■  天津农村商业银行股份有限公司武清中心支行  于文君  范维雪

摘要：AI技术正在推动商业银行不良贷款清收由人工经验驱动转向数据识别、算法辅助和流程留痕。智能外呼、客户画像、风险分层、资产线索识别等工具提升了清收效率，也使个人信息保护、自动化决策、委外催收和内部控制风险更加集中。本文在分析AI时代商业银行不良贷款清收现状的基础上，界定数据、行为、算法和责任边界，梳理风险防控中的主要问题，并提出全流程合规审查、清收数据治理、算法复核、系统化行为约束、委外穿透管理以及法律管理和内控合规协同机制等对策。

关键词：AI时代；商业银行；不良贷款清收；合规边界；风险防控

一、AI时代商业银行不良贷款清收的现状

不良贷款清收是商业银行信用风险管理的重要环节。近年来，商业银行不良贷款率总体保持稳定，但不良贷款余额仍处于较高规模。2025年四季度末，商业银行不良贷款余额为3.5万亿元，不良贷款率为1.50%；2026年一季度末，不良贷款余额进一步增至3.7万亿元，不良贷款率为1.51%。不良贷款存量压力、盈利能力下行和传统清收效率约束共同推动清收方式向智能化转型。

表1  2021—2025年商业银行信贷资产质量与风险抵补指标

注：数据根据国家金融监督管理总局公开披露及公开转载监管指标整理。

从表1看，不良贷款率有所下降，但不良贷款余额持续增加，说明存量风险处置仍具有长期性。传统清收依靠电话催收、现场走访、协商还款和诉讼执行，面对客户分散化、贷款线上化和债务形态复杂化，容易出现分类不精细、触达成本高、证据留痕不足等问题。AI技术能够通过数据画像、风险分层和策略匹配提升处置效率，但技术效率不能替代法律合规。

二、AI时代商业银行不良贷款清收的合规边界与风险表现

AI清收首先应守住数据边界。商业银行可以围绕合同履行、还款协商、风险识别和法律处置使用必要数据，但不得以提高回款率为由过度收集、加工和共享债务人及其关联人员信息。通讯录、亲属关系、工作单位、社交信息和地理位置等信息若与债权实现缺乏必要关联，使用时即可能引发个人信息保护风险。

AI清收还应守住行为边界。清收目的在于实现合法债权，而不是对债务人进行惩罚性施压。无论是人工催收、智能外呼还是短信推送，都不得采取恐吓、辱骂、欺诈、误导、泄露债务信息、频繁骚扰、联系无关第三人等方式实现回款。算法边界同样重要，风险分层和策略推荐应保持可解释、可复核、可问责，对诉讼启动、外访、财产保全等事项应保留人工复核。责任边界方面，AI系统和外包机构只是工具和辅助主体，不能替代商业银行的管理责任。

三、AI时代商业银行不良贷款清收存在的问题

当前主要问题集中在四个方面：一是数据治理滞后。部分机构已引入客户画像、智能外呼和风险分层工具，但对清收数据的来源、权限、用途和保存期限缺乏精细化管理。二是算法审查不足。部分银行更重视模型回款贡献，对变量合理性、公平性和可解释性关注不够，合规部门难以实质审查模型输出。三是催收规范嵌入不足。若系统未设置外呼频次上限、敏感词过滤、第三方联系人限制和投诉客户保护，不当催收可能被批量放大。四是委外管理穿透不足。外包机构若使用私人号码、社交软件或非授权数据开展催收，银行仍将承担声誉、监管和法律风险。

四、AI时代商业银行不良贷款清收的风险防控路径

商业银行应建立AI清收全流程合规审查机制，在系统上线、模型调整、委外合作、话术变更和清收强度升级等节点进行合规把关。审查重点包括数据来源、授权依据、模型变量、催收话术、外呼频次、客户异议处理和留痕机制。对诉讼启动、外访、财产保全和抵质押物处置等事项，应由业务、法务和合规共同复核。

在数据治理方面，应建立清收数据目录，对客户身份信息、合同信息、还款信息、征信信息、司法信息、外部数据和第三方联系人信息分类分级管理，委外环节坚持最小必要原则。算法治理方面，应形成模型开发、测试验证、上线审批、运行监测、定期复评和退出管理机制，防止模型形成过度催收或不合理差别对待。催收行为规范应转化为系统控制规则，嵌入智能外呼、短信发送、任务分派和投诉处理流程。

在内控合规方面，应明确业务、法务、合规、科技、审计等部门职责。业务部门负责清收执行，法务部门负责诉讼路径和证据审查，合规部门负责制度边界和监管要求落实，科技部门负责系统权限、算法安全和数据留痕，审计部门负责独立检查和责任追溯。对委外清收，应完善准入、培训、合同约束、过程监测、投诉回溯和退出机制，考核指标不能只看回款率，还应纳入投诉率、录音合规率、数据访问异常和客户反馈。

在法律管理方面，商业银行应加强清收合同、委外协议、授权文本、催收话术和诉讼材料的统一审查。对涉及个人信息处理、第三方联系人使用、外包机构数据接触、资产线索调查等环节，应明确法律依据和证据留存要求。发生客户投诉、监管检查或司法争议时，银行应能够完整说明数据来源、算法依据、催收过程、人工复核和责任主体，确保清收行为经得起法律审查和监管检验。

五、结论

AI时代商业银行不良贷款清收正在向数据识别、算法辅助和流程留痕转型。AI技术能够提升清收效率和精细化管理水平，但不能扩大清收边界。商业银行应以合法债权实现为目的，以最小必要数据处理为基础，以算法可解释和人工复核为约束，以委外穿透管理、法律管理和内部控制闭环为保障，构建覆盖事前、事中、事后的风险防控体系，在提升不良贷款清收效率的同时守住法律合规底线。

参考文献：

1. 蔡宁伟. 商业银行合规风险管理内涵解析与改进路径[J]. 金融监管研究, 2017(12): 93-106.
2. 蔡宁伟. 操作风险的诱发类型与前瞻性防控研究[J]. 金融监管研究, 2015(4): 92-107.
3. 冯辉, 张艺. 智能催收中的个人信息保护及其法律完善[J]. 中国特色社会主义研究, 2023(4): 50-60.
4. 郭品, 沈悦. 互联网金融、存款竞争与银行风险承担[J]. 金融研究, 2019(8): 58-76.
5. 金洪飞, 李弘基, 刘音露. 金融科技、银行风险与市场挤出效应[J]. 财经研究, 2020, 46(5): 52-65.
6. 邱晗, 黄益平, 纪洋. 金融科技对传统银行行为的影响——基于互联网理财的视角[J]. 金融研究, 2018(11): 17-29.
7. 郭晔, 未钟琴, 方颖. 金融科技布局、银行信贷风险与经营绩效——来自商业银行与科技企业战略合作的证据[J]. 金融研究, 2022(10): 20-38.
8. 李丹. 算法歧视消费者：行为机制、损益界定与协同规制[J]. 上海财经大学学报, 2021, 23(2): 17-33.
9. 赵吟. 开放银行模式下个人数据共享的法律规制[J]. 现代法学, 2020, 42(3): 138-150.
10. 许可. 开放银行的制度构造与监管回应[J]. 财经法学, 2019(5): 122-136.