供应链金融用 AI：核验贸易真假是哪一层的事

供应链金融要解决的是一个具体问题：中小企业缺抵押物，但手上有真实的订单和应收账款。问题的关键随之变成“贸易是真是假”——有没有真实订单、有没有真实发货、回款路径清不清晰。AI 在这件事里干的是哪一层？答案可以先说：AI 负责数据层和模型层的汇总与初筛，“这笔生意做不做”的最终判断，必须由风控人员人工把关。

三层分工：数据层、模型层、决策层

把一次贸易真实性核验拆成三层，边界就清楚了。数据层：把合同、发票、物流单据、资金流水四类凭证汇集起来，用 OCR 识别、结构化抽取，回答“数据进来了没有”。模型层：交叉比对四类数据是否对得上，给交易打分、标异常，回答“哪些地方可疑”。决策层：综合模型输出、行业经验和现场尽调，回答“这笔授信做不做”。

AI 的能力覆盖前两层，价值很实在：人工核验一份合同加一套单据通常要按小时计，模型批量完成几十家上游供应商的初筛只要按分钟计。但第三层它进不来——这不是技术够不够先进的问题，是决策层要承担的责任没法外包给一个概率值。

授信环节：从看财报到看贸易数据

传统授信看财报和抵押物，供应链金融转向看贸易本身。核验的通用做法是四流比对：合同流（订单、采购合同是否真实存在）、货物流（运单、仓储记录与合同标的是否一致）、发票流（开票方、金额、时间与合同是否匹配）、资金流（回款路径和付款方是否指向交易对手）。四类数据对得上，贸易真实性的地基才成立。

模型在这层的典型用法有三个：比对合同与发票的关键字段，找出金额、日期、主体对不上的项；用知识图谱做关联关系识别，看出表面上无关的几家供应商是否指向同一控制人；对偏离行业常规模式的交易打分，比如一家贸易公司的物流成本长期显著低于同行。这些输出一律是“线索”，不是“结论”——它圈出值得人去看的地方，看不看、信不信，由人来定。

贷后：AI 盯信号，人做处置

放款之后，核验没有结束。贷后监控看两件事：资金流向是否按约定路径走、经营状况是否出现恶化信号。模型适合持续盯：回款延迟的规律、交易对手突然变更、开票金额连续下滑，这类信号机器比人敏感。

但信号的处置是人做。一条预警推到风控人员手里，接下来是联系企业、调取新单据、必要时现场核查，这些动作没有自动化的空间。成熟的节奏通常是“机器按月出监控报告、人工按周复核异常项”，两道关卡各司其职，预警才不会变成没人看的报表。

核验环节的分工对照

这张表的用法是检查分工有没有缺位：哪一格空着，哪一层就是当前流程的短板。决策层和贷后处置两格永远不能空。

核验分工速查

• 三层分工：数据层、模型层归 AI，决策层归人
• 四流比对：合同流、货物流、发票流、资金流
• 模型输出一律视为线索，不是结论
• 授信决策必须由风控人员人工把关，可解释是硬要求
• 底层数据造假，模型识别率再高也会失效

人工核验为什么不可替代

一是模型给的是概率，授信要的是结论。一个“疑似关联”的标签，商业上可能只是正常的集团内采购，这种判断依赖行业经验，不在模型的射程内。二是对抗性造假。如果底层交易就是伪造的，发票、合同、物流单据全套做假，模型看到的只是“看起来完整”的数据，识别率再高也会系统性失效——数据真实性是命门。三是偏见风险，训练数据里的历史偏差会让模型对某些类型的企业系统性不利，这种偏差要人来校准。四是可解释性，金融决策需要能向审批链说清依据，一句“模型打分低”过不了审。

这套“机器初筛、人工定论”的分工放到别的行业也成立：AI 读检测报告，靠谱还是靠不住拆的是同一种边界——机器读数和人工复核各自管一段；让 AI 拆治理方案还是照着话术签提醒的是别把模型的表面完整当成可信；公交调度用 AI 排班怎么才不堵演示的是算法出方案、调度员拍板的协作结构；看这类供应链技术新闻时，怎么分清技术叙事里的水分里的三步提问法可以直接用。

从业者常问的三个问题

• AI 核验能识别多大的造假比例？：没有任何可引用的通用数字，且高度依赖数据质量。对系统性全套造假，任何模型的识别率都会显著下降，这也是人工尽调存在的原因。具体能力以各机构实际模型表现为准。
• 小微企业没有完整单据，是不是就做不了？：恰恰是供应链金融想覆盖的对象。实践中常用核心企业的确权数据替代部分单据，但确权本身也要核。缺数据时模型能补的是交叉比对，补不了的是信息真空。
• 上了 AI 之后，风控团队能裁人吗？：分工变了，不是人少了。初筛和监控的工时被压缩，复核异常、现场尽调、最终决策的权重反而上升。把省下的工时投向复核深度，比砍编制更接近这套系统的正确用法。

本文只做行业应用的观察，不构成金融或经营决策建议，具体业务以监管规定和机构政策为准。

最后强调边界：本篇讲的是核验分工思路，不构成投资建议；涉及贸易纠纷、合同效力与追责认定的，请咨询执业律师。