于监督职责。两者必须同步推进，但归属、责任与评价标准不同。
Q3：中小银行资源有限，也应该建这么重的治理体系吗？
A3：轻重不是按机构规模，而是按 AI 风险敞口。中小银行多数处于"稳健采用"或"职能重塑"定位，可以优先做三件事：AI 应用与模型清单、高风险应用准入流程、人工干预机制。这三项是监管的底线要求，也是成本最低的部分；其余的指标细化与演练，可随应用规模扩展逐步补齐。
Q4：模型清单和传统模型台账有什么区别？
A4：传统台账通常以监管报送为目的，覆盖的是评分卡、PD/LGD、压力测试等计量模型；AI 时代的清单要扩展到生成式应用、智能体、第三方模型、甚至员工自行接入的工具，并记录版本、验证状态、到期时间、依赖关系与退役计划。清单不全，后续一切都无从谈起。
Q5：怎么判断"人工干预机制"是不是形式主义？
A5：看三个证据：干预是否发生在决策前而非事后追认；干预是否留有理由与责任人；干预比例是否被独立抽样复核过。若人工干预率长期为 0 或接近 100%，都说明机制设计有问题——前者说明无人真正干预，后者说明模型没有产生实际价值。
Q6：风控会自己做 AI 素养建设，有没有可量化的标准？
A6：可以设三条：委员能说清本行前三大 AI 风险及其触发条件；委员会能在一次会议内对一份模型验证报告提出至少三个实质性质询；重大 AI 事件在约定时限内完成上会审议。这三条来自实践而非理论，可作为年度自评基线。
事实来源
- 分析素材（UNTRUSTED，未经独立核实）：微信公众号"麦肯锡"文章《AI改写规则：董事会如何自我进化》，2026-08-04，https://mp.weixin.qq.com/s/eB8-DXcMp2cEdvOqFL8GZg ；文中 88%、39%、66%、MIT ROE 研究（10.9% / -3.8%）、75 名董事访谈、四项 AI 定位与六项关键行动均转引自该文。
- 监管文件（公开信息）：国家金融监督管理总局《关于银行业保险业人工智能安全开发应用的指导意见》（2026-06-18 发布，32 项指导性意见），及其答记者问；《银行业保险业数字金融高质量发展实施方案》（33 项任务，涉及智能风控体系与企业级模型风险管理平台、算法透明度与可解释性）；金融监管总局、中国人民银行、中国证监会、财政部《关于健全金融机构治理的实施意见》（2026-07-31，9 部分 22 条）。
- 国际参照（公开信息）：新加坡金融管理局人工智能风险管理指引（2025-11 咨询文件，基于 FEAT 原则）；美国联邦储备委员会与货币监理署 SR 11-7 模型风险管理指引（2011）；国际清算银行金融稳定研究院关于监管机构应对 AI 可解释性的研究论文。
- 行业动态（转引自公开报道与机构半年报披露，未经独立核实）：新华网关于银行大模型应用与智能风控的报道（2025-09-10，涉及工商银行、邮储银行、浙商银行、兴业银行相关披露）；证券之星关于 2025 年金融业 AI 应用的报道（涉及建设银行、蚂蚁消金相关披露）。
- 文中表格、行动清单与指标体系为作者基于公开信息的整理，非监管原文表述。
作者毕超，金融行业风险管理从业者。本文仅代表作者个人观点，不构成任何机构立场，亦不构成监管或合规意见；具体落地请以监管机构正式文件为准。
（内容由AI生成，仅供参考）