银行在信贷里调用人工智能的方式正在发生变化。
过去，评分和读材料通常是两套动作。利率、风险评分和量化归因交给专门模型，结果要稳定，事后还要能复核；尽调记录、制度文本和其他非结构化材料，则由业务人员阅读后再形成判断。大模型进入信贷流程以后，银行开始把这两类任务放进同一次调用，希望一次输出里既有分数，也有对材料的理解，还能直接变成策略建议。
这一变化看起来是少做一次系统切换，实际把两种失败方式叠在了一起。评分如果和大段生成文字绑在同一次输出里，计算过程就不好审计。文本理解如果直接改写规则，一条尚未确认的表述会进入生产策略。信贷和风险场景把这个问题放得更近：利率和评分属于要算准的部分，尽调材料属于要读懂的部分，最后都落在同一条授信链上。
银行要的是还能退回的策略，不是一次更长的回答
在普通问答里，一段通顺的解释往往就算完成。信贷策略不是这样。
模型给出一个分数或一段建议，只是业务人员手里的材料。银行还要知道分数依据哪些变量，规则草案对应哪条业务条件，谁有权确认，以及没有确认之前它停在哪一步。大模型可以参与理解业务语言、整理信息，但授信和放款仍要按银行自己的制度决定。
小模型、大模型和业务智能体因此不能互相替代。
天阳科技：三者分工明确、协同闭环
天阳科技天元平台的公开口径将三者分工明确、协同闭环：
小模型负责稳定的预测、评分和量化归因，保障风控、利率计算等核心场景的精准性与可审计性。
大模型在授权的知识与数据范围内，理解业务语言、组织信息并支持自然语言交互，处理非结构化数据。
业务智能体承担沟通桥梁和任务协同作用，将业务问题转化为可调用的数据、模型、归因和策略任务，再将技术结果重新组织为业务人员可理解、可审核、可验证的归因解释和候选规则。
三者协同形成“预测—归因—策略—执行”业务闭环：小模型预测、大模型理解、智能体转化、业务人员审核验证。大模型输出须经业务人员审核确认后方可使用，候选规则和策略须经受控验证后方可进入生产流程。智能体交出去的是候选方案，不替代业务专家作出授信或风险处置决定。
下一阶段，银行会顺着一条策略看交接有没有断
信贷里的人工智能再往下走，评价标准会从一次调用里包进了多少能力，转到一条策略从评分走到生产时，交接还有没有断。
评分是否仍由可审计的小模型承担。大模型是否仍限制在授权材料里的语义理解。业务智能体交出的是不是候选规则。进入生产之前，有没有业务审核和受控验证。
天阳科技目前沿着这个顺序，在天元智能决策平台上衔接小模型、大模型和业务智能体。对正在把大模型接进信贷和风险流程的银行来说，选型时值得顺着同一条策略看一遍：分数从哪里来，文本理解停在哪里，候选规则在谁确认之后才进入生产。
