“现在人工智能估值很高，我们想投都投不起。”一位互联网消费金融机构负责人感慨说，此前他们打算参股投资一家基于人工智能提升风控效率的机构，一问估值吓了一跳，比他们整个平台的估值还高出不少。

　　如今，他更庆幸自己当初没有投资。

　　究其原因，人工智能的迅速崛起，难免导致行业良莠不齐——尤其是人工智能在互联网消费金融领域的“伪应用”日益增多，比如一家人脸识别机构宣称可以为消费金融平台开展远程面签，人脸识别成功率超过90%，但不少平台测试后发现，借款人所处场景的灯光角度对人脸识别准确性产生不小冲击，导致平台只能重新采取线下面签方式评估借款人是否存在欺诈行为。

　　21世纪经济报道记者也注意到，在美国股权投资机构也开始对人工智能在消费金融领域的“伪应用”日益警惕。尤其是一些标榜“人工智能”的美国消费金融机构，其风控核心仍然是基于采取人工经验判断，对借款人贷款风险进行评估。此外，不少宣称图像识别、语言识别准确度极高的消费金融平台，并没有因此有效降低运营成本提升运营效率。

　　“伪应用”悄然兴起

　　在这位大型消费金融机构首席技术官看来，人工智能在互联网消费金融领域的应用，主要集中在获客、客服、风控、催收等环节。

　　比如在风控环节，人工智能通过大数据分析与机器深度学习，不断优化风控效率降低坏账率同时，还能给予借款人更精确的风险定价；在催收环节，人工智能可以针对不同资产、职业、年龄的逾期借款人设定个性化的催收还款方案，在合适的时间给借款人发出催款信息，既能顾及借款人面子又能提醒他们尽早还款，提高催收效率；在获客环节，基于人工智能的人脸识别、语音识别技术可以协助平台完成远程面签，降低线下人工运营成本。

　　“不过，人工智能是否很好兑现这些预期，的确存在不小的挑战。”他直言。

　　多位互联网消费金融机构负责人向21世纪经济报道记者直言，他们都曾遭遇人工智能伪应用现象，比较常见的是人工智能机构抓住平台担心暴力催收的“心理”，推荐基于人工智能的催收模式，宣称能大幅缩减催收团队人数。

　　“但它的实际应用效果不够理想。”一位消费金融平台负责人告诉21世纪经济报道记者记者。后来他了解到，这家机构是照搬美国的人工智能催收技术，但中美两国消费金融环境截然不同——美国有着成熟的个人征信体系，借款人违约就会被列入黑名单，导致日常生活、旅游举步维艰；中国个人征信体系不够完善，导致欺诈型借款人增多，加之违约成本较低，美国的人工智能催收模式未必适合中国国情。

　　“其实，国内消费金融领域还存在很多黑中介，他们针对一些人工智能的面签、风控流程，会专门制作培训教材教导借款人如何通过风控审核，若消费金融平台完全依赖人工智能风控技术，很可能会遭遇大量坏账。”他进一步指出。事实上，国内不少标榜人工智能的风控模型，其核心风控评估标准依然是借款人是否拥有人民银行征信记录，芝麻信用分是否超过660分，难以凸显其对风控效率的提升作用。

　　在上述大型消费金融机构首席技术官看来，人工智能要在互联网消费金融领域发挥作用，需要三大条件，一是海量大数据，包括借款人社交、以往消费行为、职业、社会缴金记录、婚姻状况、年龄等，并且平台能够从中找出有价值的数据，作为评估借款人还款意愿与还款能力的重要依据；二是平台需要拥有一个合适的风控模型，与这些数据相匹配并通过大数据分析不断优化风控、获客、催收、客服效率；三是平台要有足够多的专业人才，对人工智能技术不断完善，确保整个业务赶得上市场变化。

　　理想和现实间的巨大差距

　　在业内人士看来，服务互联网消费金融领域的人工智能机构之所以能获得很高估值，另一个重要原因是不少消费金融平台对人工智能的机器深度学习抱有相当高的期望值。

　　不少机构甚至认为，尽管很多人工智能技术现在看起来算是伪应用，但随着机器深度学习能力的不断增强，有朝一日它或许能大幅提升平台的运作效率，成为平台的新核心竞争力。

　　“不过，机器深度学习有时也会起到双刃剑作用。”这位大型消费金融机构首席技术官指出，比如在智能风控领域，机器深度学习得出的风控结论，往往是难以解释的。

　　上述消费金融平台负责人对此也感同深受。此前他们专门为小微企业主研发了一款线下消费信贷产品，当时产品研发团队认为有房有车的小微企业主还款风险不高。但人工智能风控模型得出截然相反的结论——没有房产的小微企业主坏账率会低于有房产的。

　　“起初我们也想不通为何会有这样结论。”他回忆说，后来大家多方讨论认为，人工智能的逻辑是不少小微企业主喜欢拿房产去不同机构重复借款，导致坏账风险骤增。不过，人工智能风控模型通过哪些风险因子与借款人数据得出这样的观点，他们至今都没搞明白。

　　“深度学习还可能存在过度弥合问题。”这位大型消费金融机构首席技术官透露，比如不同借款人是否有公积金缴款记录，以及不同借款人在京东、天猫不同电商平台的消费记录，都会通过人工智能得到完全不同的风控结论，不少风控结论在实验论证阶段看似相当有道理，但经不起实践考验。

　　在他看来，机器深度学习模型能否行之有效，关键在于技术团队能否对人工智能进行有效干预，通过有效调整风险因子参数，让风控模型及结论更贴近实际环境。

　　“其实，不少消费金融机构也知道人工智能机器深度学习技术的瓶颈，但他们还是刻意放大它的积极作用，因为这有助于提升消费金融平台的整体估值，获得更多的股权融资。”多家消费金融机构负责人直言，这也是互联网消费金融领域人工智能企业估值持续走高的最大驱动力之一。