把人机互动做成护城河：金融机构的 AI 边界与竞争优势

2025 年 5 月，《MIT 斯隆管理评论》刊出一篇标题即结论的文章：《为何人工智能无法带来可持续竞争优势》（Why AI Will Not Provide Sustainable Competitive Advantage），作者 Wingate、Burns 与资源基础观的奠基人 Jay Barney [2]。他们的判断不复杂：AI 会成为通用要素，人人可买、处处可得，它能抬高所有机构的地板，却分不出彼此的天花板；长期均衡里，没有谁的 AI 是护城河。

这个断言在国内引出了持续的对话：魏炜团队从商业模式与交易结构角度作出回应；随后，北京大学国家发展研究院马浩教授牵头，联合苏孟玥、侯宏、梅亮、谢绚丽四位学者加入研讨 [1]。马浩团队不否认巴尼团队的逻辑，而是拆了它的问题——问"AI 能否带来竞争优势"，就像问"资源能否带来竞争优势"，问题本身问错了；正确的问法是"什么样的资源""什么样的 AI"。把 VRIN 框架（有价值、稀缺、难以模仿、不可替代）重新套上去，答案立刻分流：货架上的通用模型同质，镶嵌在企业活动里的 AI 实践异质。

这场辩论对金融机构不是学院里的茶歇话题。全行业正在购买同样的基座模型、调用同样的接口，如果 AI 真是同质化要素，结局只有一个：本已刺刀见红的普惠金融价格战再添一条战线，利润池再被摊薄一层（这一背景此前在池塘一文里讨论过）。所以值得把这场辩论拆开，回答三个金融业自己的问题：什么样的 AI 才算竞争优势；人机互动怎么从成本项变成资产项；AI 的边界与黑箱该怎么正视。

一、AI 不是电：同质化假设在金融业更站不住

巴尼团队的推理有一个隐含前提：AI 像电一样，是通用、同质、可复制的投入品——你能接入，对手也能接入，于是差异无从谈起。在开源模型语境下，这个前提看似更牢：任何机构都能下载权重、租到算力。

马浩团队的反驳也正打在这里：AI 从不以"电"的形态交付，而总是以版本的形态出现——不同的模型、不同的部署方式、不同的使用情景 [1]。同一家基座模型，接进银行的信贷流程与接进电商的推荐系统，是两种东西；采用的时机、速度、范围，以及人员与互补资源的匹配度，都会制造出机构间的差异。先行者还能通过提前锁定互补者放大早期优势——马浩团队提醒，这个逻辑在 PC 时代就被英特尔们验证过 [1]。

对一家金融机构，"用上了 AI"这四个字几乎不包含信息量。把它拆开看：基座模型是买得到的，私有数据买不到，本地化的微调与规则买不到，组织使用 AI 的方式更买不到。四项相乘，第一项同质，后三项异质——竞争优势只可能长在后三项上。

马浩团队还点破了一个让金融从业者坐不住的现状：不少企业一边把自己最核心的数据无偿送给大厂去训练，一边花大价钱买回大厂的产品与服务，转了一圈，手里没留下任何资产 [1]。这个描述放在银行业尤其扎眼——审批否决的理由、贷后处置的案例、客户经理的走访笔记，这些一旦流出，就不再是你独有的 VRIN 资源。

二、普惠金融语境下的三样"买不到"

把 VRIN 翻译成金融业的话，马浩团队给出的三个来源依次是：独特的数据、面向独特数据的本地化与情景化学习、以及持续快速学习与调整的能力 [1]。放到普惠金融的场景里，这三样恰好对应小微信贷的三个日常。

第三样最容易被忽视：学习速度。马浩团队的原话是，技术应用在商务活动中应当是企业间的一场竞赛，"最终，学习能力强并且能够持续学习和调整的企业胜出" [1]。模型可以同质，学习的速度无法同质——而决定学习速度的，恰恰是下一节要谈的人机互动。

这三样与站内此前的讨论正好接上：软信息数字化是把第一样变成资产的路径（见《普惠金融的护城河》）；文本数据的生产与测量误差控制则是第二样的工程侧（见《从找数据到生产数据》）。

三、人机互动：从成本项到资产项

多数机构对人机互动的默认叙事是负面的：模型有幻觉，所以每一步都要人工复核；复核拖慢了流程，抵消了效率；出了问题，责任在人与机器之间说不清。在这套叙事里，人是 AI 落地的摩擦系数，人机互动是成本中心。

马浩团队把这套叙事倒了过来。他们的判断是：可持续竞争优势的存在，恰恰因为有人存在。原文写得相当直白："大家都说 AI 是黑箱，不可解释。其实，人更加不可解释。机器的行为和表现，在大多数时间其实都是可预测的，虽然它会有幻觉。人的某些特殊想象力和极端行为迄今则是机器所无法比拟的。这对于企业应对不确定性、拓展生产力边界尤为重要" [1]。

这段话值得金融业慢慢读。它区分了两种误差结构：机器的错误是分布内的——幻觉会重复出现，有频率、有模式，因而可统计、可设护栏、可定价；人的错误是分布外的——创造性的错误与极端的行为，既是最深的风险源，也是唯一的极端场景想象力来源。人机组合的价值不在于谁替代谁，而在于两种误差结构的对冲：机器压住常规操作里高频出错的部分，人守住分布外的那条尾巴。小微客户的行为本来就是金融数据里最不规矩的一段，只会拟合历史的模型在这里天然吃亏，这也解释了为什么最需要"人熟地熟"的业务，恰恰最不能照搬无人化方案。

那么，互动如何从成本变成资产？机制是把互动本身变成数据。每一次人工复核、每一次否决、每一次对机器建议的改判，都是一条高价值的标注样本：它标记了模型在这家机构的客户结构上错在哪里。这些样本回流之后，独有数据变厚，本地化模型变准，下一轮学习变快——马浩团队说的三个来源，就这样被一条互动日志串成了飞轮。别家可以买到同一个基座模型，但买不到你积累多年的改判记录。

反过来也能看清楚飞轮停转的样子：如果人工复核只是盖章（不复核、不记录、不回流），人机互动就退化为纯成本；如果数据只出不进（送外部大厂训练、买回通用服务），飞轮干脆转到别人院子里去了。

四、边界：把 AI 关进场景清单，而不是让它漫过岗位

"人机协同"要成为可执行的管理动作，第一步是划边界：哪些决策交给机器，哪些必须留给人，哪些人机共签。这件事不必从零发明——监管已经给出了操作框架。2026 年 6 月，国家金融监督管理总局发布《关于银行业保险业人工智能安全开发应用的指导意见》，把功能边界的设定写成了明确要求：完善人机协同的业务管理流程，科学设定人工智能的功能边界、系统和数据权限，明确人员岗位责任 [3]。

《指导意见》的边界画法可以概括为三条线。第一条是分类分级：按业务场景重要性、应用规模、对客影响度、模型依赖度、模型复杂度五个维度给应用定级，动态管理。第二条是高风险准入：资金交易、资产评估、信贷审批、承保理赔、风险管理，以及与客户利益直接相关、直接影响金融合约达成的生成式 AI 场景，一律视为高风险应用，须经风险管理委员会批准后方可实施，且要在关键环节建立人工监督和干预机制，明确紧急停用及模型退出条件，配备备用的人工替代流程。第三条是可解释性门槛：可解释性不足的 AI 技术应用于高风险场景时，仅能作为辅助工具；生成内容须显著标识，并向消费者履行说明义务 [3]。

这条边界背后其实有一套清晰的经济学：高频、标准化、结果可验证、错误代价低的任务，交给机器，错误留在分布内；低频、极端、依赖软信息、尾部代价大的判断，留给人，人负责分布外。中间地带人机协同——机器起草，人裁决。落到具体场景，大致是下面这张表：

值得注意的是，《指导意见》同时鼓励大型金融机构向中小机构输出 AI 技术和管理经验 [3]。这对中小银行是一条现实路径：基座能力可以外购、可以共用，但应用清单、干预点设计和互动日志这三样必须自建——它们正是飞轮的轴承。

五、黑箱对黑箱：机器的幻觉与人的极端

金融业对模型可解释性有一种近乎形而上的执念：模型不给理由，就不敢用。但对照一下这个行业对人类决策者的宽容——IPC 信贷员的经验判断从来没有人要求写成公式，靠的是培训、复核、抽检与问责。可见可解释性从来不是使用的前提，而是管理手段的一种。既然如此，就有必要把两种黑箱放进同一张表里看：

这张表的第一行是关键：机器的错误可统计，所以可以用工程手段管理；人的错误不可统计，所以只能用组织手段约束。两者不可互替，管理上要双向借纪律——用管理机器的办法反哺人的管理（决策留痕、理由记录、可回溯），用管理人的机制约束机器（问责落到岗位，《指导意见》的原则是"谁使用谁负责"，"模型说的"不能成为免责理由 [3]）。

人的极端性还要再往深处看一层。金融史上最贵的损失几乎都来自人的极端行为：挤兑、骗贷、恐慌性抛售。模型从历史数据里学不到未来的极端——它在训练分布里见过的"极端"，只是已经发生过的极端。所以压力测试的情景设计、突发事件的处置次序、非常时期的抽贷与展期决断，这些恰恰要交给机器最缺的那件东西：分布外的想象力。马浩团队把这层意思说得很重——人的特殊想象力与极端行为，"对于企业应对不确定性、拓展生产力边界尤为重要" [1]。

顺着这个逻辑还能看到他们推演的一个悖论：如果机构走向全自动，把人的影响压到零，AI 将彻底同质化——你能买我也能买，兼并与整合的终局是垄断而非竞争优势，到那时巴尼团队的判断将绝对正确 [1]。换句话说，人退出之日，就是优势消失之时。留着人、并且让机器围着人转的机构，反而守住了差异化的火种。

六、落地：六个动作把互动变成飞轮

把上面的讨论收拢成可以在一家机构内部启动的动作序列：

1. 盘点独有数据资产

   列出否决记录、贷后处置案例、走访笔记、改判历史四类清单，逐项标注：数据在哪里、流出过没有、还能不能收回来。这一步决定飞轮有没有原料。

2. 按五个维度给场景分级

   对照《指导意见》，用业务场景重要性、应用规模、对客影响度、模型依赖度、模型复杂度给全部 AI 应用打分，形成应用清单与高风险清单。

3. 为每个高风险场景设干预点

   明确何时人工复核、复核什么、谁有权否决、触发什么条件紧急停用、备用人工流程是什么。干预点写进制度，不写在个人经验里。

4. 让复核结果结构化回流

   人工的确认、修正、否决全部落成结构化日志，定期转成训练语料与规则库。没有回流的复核是成本，有回流的复核是投资。

5. 本地化沉淀而非只调接口

   微调、规则、知识库放在自己名下；外部模型按外包管理，评估集中度与供应链风险。租来的智能不进资产负债表。

6. 定期审计与边界重划

   按全生命周期要求做算法审计与评估退出，模型能力升级后把边界内的场景向机器主导区扩张一格——每扩一格，重走一遍分级与准入，高风险应用按要求向监管报告。

三个常见的误区值得一并钉住：把采购当战略——基座模型与算力是租来的公共设施，不构成差异化；把人工复核当成本——它是飞轮唯一的数据入口，砍掉它等于拆掉自己的训练集；把黑箱当借口——"模型算的"在监管框架里从来不是免责理由，谁使用，谁负责。

写在最后

大模型像公共水管，接进每家每户，水质大体一样；竞争优势是自家的池塘——独有数据是水源，本地化模型是塘形，人机互动的回流是活水。这场围绕巴尼断言的三方对话，对金融业最有用的收获或许是一句朴素的话：机器的部分同质，人的部分不同质；可持续竞争优势，长在两种黑箱被同时管好的那条缝里。

普惠金融的可持续，一半靠息差与成本的管理，另一半会越来越靠这条飞轮的转速。今天每一次认真的人工复核，都是明天对手买不走的训练数据。