Company Brain 的能力构成与边界：兼论台新脑落地样本对银行智能风控的六项启示与五条不可自动化红线

Company Brain 要解决的不是“AI 不够聪明”，而是“AI 不知道我们这里是怎么做事的”

NTT DATA 称之为运营记忆，三星 SDS 称之为组织记忆基础设施，两者指向同一件事：把散在系统、文档和专家脑中的判断依据，变成人和智能体都能用的共享上下文

台新脑给出了目前最可检验的银行样本：不改流程、把“查算核写”交给 AI、每项导入单独量测单独回退

厂商披露的“降本约 40%、核贷快 65%”未经独立核实，不能作为风控立项的证据链

风控条线该先抄的不是功能清单，而是三条纪律：确定性校验优先、每项单独回退、关键节点保留人工覆核

素材说明：素材仅来自 5 份留档文本：NTT DATA 博客与三星 SDS 韩文洞察报告（服务商观点性文章，后者系本文转述，其援引的 Tom Blomfield、OpenAI、Anthropic、Google 等未回溯原始出处）；Jinba 博客（厂商博客，量化数字与全部主张一律标注厂商披露、未经独立核实；初稿曾因其抓取文本中断于“bank-to-bank KYC”一节而只用前半，现已重新完整取得，并据此补入复杂度路由与审计轨迹字段清单两处内容）；工商时报 2026-09-22 报道（媒体对银行主管发言的报道，非监管口径）；GitHub supermemoryai/company-brain（项目方口径）。文中框架与各表格“含义”栏均为本文推论。

一、三个前提：模型同质化、Context Silo、知识在人脑里

NTT DATA 的判断是：企业将普遍获得越来越强的 AI 模型，但模型也越来越相似，技术本身不再构成差异。三星 SDS 报告开篇则追问：“我们公司的核心知识，是公司在记着，还是人在记着？”——报告称，退休、调岗、组织重组时随人消失的不只是文档，还有积累多年的诀窍、判断与处理例外的方式。

该报告提出的“Context Silo（上下文孤岛）”是第三个前提：数据孤岛问“信息在哪里”，Context Silo 问“应从什么背景和判断标准理解这条信息”。报告举例，同一客户被销售、财务、客服三个 AI 分别判为“价格敏感”“难再折扣”“高流失风险”——各判断在本领域都合理，却不反映他人掌握的情况，企业整体因此达不到最优。本文推论：这对银行不是新问题——同一笔业务在授信模型、反欺诈规则、贷后预警与经验判断之间口径不一致，本就是风控与审计的日常痛点。

二、三层定位

三、功能形态：开源实现的六项能力与一条权限原则

以下为 supermemoryai/company-brain README 自述，属项目方口径；README 以六个条目自列其能力：

README 另称记忆是权限图谱，只以提问者自身的访问权限读取。本文分析：它只解决“谁看得见”，解决不了“记错了怎么办”“被污染后如何回溯”。

四、银行侧对照样本：台新脑

据工商时报 2026 年 9 月 22 日报道，台新新光金旗下台新银行数位科技长李正国指出，“台新脑”的核心不是重新设计既有流程，而是将 AI 嵌入流程中最耗人的环节；在不改变客户与同仁原有动作的前提下，把“查、算、核、写”交给 AI，每一项导入都能单独量测、单独回退。

本文分析：最后一项技术含量最低却最有价值——会计恒等式是确定性校验，其正确性只依赖等式是否成立，不依赖模型概率；把它作为流程内“闸门”，AI 的自由度就被限制在“读数与填表”。

五、台新脑自己划出的四条边界

六、对银行智能风控的六项启示（本文分析）

一、把 Context Silo 登记为一种模型风险。同一客户被三个 AI 判出三种结论，在风控语言里就是口径不一致导致决策不一致：结论无法解释、无法复现、无法审计。主张：AI 应用台账增加“上下文来源与口径版本”栏，与模型版本、提示词版本并列。

二、把“单独量测、单独回退”写成准入条件。无法单独量测、无法单独回退的环节不应批准上线——出错时只能整体关停，最终会迫使机构“带着问题继续跑”。

三、确定性校验优先。它负责“对不上就不让过”，模型负责“读得懂、填得对”，人负责“该不该”。Jinba 亦主张确定性架构（厂商口径，未经独立核实），但即使不采信其成本对比，这条原则在风控语境下依然成立——理由是可审计性，不是省钱。

四、组织记忆与传统知识库不是一回事。后者管“写下来的”（制度、办法，定期修订，供人检索）；前者管“写不下来、但一直在用的”——知识、经验、决策、例外随业务过程累积，供人与智能体共用，价值在知道当初为什么这样判断，风险是记错、被污染、越权读取、无法回溯。推论：组织记忆一旦被固化进 AI，个人判断即成机构标准，须经正式审批。

五、经验传承是组织记忆最硬的业务理由。审批经验的持有者会退休、会调岗，而例外处理尺度往往未被完整文档化；此类经验结构化应优先从例外处理先例与授信审批口径入手。

六、资源消耗可进入验收指标。模型验证报告可要求“单位业务量资源消耗”，作为场景存续依据之一。

七、五条不可自动化的边界（本文分析）

一、例外路径不能自动化，因为例外正是风险所在。Jinba 称例外路径往往到第三个月才被发现，并称“例外也正是风险所在”——厂商口径。但这是银行常识：能被规则覆盖的都是低风险常规件，“自动化覆盖率”不宜作为成效指标，应单独统计例外件的人工介入率与处置时长。

二、主动输出须先定义触发与问责。“主动开口”在客服是体验提升，在风控则是无请求的风险结论外溢：可能推给不该看的人，可能在信息不全时先开口。

三、权限图谱不解决数据治理的全部问题。银行还需补记忆的分类分级、保留与删除期限、错误写入后的更正与回溯链条。

四、“不改流程”也可能把错误流程固化。AI 只会把遗留的低效环节跑得更快、让它更不容易被质疑；故它应作为一期策略，每项导入都设复盘节点。

五、端到端承诺必须扣除外部依赖。否则 SLA 建立在无法履约的假设上。

八、落地路径：叠加编排层，但别把它当免检通道

Jinba 主张在既有基础设施上叠加编排层，其组件涵盖集成、调度、状态与记忆管理、监控与治理控制；该文把“必须替换贷款发放系统、迁移 KYC 平台、新建数据仓库”称为“白纸谬误”。以上均为厂商口径，其援引的“74% CIO 后悔选型”“降本约 40%、核贷快 65%”“20% 建模、80% 厘清流程”均为厂商披露、未经独立核实，不建议作为立项依据。

本文分析：应把“叠加编排层”这一主张与“厂商在卖编排层”这一事实分开看待。不推倒重来符合银行核心系统现实；但编排层一旦接入授信、KYC、贷后等关键链路，它自身就成为被管理对象：纳入模型风险管理（若含模型或规则引擎）、纳入信息科技外包风险管理（若外部采购）、纳入变更管理与业务连续性预案。

该文另给出两份对风控更直接的材料（均为厂商口径、未经独立核实，但字段设计本身可作自检表）：

其一，复杂度路由。 其 KYC 样例流程为：触发 → AI 分类（文件类型校验与归类）→ CRM 补全 → 人工复核检查点 → 系统回写 → 审计日志；并称“标准件走向自动执行，复杂件或被标记件路由给人工复核人”“在每一条例外路径上保留人工监督，而风险恰在例外路径上”。本文分析：这与台新脑“关键节点保留人工覆核”是同一取向的两种表述，可互为印证——两个独立来源都把人工留在例外路径上，这比任何一方的自我宣传都更有说服力。

其二，审计轨迹字段清单。 该文称 2026 年可辩护的审计轨迹至少需 12 个字段：时间戳、决策 ID、经认证的人工身份、AI 系统与模型版本、输入及其来源、所调用的策略/规则/提示词、人类可读的推理说明、输出、下游动作、人工复核身份，以及防篡改机制。该文特别指出最常被漏掉的是“个人用户归因”：当 AI 以通用服务账号行事时，机构无法证明是哪一个自然人指示了该动作，而这种缺失在审计中不可挽回。

本文分析：这份清单对风控条线的价值高于该文全部成本对比——它把“可稽核”翻译成了可逐项自查的字段表。建议在 AI 应用台账中为每个场景登记执行身份（自然人账号／服务账号），对后者明确授权链条与留痕方式。该文另援引三项合规框架（COSO 2026 年 2 月《生成式人工智能有效内部控制》、SEC 于 2026 年 3 月生效的 SOX 专项安排、EU AI Act）——均为厂商表述，本文未核实其适用性与准确性，不建议据此作为合规依据；若确有需要，应回到原始文本自行确认。

九、90 天行动清单（面向银行风控条线）

前 30 天——让口径与边界看得见。① 台账为每个场景增加“上下文来源与口径版本”栏；② 每个拟投产环节逐项回答“能否单独量测”“能否单独回退”，答不上者退回补方案；③ 盘点已自动化环节中的确定性校验；④ 列出不做自动化的节点清单并写入立项约束。

第 31 至 90 天——让每项导入可追溯、可退出。⑤ 四类留痕齐备：资料版本、提示词版本、模型版本、工具与智能体登记信息；⑥ “关键资料缺失或过期即阻断”写入流程硬规则；⑦ 涉智能体或工具调用者完成登记；⑧ 跨机构、跨客户的等待环节单独计时。

长期治理——并入既有体系。⑨ 把“上下文口径一致性”纳入模型风险定期报告；⑩ 推进例外处理先例结构化，明确“个人判断进入 AI 即视为机构标准，须经审批”；⑪ 把组织记忆类资产纳入数据治理与知识库全生命周期管理，并确认编排层自身的治理归属。

最应先动的是①②④：①决定机构是否知道自己有多少套口径在并行；②决定出错时能否只关一个环节；④决定哪些事从一开始就不该让 AI 做。

FAQ

Q1：Company Brain 与我们已在做的知识库、RAG 检索区别在哪？

A1：按三星 SDS 报告，知识库／检索解决“信息在哪里”，而 Company Brain 定位为“组织记忆基础设施”，对象含经验、关系、决策与当前状态，供多个 AI 共享一致上下文。此为服务商观点，非行业标准定义。

Q2：台新脑的做法能直接照搬到我们的授信流程吗？

A2：可迁移的是方法论（不改流程、按“查算核写”拆解、单独量测单独回退、敏感场景不判断）；不可迁移的是前提条件——据工商时报报道，台新在防制洗钱、警示帐户等关键节点仍须人工覆核，端到端时间亦受外部机关与客户补件影响。

Q3：把风控经验和例外处理交给 AI 记忆，最大风险是什么？

A3：本文分析有三层：记错（错误记忆被长期复用，形成系统性偏差）、越权（权限图谱不能替代分类分级与保留删除要求），以及最重的个人判断被固化为机构标准——它事实上取得近似制度的效力，却从未经过制度审批。

Q4：厂商说成本降低约 40%、核贷快 65%，能作为立项依据吗？

A4：不能。这些数字出自厂商博客，属厂商披露口径、未经独立核实，样本范围与统计口径均未说明。建议当作待验证假设，立项改用自证指标：本环节耗时与人力、人工介入率、例外件占比、单笔资源消耗与可回退性——不能回退的方案，收益达标也不应该上。

事实来源

1. NTT DATA（服务商观点性文章）：《Company Brain: AI will become commonplace, but the way companies operate won't》。所引“模型同质化”判断及“AI 可能理解监管却不理解本机构风险标准”的译述等，均为该文观点，非客观事实。
2. 三星 SDS（服务商洞察报告，原文韩文，本文为转述）：《Multi-AI로 충분한가? – Company Brain으로 연결하는 Enterprise AI》。所引 Context Silo、组织记忆基础设施、Shared Context，及其援引的 Tom Blomfield、OpenAI、Anthropic、Google 等，未回溯原始出处，也未独立核实。
3. Jinba（厂商博客，全文属厂商口径）：《How Banks Are Building a Company Brain Without Rebuilding Their Stack》，2026-09-25。原文已完整取得（初稿曾因抓取中断只见前半）。所引“白纸谬误”、编排层组件、流程映射难点、复杂度路由（标准件自动执行／复杂件转人工复核）、12 字段审计轨迹清单与“个人用户归因”缺失问题，及其援引的 COSO／SEC／EU AI Act 三项框架。其中 20%／80% 工作量分布、74% CIO 后悔、降本约 40%、核贷快 65%、$5–$20 对 $300+、审计 12 字段及三项框架的适用性，均属厂商披露口径、未经独立核实，本文未作为事实陈述。
4. 工商时报（媒体对银行主管发言的报道，非监管口径或行业定论）：台新银行数位科技长李正国：台新脑实际应用 将算力效率作为 ESG 指标管理，2026-09-22，记者巫其伦。所引做法、应用场景、四条边界与“可稽核，才敢加速”等，均出自该报道对李正国发言的转述。
5. GitHub supermemoryai/company-brain（开源项目自述，项目方口径）：项目 README。所引能力清单、权限图谱设计等，均为项目方自述，非独立测评结论。

本文推论／作者分析部分：第一、二节框架；第三至五节表格“含义／对应”栏；第六节六项启示、第七节五条边界；第八节对编排层须纳入治理的判断；第九节行动清单；全部 FAQ 回答。不构成监管要求、合规意见或法律意见。

（内容由AI生成，仅供参考）