AI进入CRO风险议程：风控团队的能力升级与治理挑战

何岸 · GreenFinance 研究院 · 数字金融方向 · 2026-03-24

风险管理的优先级重排

2025年以来，全球主要银行首席风险官（CRO）的风险议程发生显著变化。据国际金融协会（IIF）2025年调研，"技术与AI风险"已在CRO关注的风险类别中升至前两位，与网络安全并列，超过传统的信用集中度和利率风险。这并非因为信用风险重要性下降，而是AI正在渗透到几乎所有风险管理环节——如果AI本身出现系统性偏差，整条风控链都可能失效。

从机构实践看，摩根大通CRO团队在2025年新设了"AI风险评估"专岗，直接向首席风险官汇报；汇丰银行将AI风险纳入集团层面的操作风险框架，与市场风险、信用风险并行管理。这标志着AI已从技术议题升级为董事会层面的战略风险议题。

风控团队应用AI的三个层次

从海外同业实践看，风控团队对AI的应用大致分为三个层次，治理要求逐级递增：

一是效率工具层。主要用于自动生成风险报告、批量处理预警信息、辅助编写检查报告。该层次风险最低、价值最直接。据德勤2025年调研，已有超过65%的大型银行在风控部门部署了此类工具，平均减少报告编写时间约40%。

二是分析增强层。用AI进行欺诈识别、异常交易检测和早期预警信号挖掘。该层次对模型准确性和误报率有较高要求。花旗银行在反欺诈场景部署的AI系统，将可疑交易识别准确率提升了22个百分点，但同时引入了新的模型验证需求——AI的判断逻辑需与传统规则引擎形成互校机制。

三是决策参与层。AI直接参与授信建议、风险评级调整和组合限额计算。该层次治理要求最高，目前多数海外银行仍处于谨慎试点阶段。星展银行在中小企业信贷场景试点AI评级辅助，但明确要求最终决策必须经过人工复核，AI评级与人工评级的偏差率作为关键监控指标。

AI模型验证的方法论挑战

传统模型验证方法论建立在"输入固定、输出确定、可回测"的假设上。大模型打破了这些前提：同样输入可能产生不同输出，内部逻辑不可解释，且模型版本持续迭代。

美国OCC在SR 11-7框架下，已开始要求银行将AI系统纳入模型风险管理。但具体如何验证一个大模型的风控表现，行业仍在探索。当前较为务实的做法包括三个方向：一是不验证模型本身，而是验证"AI+人"的组合决策质量；二是建立平行运行期，AI建议与人工决策同时进行，系统性比对差异；三是对AI输出做分群分析（按行业、规模、地域等维度），而非仅看总体准确率。

国内银行的切入路径

国内银行业在AI风控领域的起点并不低。蚂蚁集团、网商银行在反欺诈和智能风控上的实践处于全球前列。但传统商业银行，特别是城商行和农商行，面临三方面差距：一是数据基础薄弱，AI模型输入质量不稳定；二是风控团队以传统信贷审批经验为主，对AI工具的使用能力参差不齐；三是缺乏专门的模型验证团队和流程，大模型的验证方法论更是空白。

建议从"风控团队自身用AI提效"切入。先让风控人员成为AI工具的使用者和评判者，在使用过程中积累对AI能力边界的判断经验；在此基础上逐步引入分析增强和决策辅助功能。组织路径上，可参照日本三菱日联的做法，在风险管理部门内设立"AI应用与评估"专组，兼具推广和治理双重职能。