授信尽调里最耗时的往往不是看主表，而是读附注。关联方交易、对外担保、表外负债、会计政策变更等信息散落在上百页 PDF 中，口径不一、表述各异，人工翻阅既慢又容易漏。金融AI实验室近期围绕这一环节做了一组实验性探索：不追求端到端“自动审批”，只把“找得全、对得上、可追溯”三件事做扎实。
流程分三步。第一步做版式与语义解析，定位三张主表、附注表格与脚注段落，按科目和口径结构化；第二步做表内、表间勾稽校验，标记科目变动异常、口径不一致与缺失项；第三步将解析结果与银行流水、纳税申报等外部数据交叉验证，输出带页码与原文片段的风险点清单，交由客户经理复核。
要点：
- 进展：在实验室内部回测集（约1200份年报与审计报告，以制造业、贸易类中小企业为主）上，附注关键条款召回率约87%，勾稽异常的人工初筛时间平均缩短约三分之一；所有风险结论仍由人工确认。
- 下一步：扩展至多口径合并报表与外币折算场景，并把复核意见回流为标注样本，迭代抽取模型。
评论