来源：鑫智奖·2025第六届金融机构数智化转型优秀案例评选

获奖单位：平安银行汽车金融

荣获奖项：数字风控优秀案例奖

一、项目背景及目标

平安银行汽车金融在自动化风控体系方面经历了从1.0到2.0的升级，但业务发展仍面临多重挑战：欺诈手段不断升级，2023年欺诈金额超2亿；客户资质认定难度大，直接认定类收入客群占比不足5%，客群分级管理困难，数据孤岛问题突出；质检、审批、催收等流程效率较低，风险审批单笔处理时效约15分钟，催收作业高度依赖传统电催，转化率有待提升。

在此背景下，平安银行汽车金融构建了基于大模型的金融风控系统Amigo，通过科技手段解决业务痛点。针对欺诈问题，项目提出了基于多维度引擎的实时反欺诈技术，实现多模态实时反欺诈；针对客群分级管理难、数据孤岛问题，项目提出基于量子传输与隐私计算的智慧客群分级方案，实现数据高效利用和隐私保护的平衡；针对质检、审批、催收流程效率低的问题，项目提出了面向多源异构数据的AI辅助质检/审批/催收系统，全链路辅助人工质检、审批和催收，赋能风控提质增效。

二、创新点

（1）业务创新

A.智慧客群分级管理：针对客群分级不精准导致客户资质认定难的问题，通过构建机构差异化风险策略体系，利用大数据分析、隐私计算技术对不同车型进行风险分级管理，实现了风险精细化管理，管理颗粒度下探至二级机构维度。高风险机构强化策略管控，有助于清查高风险客户；风险管理策略向低风险机构倾斜，实现新发放资产质量优化。在全国经济水平差异大的情况下，避免风险政策一刀切，提升管理精度，实现规模、质量与效益平衡。同时，试点在汽融一二级机构间、汽融与公安交管间使用量子隐形传输，传输百兆级原始业务数据摘要和操作行为数据，以实现敏感数据安全、高效传输，并基于技术防窃听、防破解特性，保障数据使用的合规性。

B.全链路风控自动审批：针对现有系统风险审批效率低、人工质检效率低、人工催收转化差的问题，利用基于大模型的多专家决策融合机制，实现了审批过程的自动化、智能化与高效化。具体而言，本项目构建了基于大模型的智能审批引擎，其核心在于强大的大模型处理能力，能够实时分析海量数据，快速识别风险点，并给出精准评估。同时，系统整合了多位风控专家的知识与经验，形成多专家混合决策机制，有效避免了单一决策带来的片面性。新增64条线上化规则（含车商质检），优化17个语音模型，显著提升审批效率与准确性。此外，该系统还具备自我学习与优化能力，能够根据历史审批数据不断迭代升级，使审批流程更加贴合实际业务需求。通过减少人工干预，系统有效降低了人为因素导致的审批延误与错误，确保了审批过程的正确性与客观性。

C.多维度反欺诈识别：针对欺诈手段层出不穷、欺诈金额高的问题，为解决传统风控体系对信贷资金流向和使用情况缺乏有效监控的问题，确保信贷资金安全合规使用，降低风险管理及反欺诈损失，创新引入基于深度学习的图像识别技术，构建经销商家访照片库，筛查不同经销商使用同一展厅准入的欺诈行为，有效降低高风险案件发生。通过结合经销商黑背景项目，进一步完善图片库建设，构建交易网络、关系图谱和行为模式图，捕捉复杂的关系和动态变化，从而有效识别团体欺诈行为。此外，项目通过优化预期信用损失模型，构建零售风险统一的预警平台，加强各事业部间风险信息的交互，实现风险联动，建立预警分级机制，实现精细化组合管理，提高汽车金融反欺诈精度。

D.AI高效催收：针对现有催收系统效率低下、催收转化差、成本高昂的问题，构建面向多源异构数据的大模型高效催收系统。在催收前，利用大模型分析客户的信用历史、消费行为、还款记录等数据，生成详细的客户画像，并根据客户的实时行为和反馈，动态调整催收策略，例如选择最佳的沟通时间和方式，或提供灵活的还款方案（如分期还款）；在催收中，实时监控对话内容，识别客户的情绪和潜在的违规行为（如威胁、隐私泄露等），及时提醒催收员调整沟通方式以避免违规，以及根据对话内容，实时提供沟通技巧和话术建议，提升催收员的专业性和沟通效果；在催收后，分析历史催收数据，生成催收报告，优化催收策略，提升催收成功率。

（2）技术创新点

A.多专家混合大模型基座技术：基于平安银行大模型及行业先进开源大模型技术，打造面向低资源的深度思考专家混合模型，针对汽车金融不同阶段和场景构建不同领域的专业模型，如客户营销专家模型、个性化运营专家模型、反欺诈专家模型、资产保全专家模型、合规专家模型、风险预警专家模型、贷款催收专家模型。客户营销专家模型利用基于大数据的客户画像，进行个性化营销，推荐客户关心和关注的汽车金融产品，提高客户满意度。个性化运营专家模型针对不同客户的兴趣及关注点，提供个性化服务。反欺诈专家模型利用大模型分析识别虚假信息，结合图神经网络分析关联交易网络，打击团伙骗贷等实践场景应用。资产保全专家模型通过对车辆残值进行预测，优化抵押物管理，降低资产损失风险。合规专家模型通过实时对接监管政策变化，自动生成合规报告，显著减少人工审核成本。风险预警专家模型通过分析用户画像及行为数据，对高风险客户进行智能筛选，并及时执行预警及应对措施。贷款催收专家模型整合吸收海量催收话术，对于不同的贷款案件进行针对性和多维度催收，大大提升催收效率以及收款效果。

B.多源异构数据融合技术：针对现实中如交易记录、社交信息、车辆轨迹、车辆运行数据、电池健康度、充电行为等多源异构数据难以有效利用的痛点问题，利用深度学习智能处理技术，深度融合多源异构数据，实现多源异构数据的理解、处理和分析。通过构建高效的数据融合算法，将不同来源、不同格式的数据进行整合和清洗，使其能够为风险评估模型所用。例如，将车辆轨迹数据与客户交易记录相结合，若发现车辆行驶至可疑地点且同时出现异常大额交易，系统将提高风险预警级别。这种多源异构数据融合技术，打破了传统风控模型仅依赖单一或少量数据来源的局限，为风险评估提供了更全面、准确的数据支持。

C.量子隐形传态与隐私计算技术：针对汽车金融隐私及涉密数据流通与可用性差的问题，利用量子纠缠隐形传态(试点中)及隐私计算（如联邦学习）实现隐私客群分级建模，实现数据可用不可见，助力汽车金融智慧客群分级。量子隐形传态是一种基于量子纠缠特性的信息传输技术，通过纠缠态的建立和操控，实现量子信息（如量子比特状态）的瞬时传递，而无需物理载体直接传输，通过量子机器学习的算法实现客群聚类分级。联邦学习技术通过加密技术实现不直接传递明文信息，实现跨机构数据共享时的隐私保护，不仅可以减少数据泄露导致的安全风险，还提升了不良贷款识别率与客群分级的颗粒度。

D.基于知识图谱的反欺诈模型：针对现实欺诈场景中存在团伙及高危欺诈的风险，通过对汽车金融业务设计的多种实体，如借款人、车辆、经销商、金融机构等，构建实体之间的复杂关系网络，利用图神经网络算法实现欺诈监测、信用评分优化、风险预测与预警。通过构建交易网络、关系图谱和行为模式图，捕捉复杂的关系和动态变化，从而有效识别欺诈行为。例如，图神经网络通过分析交易网络中的异常模式，如频繁的小额交易或短时间内大额资金流动，来识别洗钱、信用卡欺诈等复杂欺诈活动。在风险预测与预警方面，图神经网络通过整合多源数据，包括交易记录、用户行为和设备使用模式，生成丰富的上下文信息，从而更精准地预测违约风险和市场风险。例如，通过分析用户的行为和设备使用模式，识别与欺诈行为相关的异常模式，如频繁更换设备或使用与欺诈活动相关的设备，实现预警相关欺诈的行为。

E.基于人工智能的动态风险评估模型：采用人工智能技术，构建动态风险评估模型。区别于传统的静态风险评估模型，本模型能够根据实时获取的客户数据和市场环境变化，自动调整风险评估参数，实现风险的动态监测与精准评估。例如，利用深度学习算法对客户的消费行为、还款记录等数据进行实时分析，若客户近期消费行为出现异常波动，模型将及时调整其风险评分。同时，通过引入强化学习技术，让模型在不断的实践中自我优化，提高风险评估的准确性和适应性。

三、项目技术方案

(1) 系统技术架构

本系统是基于平安银行大模型的金融风控“操作系统”Amigo 的技术架构，旨在赋能重构汽融风控体系，其主要由输入输出模块、记忆器、控制器、运算器和存储器五大部件组成。输入输出模块负责多源多端数据的交互，数据来源包括 APP、小程序、网页、业务系统等，并且支持 LUI 多模态用户交互。记忆器使得系统具备长短时记忆和深度思考能力，能处理连续的长短上下文信息。控制器采用专家混合MoE 模式，包含评估器、任务管理器和决策器。评估器对输入信息评估，任务管理器下发任务，决策器做出决策。运算器由多业务智能体组成，包含多智能体，利用损失引导的强化学学习，通过检索增强生成（RAG）技术，并调用业务工具 API，实现对各种业务数据的运算处理。存储器包括向量数据库、图数据库和结构化数据库，用于存储数据，同时还有私有知识库和公共知识库，方便数据的沉淀和调用，支持系统的学习和决策。

系统业务架构

涵盖了入口层、基础层、服务系统层和应用层，各层相互协作，共同为汽车金融业务提供全面的风险控制保障。入口层包含口袋银行、微信公众号、车E通和PC网页端，为用户提供了多样化的接入方式，方便不同习惯和需求的用户便捷地参与到汽车金融业务中。基础层则负责收集来自不同源头、不同结构的数据，为后续的风险分析提供丰富且全面的数据基础。服务系统层处于承上启下的关键位置,对业务所涉及的核心系统、反欺诈系统及审批系统进行有机结合。应用层是风控体系与实际业务场景的直接对接层面，以客户为主体，为汽车金融贷前、贷中、贷后全流程业务提供数智化风控管理。整体而言，系统业务架构构建了一个从数据基础、系统支撑到业务应用的完整闭环，实现了对汽车金融业务全流程的风险管控，有助于提升金融机构的风险管理能力和市场竞争力，促进汽车金融业务的稳健发展。

(3) 系统数据架构

该系统数据架构在数据接入和应用层面展现强大能力，为汽车金融业务及更广泛场景提供坚实支撑。在研发层面，依托湖仓一体存储模式，贯穿需求、研发、运行、运营全阶段。在需求阶段，精准捕捉经营分析、营销、风险、运营、坐席作业、AI建模等前端业务的数据需求；研发阶段，借助批流一体开发IDE、可视化规则变量配置工具以及统一SQL语义层引擎，实现业务模型开发与批流任务创建；运行阶段，保障离线调度跑批和实时流计算的高效执行；运营阶段，通过缺陷作业识别、任务成本和价值分析以及任务生命周期运营，持续优化数据处理流程与质量。

(4) 系统安全架构

在技术防护层面，采用了多种先进的安全技术。防火墙技术作为网络安全的第一道防线，对进出网络的数据进行严格筛选和控制，阻挡外部非法网络访问和恶意流量。漏洞扫描技术定期对系统进行全面检测，查找可能存在的安全漏洞，以便及时进行修复，降低被攻击的风险。防病毒系统则持续监控和清除系统中的病毒、恶意软件等威胁，保护系统的正常运行和数据安全。在审计监督方面，设置了出域流量

审计和系统安全审计。出域流量审计对平台向外流出的网络流量进行详细记录和分析，防止数据泄露等安全事件发生。在架构与制度保障上，系统架构安全从整体设计和部署层面考虑安全因素，如合理的网络架构划分、安全的系统组件配置等，增强系统的抗攻击能力。

四、项目过程管理

(1)2021年1月，技术预研，包括隐私计算、大模型、量子机器学习等，并将相应成果发表论文及专利。

(2)2023年1月，项目任务书下达，平安银行研发团队正式承接“数字化转型驱动下的汽车金融风控体系重构”项目。

(3)2023年3月，需求分析完成，全面梳理平安汽车金融业务流程及风控痛点，形成详细的需求分析报告。

(4)2023年5月，系统详细设计完成，确定系统架构、功能模块及数据交互方式，产出系统设计文档。

(5)2023年 9月，系统编码、测试及上线准备完成，完成系统开发并进行多轮内部测试，准备试点上线。

(6)2023年11月，在汽融深圳、广州、北京、上海等10个分中心开展试点运行，收集反馈数据。

(7)2024年3月，收集试点数据及案例，优化风控体系，上线2.0版本。

(8)2024年5-7月，扩大试点范围，在汽融成都、西安、昆明、杭州等50家分中心进行二批试点。

2024年8-12月，试点分中心稳定运行，扩展至在平安汽车金融全机构运行，实现全面覆盖。

五、运营情况

（1）智慧客群分级

结合大模型底座的风控平台，针对二手车业务，实施了高风险特征客群排查和管控策略，包括高风险行为、车型特征、前车主异常及融资租赁贷款等，优化新户质量5%，影响业务量1%。贷前排查发现36名异常客户，贷后早期降低欺诈风险。周度排查超期案件，处理12笔欺诈业务，并对石家庄、长沙、广州分中心开展专项检视。车商贷方面，对151家高风险车商实施额度管控，其中98家恢复正常，53家冻结。4家车商发生舆情事件，涉及金额800.2万元，通过贷后追踪回款55.6万元。

（2）全流程AI辅助质检

在新车领域应用新风控方案后，通过高风险客群特征分析，精准识别潜在欺诈风险，并结合客户历史购车行为数据，针对近12个月内有购车记录的客群制定专项反欺诈策略。通过风险审查审批对客户购车行为进行专项排查，核查客户资质及用车行为，有效降低了15%的欺诈风险案件。同时，通过对本人查询反欺诈策略的回溯和优化迭代，预计拦截10%的欺诈风险案件，进一步优化新车产品风险表现。此外，通过逐月分析风险指标及客群结构，及时发现异常问题，并向业务部门及分中心下发高风险预警提示函，要求对异常问题展开全方位排查，针对重大异常问题通过策略及流程的调优进行管控。在二手车领域，持续加强欺诈风险排查力度，坚决处罚欺诈行为。2024年累计排查发现174笔欺诈业务，涉及合肥、厦门、沈阳、长沙、上海、红河等18家分中心，贷款金额达6500万元。通过加强风险管控，2024年1-10月累计新户质量显著提升25%（从0.33%提升至0.41%），有效提升了二手车业务的整体风险表现。

（3）审批团队提质增效

随着审批案件业务量的持续增长，传统人工审批模式面临耗时长、效率低的挑战。为应对这一问题，通过引入大模型，助力审批作业人员提升业务处理效率。得益于大模型支持，人工审批单一案件时长缩短60%，审批效率显著提升。2024年审批业务量较2023年增长超2万件，增长比例达219%，人均审批产能提升37.5%，充分展现了大模型在审批流程中的提质增效作用。

（4）提升贷款资金流向监控效能

通过大模型优化贷后资金监控逻辑。针对违规案件，大模型能够快速识别集中供款、资金回流、贷后转账交易集中度异常、首三期非本人还款以及自主支付贷款流向违规等风险特征，并协助开展风险提示、违规案件处罚等管理措施。2024年，通过大模型的智能分析，累计认定集中供款违规案件255笔，资金回流违规案件201笔，贷后转账交易集中度违规案件97笔，首三期非本人还款违规案件1466笔，自主支付贷款流向违规8399笔，均已要求分中心采取结清、上浮利率或签署承诺函等管控措施。在专项资金流向排查方面，通过大模型对车主贷贷后资金的专项排查，累计排查89笔借据，结合流向集中度和还款集中度特征深入分析，最终认定违约贷款74笔，违约率高达83.15%，均已顺利完成处置。此外，针对常规排查案件，大模型能够进一步挖掘分析具有聚类风险特征或客户经理、经销商存在可疑行为的高风险案件，累计对分中心及相关业务部门发布25次排查风险提示，要求分中心对客户经理以及经销商进行延伸排查，涉及22个分中心、148笔贷款、52名客户经理，并关停11家经销商。通过大模型的智能化支持，贷后资金监控和管理效率显著提升，风险防控能力进一步增强。

六、项目成效

（1）经济效益

A.强化风险防控收益：基于大数据与人工智能构建的动态风险评估模型，对汽车金融业务风险进行实时监测与精准预警。在风险识别上，拦截高欺诈风险案件9,893笔，识别300+家黑中介，涉及贷款金额合计20.02亿，减少欺诈损失1.8亿。强大的风险防控能力为平安汽车金融业务提升优质客户占比、清查高风险客户、深耕存量客户经营提供抓手，新户质量优化20%+，优质客户占比提升14%，极大提升企业的盈利能力与抗风险能力。

B.赋能车贷流程自动化：利用多专家混合大模型技术，优化汽车金融营销、运营、结构化/非结构数据审核、视频验车、资产评估、审核、决策等全流程，实现风控流程全智能化辅助审批，显著简化审批流程。平安汽融整体进件自动化率97.1%，贷款流程效率较平台上线前提升20%；风控人工审批量年减少6.25万件；案件质检检出率提升20%，实时纠错9628 笔。

C.助力业务规模扩张：数字化转型驱动下的汽车金融风控体系，以其精准的风险评估能力，突破传统风控局限，开拓出崭新的业务领域。在新能源车金融领域，借助对历史购车行为、客户资质及用车行为、申请信息一致性等数据的深 度剖析，为购车贷款、二手车贷款客户提供适合的汽车金融服务，新增放款金额达54.4亿元。这一系列成果有力推动汽车金融业务在新兴领域的规模化发展。整体而言，通过业务规模扩张、流程降本增益以及风险防控收益，项目总计创造经济效益23,440万元。

（2）社会效益

从行业角度看，本项目构建的风控体系为汽车金融行业树立了数字化转型标杆，推动了行业整体风控水平提升。其成功经验促使其他金融机构加大在金融科技领域投入，加速行业技术革新，规范市场秩序，减少因风控漏洞导致的不良竞争，维护金融市场稳定。

在社会经济层面，系统助力汽车金融业务拓展，刺激汽车消费市场。高效的信贷审批与精准风控，使更多消费者能够便捷获取汽车金融服务，带动汽车产业链上下游发展，创造大量就业岗位，从汽车生产、销售到售后等环节，促进劳动力市场活跃，推动经济增长。

此外，项目覆盖二手车及新能源车金融市场，对环保意义重大。二手车金融的发展促进车辆循环利用，减少资源浪费；新能源车金融支持绿色出行，降低碳排放，助力实现国家“双碳”目标，提升社会整体环保效益，为可持续发展贡献力量。

七、经验总结

（1）项目建设经验

A.技术底座构建：基于平安银行大模型及开源技术打造金融风控系统Amigo，构建反欺诈、审批、催收等7大领域专业智能体，实现从“单一规则引擎”到“智能决策体系”跨越。融合量子计算（试点量子隐形传态）、隐私计算（联邦学习）、多源异构数据融合（整合交易、车辆轨迹等数据）、知识图谱（构建实体关系网络）等技术，突破数据孤岛与效率瓶颈。

B.场景化解决方案设计

贷前：通过大数据+隐私计算实现客群分级颗粒度下探至二级机构，试点量子传输保障数据安全，针对高风险车商实施额度管控。

贷中：大模型智能审批引擎缩短审批时效至“分钟级”，AI 辅助质检系统提升检出率20%，覆盖新车、二手车、车抵贷全品类风控。

贷后：大模型催收系统动态调整策略，资金监控识别超万笔违规交易，结合风险预警与处置措施提升管理效率。

C.跨部门协同机制

研发团队联合业务、风控、合规等部门成立专项小组，打通数据共享壁垒（如汽融与公安交管试点数据互通），建立“需求调研-技术开发-业务验证”闭环。

（2）项目推广经验

A.分阶段试点路径

从10个分中心起步，收集反馈优化2.0版本后扩展至50家分中心，最终全机构覆盖，降低转型风险。

标准化复制与敏捷迭代：提炼“试点-验证-迭代-复制”方法论，将深圳、广州等试点经验转化为可复用的风控策略（如客群分级模型、反欺诈规则），快速向全国分中心推广。

建立“风险指标监测-预警提示-策略调优”机制，2024年累计下发25 次风险提示，覆盖102个分中心，实现推广过程中持续优化。

B.行业标杆效应打造

通过经济效益（减少欺诈损失1.8亿、创造收益超2.3亿）与社会效益（推动行业科技投入、助力“双碳”目标）形成示范效应，吸引同业借鉴技术路径与管理模式。

通过“技术+场景+管理”一体化方案，提升汽车金融行业整体风控水平，规范市场秩序。

更多金融科技案例和金融数据智能优秀解决方案，请在数字金融创新知识服务平台-金科创新社案例库、选型库查看。