顾雷：人工智能赋能数字普惠金融的六大负面效应

2026-09-15 · 信钰配资

当前人工智能已深度渗透实体经济与普惠金融领域，社会各界对技术赋能金融的讨论日趋热烈。面对技术快速迭代，如何客观审视人工智能给数字普惠金融带来的多重影响，是现实提出的重要命题。围绕普惠金融如何应对人工智能现实挑战、金融行业应当如何拥抱智能技术变革、应用人工智能应当坚守何种价值底线等核心问题，形成三篇研究文稿：《 上篇：人工智能对数字普惠金融的六大边际效用 》剖

当前人工智能已深度渗透实体经济与普惠金融领域，社会各界对技术赋能金融的讨论日趋热烈。面对技术快速迭代，如何客观审视人工智能给数字普惠金融带来的多重影响，是现实提出的重要命题。围绕普惠金融如何应对人工智能现实挑战、金融行业应当如何拥抱智能技术变革、应用人工智能应当坚守何种价值底线等核心问题，形成三篇研究文稿：《 上篇：人工智能对数字普惠金融的六大边际效用 》剖析技术赋能的正向价值；《 中篇：人工智能赋能数字普惠金融的负面效应 》辨析技术应用衍生的各类风险；《 下篇：人工智能驱动数字普惠金融的规制边界与发展方向 》探讨规制框架与未来路径。三篇系列文章兼顾机遇与风险，剖析人工智能对数字普惠金融的复杂影响，以期为大家理性看待人工智能与数字普惠金融融合发展提供思考参考。

文/顾雷（北京大学普惠金融与法律监管研究基地副主任、中国地方金融研究院副院长）

人工智能作为数字金融转型升级的核心 驱动力 ，对数字普惠金融产生了全方位、深层次、颠覆性的边际变革，从商业模式、风控逻辑、服务体验、产品供给、监管合规、底层技术六大维度，彻底突破了传统数字普惠金融的发展瓶颈。技术赋能下，数字普惠金融实现了商业可持续性提升、风险防控精准化、服务供给普惠化、产品体系多元化、监管治理现代化、技术底座稳固化的全方位升级，有效破解了金融资源配置不均、弱势群体金融可得性不足、普惠服务质量偏低等行业难题，为金融高质量发展、金融为民理念落地提供了坚实支撑。但人工智能并非完美的技术工具，其嵌入数字普惠金融全链条的过程中，也衍生出新的风险矛盾，在算法机制、数据安全、市场公平、消费者保护、行业发展、治理成本等层面带来多重负面作用，客观上制约数字普惠金融普惠价值充分释放。

第一，算法偏见与歧视引发金融排斥，偏离普惠金融本源诉求。

普惠金融的核心要义，在于消除身份、地域、收入、职业带来的金融壁垒，保障小微企业主、农户、灵活就业人员等社会低收入群体平等获得金融服务的机会。而人工智能在数字普惠金融中的广泛应用，在提升效率的同时，也在风控、定价、授信等环节引入了新的不确定性——算法偏见与算法歧视，与普惠金融“包容性”目标形成冲突。

从成因机理看，算法歧视并非技术刻意为之，而更多是“历史偏见的自动化延续”。人工智能风控模型高度依赖历史业务数据训练而成，而历史数据本身是既有金融资源分配格局的映射。过去多年间，农村居民、个体工商户、灵活就业人员、中老年群体长期处于金融服务供给的边缘地带，其信贷行为、履约记录在历史数据样本中天然稀疏、碎片化。当算法以这批“幸存者数据”为学习对象时，它习得的并不是群体的真实信用水平，而是历史资源配置失衡下的结果性偏差。这种偏差会被模型的统计规律固化、放大，并在每一次决策中被无差别地复现，表面上是机器在“客观”地自动决策，实质上是把过去金融体系对特定群体的结构性不公，转化为一串看似中立的技术规则。

从表现形态看，算法歧视往往以三种方式潜藏于业务流程之中。 一是“样本偏差型歧视”，因训练样本对特定群体覆盖不足，模型对这类群体的风险评估缺乏有效参考，倾向于默认其风险偏高，整体抬高授信门槛；二是“替代指标型歧视”，部分机构在缺乏征信数据时，转而以用户手机使用时长、消费偏好、社交活跃度等替代指标推算信用，而这些指标极易与收入水平、地域属性、职业特征产生相关性，形成间接的歧视性定价；三是“动态演化的隐性歧视”，模型随新增数据持续迭代，若缺乏公平性校验，历史上的歧视性决策会不断自我强化，偏差越滚越大，最终固化为稳定的“算法层面的金融排斥”。

从现实影响看，算法歧视带来的负面效应是多重的。对被排斥的群体而言，农村小微经营主体因无法获得与自身真实经营状况匹配的授信，被迫转向非正规渠道融资，融资成本与风险双双抬升；中老年群体即便具备稳定的养老收入和房产等资产，也可能因行为数据积累不足而被系统判定为“高风险客户”。对市场整体而言，算法歧视扭曲了风险定价的信号功能，让真正具有还款能力与经营潜力的长尾客户得不到支持，造成金融资源的错配与浪费，也削弱了数字普惠金融“输血实体经济毛细血管”的政策初衷。

算法黑箱进一步放大了上述问题。多数智能风控模型决策逻辑不透明，被拒贷的消费者往往只能收到一条格式化的拒绝通知，无法获知具体原因，更无从知晓自己是否因身份、地域、年龄等非信用因素受到不公对待。技术本应消除信息壁垒，却可能以“效率”之名，在看不见的算法深处筑起新的高墙。这与普惠金融强调的“公平可得”“程序正义”形成鲜明对照，例如，某头部互联网平台曾推出面向小微经营者的纯线上信用贷款产品，其智能风控模型高度依赖平台商户历史交易数据与关联消费行为。在实际授信过程中，不少县域经营稳定的餐饮、农资商户，因线上交易流水分散、缺少传统征信记录，被模型认定风险偏高，授信额度显著低于经营规模相当的一线城市商户，部分商户甚至遭到直接拒贷。

这一案例揭示的正是样本偏差与替代指标共同作用下形成的系统性金融排斥：金融基础设施越薄弱、数字化参与程度越低的地区和群体，就越容易被算法置于不利处境。

第二，数据过度采集和算法滥用，推高金融消费者隐私与权益受损风险。

人工智能模型运转高度依赖海量多维度用户数据，为训练优化获客、风控、定价算法，部分机构会超出业务必要边界，过度收集用户行为数据、社交数据、生活场景信息。为不断提升模型精准度、实现千人千面定价与精准获客，部分金融机构、助贷平台及科技服务商往往会突破“最小必要”的数据采集原则，出现超范围、超用途、超频次的数据攫取行为，使普惠金融场景成为个人信息过度收集、违规流转、算法滥用的高发领域，容易衍生出数据泄露风险的放大问题。

总体而言，人工智能驱动下的数据滥用风险，不再是单点、偶然、个案式的隐私泄露，而是机制化、流程化、常态化的隐私风险。数据采集边界的泛化、数据治理能力的失衡、算法推演能力的滥用、弱势群体防护能力的薄弱，共同构成数字普惠金融时代隐私保护的突出矛盾，若缺乏严格的制度约束与技术管控，智能技术不仅无法赋能金融普惠，反而会演变为侵害消费者权益、加剧金融不公的新型工具。

第三，算法诱导及过度营销催生过度负债，损坏金融消费者权益。

人工智能强大的用户画像、行为识别、需求预判能力，容易被异化为商业诱导的手段。部分市场经营主体将业务转化效率、放款规模作为算法模型的优化目标，把利润指标置于消费者权益保护之上，对下沉市场群体、青年群体、低收入群体开展高频、定向的信贷产品投喂。但问题是，这类群体本身金融素养参差不齐，风险识别、成本比价能力相对薄弱，面对算法持续推送的便捷借贷入口，很容易弱化对债务成本、还款压力的理性判断。在这种信息展示偏向的引导之下，大量消费者容易产生非理性借贷行为，多头借贷、以贷养贷现象随之滋生，逐步陷入过度负债的困境，个体债务风险不断累积。

显然，算法黑箱的存在不仅加大了监管与维权难度，营销推送、利率测算均在后台自动完成，金融消费者也很难举证自身遭受算法诱导或者算法歧视，监管机构更难识别每一条推送背后的决策逻辑，使得算法诱导、不当营销具备较强的隐蔽性，长期侵蚀金融消费者合法权益。

第四，风险形态隐蔽化与传导提速，放大普惠金融系统性风险隐患。

在人工智能全面赋能普惠金融之后，金融业务审批、授信、放款、复审全流程实现无人化、秒级化、自动化运行，海量小额、高频、碎片化的普惠交易瞬间完成，整个业务链条几乎无人工干预空间。高度自动化的业务体系，在提升服务效率的同时，重塑了普惠金融的风险形态与传播规律，使金融风险呈现隐蔽化、智能化、同质化、共振化的全新特征，大幅提升了风险识别难度与系统性隐患。

首先，欺诈风险走向智能化、对抗化，隐蔽性大幅增强。不法分子可以同步依托人工智能技术开展反向对抗式欺诈，形成“AI风控对抗AI骗贷”的新型博弈格局。通过AI换脸、AI语音合成、批量生成虚假经营流水、智能伪造营业执照、模拟真实交易场景等技术手段，不法分子可以精准绕过传统风控规则漏洞，批量制造看似合规、实则虚假的授信条件。显然，相较于传统人工骗贷手段，智能欺诈批量性强、仿真度高、痕迹量少，精准针对算法模型的识别逻辑进行定向规避，常规风控模型难以甄别真伪，导致大量虚假授信、违规放款潜藏在海量普惠业务中，长期难以暴露。

其次，小额分散的业务特征掩盖潜在风险，风险潜伏期大幅拉长。在人工审核时代，小额异常业务尚可被人工复核捕捉，而在AI批量自动化处理模式下，海量正常交易淹没了少数异常违约苗头，个体欺诈风险、隐性逾期风险被大规模业务数据掩盖，呈现“风险潜伏、隐蔽积累”的特征，风险识别难度更大、隐蔽性更强、传导速度更快、联动效应更明显，对普惠金融市场稳定运行与风险治理体系构成了全新挑战。

第五，技术鸿沟致数字分化，弱势群体技术红利获取受限。

当前人工智能普惠金融服务体系，全面依托线上智能界面、算法弹窗推送、智能语音交互、电子协议签署、线上智能审批、自助申诉维权等数字化形式落地，整套服务逻辑建立在用户具备基础数字操作能力、信息辨识能力、算法理解能力与线上维权能力的基础之上。对于城市中青年群体、高学历群体而言，智能服务高效便捷、体验流畅，但对于老年群体、农村低学历人群、偏远地区居民、务工弱势群体，普遍存在数字认知薄弱、智能设备操作生疏、金融专业知识匮乏、对算法机制完全陌生的现实短板。

从实际服务场景来看，即便金融机构针对老年、农村用户简化了操作界面、优化了基础交互体验，但其底层的算法匹配逻辑、风险披露规则、产品定价机制、线上权责条款，依然高度专业化、智能化、抽象化。在市场实践中，依然存在最需要金融帮扶的弱势群体，无法读懂算法自动生成的产品适配说明、利率构成、风险提示与还款规则，难以辨别智能推送内容的优劣与风险，只能被动接受系统默认推荐的金融产品与服务方案，无法享受AI降本增效、精准适配的红利，最终陷入“服务看得见、操作不会用、风险看不懂、维权无门路”的尴尬困境。反观那些金融素养高、数字能力强的群体，能够精准利用AI智能匹配、差异化低利率、智能风控授信等技术优势，享受更低融资成本、更优质的金融服务，最终智能技术红利呈现结构性倾斜：

由此可见，人工智能本是弥合金融不公、缩小服务差距的工具，却因人群数字能力的不均衡，衍生出新型技术排斥与数字分化，让普惠金融的公平性、包容性被部分消解，暴露了“能不能用好金融服务”的新难题，成为新时代数字普惠金融高质量发展、全面保障弱势群体金融权益的重要阻碍。

第六，技术成本分化加剧马太效应，挤压中小机构生存空间。

人工智能体系的落地与持续迭代，对资金投入、算力储备、技术人才、模型研发能力提出了极高门槛。高质量智能风控体系、大数据治理平台、AI大模型训练与算法动态优化，均需要长期、高额的持续性技术投入，形成了明显的技术资金壁垒。

在行业格局中，大型商业银行、头部金融科技平台资本雄厚、技术储备充足，能够持续搭建先进算力底座、迭代智能算法、优化普惠产品体系，不断提升风控精度、降低服务成本、精准挖掘下沉市场优质客群，不断抢占下沉市场优质客户资源。与之相对，大量深耕县域、扎根基层、专注服务小微与乡村群体的地方中小金融机构，普遍存在资金有限、科技人才匮乏、研发能力薄弱的短板，难以独立搭建高水平人工智能服务体系，只能沿用传统风控与服务模式，技术迭代速度严重滞后，服务优势被逐步稀释，市场生存空间持续被挤压。

两者的技术投入差距，使得行业马太效应持续凸显。中小机构赋能基层的作用被持续弱化，市场逐步转向大型机构的标准化AI模型服务。而统一化、模板化的智能算法难以完全适配各地县域产业差异、农户经营特点和本地化小微业态，缺乏灵活的本土化适配能力，最终导致普惠金融精准度下降、本土服务效能弱化，一定程度上抵消了人工智能赋能普惠金融的正向价值。

(本文作者介绍：北京大学普惠金融与法律监管研究基地副主任、中国地方金融研究会首席经济学家)

新浪财经意见领袖专栏文章均为作者个人观点，不代表新浪财经的立场和观点。

欢迎关注官方微信“意见领袖”，阅读更多精彩文章。点击微信界面右上角的+号，选择“添加朋友”，输入意见领袖的微信号“kopleader”即可，也可以扫描下方二维码添加关注。意见领袖将为您提供财经专业领域的专业分析。

北京大学普惠金融与法律监管研究基地副主任、中国地方金融研究会首席经济学家

新浪财经意见反馈留言板 电话：400-052-0066 欢迎批评指正