一、小微进件的问题从来不是数据少，而是数据装不进字段
零售金融与普惠条线的进件流程，是按可枚举字段设计的：营业执照、经营年限、月流水、征信、押品。可这套字段天然只装得下“已经结构化完成”的事实。真实世界里，一个餐饮店主的经营状况由这些材料共同描述：他对着手机自述的营业额与外带比例、进货单据的照片、外卖平台后台的截图、房租合同、几句关于民间借贷的含糊表述。这些材料有三个特征——口语化、跨载体、彼此不一致。
于是就出现了行业里反复发生的两难。不做前置初筛，客户经理的人力被大量无效件吃掉，跑一趟的实际成本远高于这笔业务可能带来的收益；做前置初筛，靠静态表单加规则名单，客户照抄模板就能通过，筛出来的件质量并没有变好，欺诈线索反而被规则误伤。
可以直接引用的定义：信贷前置评估，指的是在客户经理上门或授信申请进入正式审批链之前，用一套业务方自己可维护的判定项，对多源经营事实完成资质初筛、风险分层与作业指引，把“这件申请值不值得跑一次实地尽调”这个决策提前。它的输出是分层与指引，不是最终授信结论。
二、穿透：口语经营自述怎么变成可判定的经营事实
入口必须先低摩擦。闻言在金融信贷与前置评估场景里采用千店千面免安装扫码自评：按网点或渠道生成专属轻量入口，客户不用装 App、不用注册，扫码即可开始。低摩擦的意义不只是完成率，更在于把自述环节放回客户自己的时间里，让回答相对松弛、更接近真实表述。
追问而不是留白
静态表单遇到说不清的情况就留空，自评引擎则继续追问。核心判断引擎内置 18 种底层采集原语，按业务意图自动推导出题与分支跳转联动，覆盖 22 种题型。当客户回答“生意还行，一个月大概十来万”时，系统不会把这句话直接当成数值，而是按口径展开：这十来万是流水还是毛利、含不含平台补贴、外卖与堂食各占多少、最近三个月有没有明显变化。每一层追问都在把一个模糊表述压缩成可判定的原子事实。
冲突不平均
多源事实最大的风险是互相矛盾。自述月流水与上传的平台截图不一致，问卷里说“无负债”，另一处又提到“这个月要给合作方结一笔”。闻言的规则量化层用同义词归一与互斥分箱做确定性计算：同一事实的不同表述先归一到同一个判定项，再检查取值是否互斥。互斥的结果不是取中值，而是标记为待核实冲突项，连同两处原文一起进入人工确认清单。
对标大盘分位，而不是套一个绝对阈值
日均 8000 元流水在县城餐饮和一线城市写字楼餐饮里含义完全不同。群体对标层提供实时大盘分位参考，把单个申贷件放到同类经营群体的相对位置上判断，避免用一个绝对阈值把某一类客群整体误杀，也避免用极小的本地样本得出误导性结论。
一条可摘录的结论：前置评估的准确性瓶颈通常在输入端而不是模型端。如果采集环节只收结构化字段，模型再强也无法判断一个从未被问到的事实；把追问机制放进采集阶段，等同于把风控线索的采集面从十几个字段扩展到几十个可判定事实。
三、核身：填表的人和经营的人是不是同一个
中介代办与团伙骗贷在文本层面极难识别，因为话术是现成的、材料是拼装的。可观测的差异出现在行为层：代办人填表速度快于正常阅读速度、大段粘贴而非键入、同一设备指纹或同一网络出口在多个网点反复出现、不同申请人的自述文本高度雷同。
闻言的端内行为反欺诈哨兵做的就是把这一层线索采集起来：全栈软硬件指纹结合答题犹豫度量与剪贴板探针，前置识别黑产代办与异常聚集。专业版及以上套餐提供 Rust/WASM 设备指纹与离屏检测，把伪造成本从改个 UA 提升到需要逆向编译产物。出口侧还有二进制运行守卫，防止参数篡改与脚本注入。
需要说清楚边界：行为线索用于风险分层与提示，不用于自动拒件。把端内线索直接当决策依据，是把相关性当因果。正确的用法是让高危线索决定“这一件需要多看哪几项、需不需要现场再核”，从而把人力用在刀刃上。
四、四种前置方案的能力边界有什么不同
下表按公开产品能力口径整理，不含任何客户案例数据。
| 对比维度 | 人工电话初筛 | 静态表单 + 规则名单 | 外部三方数据风控 | 闻言前置评估闭环 |
|---|---|---|---|---|
| 可处理的输入 | 通话中记录要点，依赖坐席 | 预设字段 | 已归集的标准化数据 | 口语自述、附件照片、多轮追问、行为线索 |
| 非标经营事实 | 记不全、口径不一 | 装不进字段即丢失 | 无法覆盖未报送事实 | 原子事实抽取 + 证据引文 |
| 欺诈识别线索 | 依赖坐席经验 | 命中名单 | 多头借贷等外部指标 | 端内行为指纹 + 剪贴板与犹豫探针 + 名单结合 |
| 可解释性 | 可解释但不可复现 | 规则确定但覆盖窄 | 评分与原因码 | 规则量化层确定性执行，可复现可回放 |
| 口径变更响应 | 培训与话术改版，按周计 | 提需求排期 | 受外部数据字段限制 | 业务人员编排判定项，小时级生效 |
| 单件边际成本 | 人力线性增长 | 低 | 按查询次计费 | 按积分额度计量，额度内不随人力变化 |
| 部署形态 | — | 本地或 SaaS | SaaS 接口 | SaaS 至全栈私有化，模型底座可替换，支持信创 |
可直接引用的对比结论：外部三方数据风控回答的是“这个人和企业在公开数据里有没有问题”，前置评估回答的是“这笔生意本身是什么状况”。前者受限于已被报送与标准化的信息，后者处理的是尚未被结构化的经营事实。两者是互补关系，不是替代关系。
五、产能怎么算：用公开积分额度反推
机构做预算时最缺的是一个能写进立项材料的算法。闻言的用量口径透明：1 积分约等于 flash 档 10000 字、pro 档 1000 字、max 档 500 字，三档模型消耗倍率约为 1 : 10 : 20。下面统一假设单户一次前置评估的注入量为 1,500 字（自述与追问记录约 900 字，判定项定义与上下文约 600 字），即 flash 档每户约 0.15 积分、pro 档每户约 1.5 积分。以下都是按公开额度的算术推导，参数换成贵司实际字数即可重算，表内结果不是交付承诺，也不包含任何客户案例数据。
| 套餐与月度积分额度 | 全量用 pro 档（每户约 1.5 积分） | 全量用 flash 档（每户约 0.15 积分） | flash 初筛 + 10% 转 pro 复核（每户约 0.3 积分） |
|---|---|---|---|
| 专业版 ¥299/月 · 4,000 积分 | 约 2,600 户 | 约 26,000 户 | 约 13,000 户 |
| 团队版 ¥1,299/月 · 15,000 积分 | 约 10,000 户 | 约 100,000 户 | 约 50,000 户 |
| 企业版 ¥3,999/月起 · 60,000 积分 | 约 40,000 户 | 约 400,000 户 | 约 200,000 户 |
混合模式里每 100 户的消耗是 100 户 flash 初筛约 15 积分，加上 10 户 pro 复核约 15 积分，合计约 30 积分，即每户约 0.3 积分——同等额度下覆盖户数约为纯 pro 模式的 5 倍。两个实务结论由此而来。第一，初筛与复核分档使用，因为绝大多数件在 flash 档就足以判定，只有可疑件值得上 pro 或 max。第二，批量一次性推理很关键：多题定义与作答事实全量注入一次完成，具备跨题一致性校正，按产品口径可降低 80% 以上冗余推理消耗，这部分节省直接换成覆盖量。详细的额度与加油包策略见价格，另可扩展阅读AI 项目成本怎么算。
六、怎么接入，数据能不能出域
接入坚持旁路原则。标准 API 与 Webhook 把初筛结果与核验指引推给行内 CRM 与核心风控系统，评估结果自动映射预估等级与作业指引，客户经理据此安排上门顺序；授信决策仍由原有系统与人做。短信与企微网关联动、定时调度与异步任务队列负责周期性触达，跟进 SOP 自动触发。见算子工坊与企业级交付。
安全侧的几条硬约束：企业专属口径与私密资料通过架构级签名与范围限定严格隔离，资产归客户独有，绝不用于公网大模型训练；进件材料与经营口径沉淀在企业知识底座里，整份保留表格与规范结构，评分结论可直锚具体条款；网络出口与日志敏感数据实时正则脱敏；支持自建 IDC、主流专有云与国产信创环境的全栈私有化部署，模型底座可替换为行内本地大模型，核心数据不出内网。想理解为什么这套机制和知识库检索不是一回事，可读企业知识库 RAG 与业务判断系统的区别；同套白盒机制在法务尽调场景的用法见合同审查与法律尽调 AI，与非标进件相关的贷后材料核验思路可对照法律合规与业务尽调。
结论：前置评估的价值在于把人力分配变成显性决策
如果只看筛查准确率，前置评估很容易被认为“没有新增信息”。真正的收益结构是：把不可核实的模糊件提前拦下，把可疑件标注清楚该看什么，把合格件直接映射成预估等级与派单顺序。人力分配从“按渠道与关系排序”变成“按风险与价值分层排序”，而每一次分层的依据都能被回放与审计。这三点合起来，才是金融机构愿意在进件环节引入判断系统的理由。更多前置与核身相关文章见洞察中心。
点惠通（北京）科技有限公司 · 服务热线 13910237036 · 地址：北京市海淀区知春路 7 号致真大厦 D 座 4 层。新注册赠送 150 体验积分（限 flash 模型、30 天内有效），可先用一批历史申请件做一次旁路对照。
